融合變化向量與Unet的變化檢測方法

張友桐

(廣東聯合金地不動產評估勘測設計有限公司, 廣東 韶關 512000)

0 引言

隨著國民經濟的快速發展,城鎮地表覆蓋信息需快速、及時更新。通過近年來興起的變化檢測技術與遙感影像數據結合,自動提取不同時期地表覆蓋區域的地物變化情況,提高衛星執法作業效率。相關學者對高分辨率遙感影像變化檢測技術進行深入研究,并提出一系列方法,主要包括傳統變化檢測方法與基于深度神經網絡的變化檢測方法。

傳統變化檢測方法主要包括影像代數法、影像變換法以及分類對比法。影像代數法利用前后兩期影像的波段差值計算對應像素的差異,然后采用閾值自動分割的方法確定變化檢測閾值,常用的方法包括灰度差值法、變化向量分析法以及植被指數差值法。影像變換法將前后兩期的多波段影像視為一張影像,通過多元分析方法進行影像數據投影,將多期影像投影到特定特征空間,在特征空間進行變化檢測,常用的方法有主成分分析、多元變化檢測以及迭代多元變化分析等。影像分類后變化檢測,首先對前后期影像分別進行分類,然后將分類結果對比分析確定變化檢測方法。

深度學習作為遙感信息挖掘的有效手段,在目標檢測、影像分割、影像分類等領域獲取較好的結果,為利用序列高分辨率遙感影像提取地物變化信息提供一種方法。由序列高分辨率遙感影像提取地物變化信息,可以認為是對多波段遙感影像進行地物變化與未變化區域的分類問題。因此,對序列高分辨率遙感影像通過深度神經網絡的分割模型快速、高效提取不同時期遙感影像上地物變化區域,即基于深度學習的遙感影像變化檢測方法。目前,能夠用于遙感影像變化檢測的公開訓練樣本數據較少,導致相關研究不多。Chu等采用優化的深度信念網絡進行遙感影像變化區域提取;田青林等利用多特征結合的方法自動提取變化檢測樣本數據,訓練深度限制玻爾茲曼機模型,進而提取變化區域獲得較好的試驗結果;Lebedev等利用對抗網絡進行遙感影像變化檢測方法。上述方法,都取得一定的成果,但當樣本數據量較少，或者樣本特征分布不均勻時檢測結果較差。

針對高分辨率遙感影像信息豐富,地物變化復雜,導致變化檢測結果精度較低問題。采用傳統非深度學習變化檢測算法難以有效獲取正確率高,漏檢率、虛檢率均低的合適閾值;深度學習變化檢測算法需樣本數據量較大且特征分布,以獲取較好的變化檢測結果。因此,本文采用融合變化向量分析(change vector analysis，CVA)與小型U型網絡模型(Unet)網絡結合序列高分辨率遙感影像變化檢測方法,充分利用傳統方法獲取可靠的訓練樣本數據,結合深度學習自動學習獲取準確的地物變化特征信息,進一步提升變化檢測結果精度。

1 融合CVA與深度學習的變化檢測方法

傳統的變化檢測算法難以完成高精度、自動化的變化檢測,基于深度學習的遙感影像變化檢測算法需人工采集大量特征分布均勻的樣本數據,用于訓練深度學習模型,以獲得較好的變化檢測結果。針對此問題,采用無監督的CVA變化檢測方法用于獲取遙感影像變化檢測所需的訓練樣本,結合小型Unet網絡深度學習模型進行高分辨率遙感影像變化區域提取。

首先,對前后兩期影像利用CVA算法提取變化區域、未變化區域以及不確定區域;然后,利用已經確定的變化區域和未變化區域作樣本數據訓練小型Unet網絡模型,并利用該模型提取影像的變化區域;最后,采用多尺度分割算法對前后期影像進行分割,利用分割后的矢量作為約束以減少“椒鹽噪聲”影響。本文方法的流程如圖1所示。

圖1 融合CVA與深度學習的變化檢測方法

1.1 基于CVA的變化檢測算法

Malila于1980年提出變化矢量分析方法,該方法從變化方向與變化強度兩個方向進行遙感影像變化檢測。傳統的變化檢測方法將前后兩期遙感影像進行差值運算獲取多光譜差值影像,差值影像上每個像素為一個矢量,矢量組成為

(1)

在二維空間中以變化矢量大小和方向介紹變化檢測原理,如圖2所示。圖2中的矢量長度表示地物變化程度,方向表示地物變化類別。

圖2 CVA原理

基于CVA的變化檢測方法利用歐式距離表示兩期影像變化強度,變化強度影像的像素值采用差值多光譜影像灰度平方和再開方得到。

(2)

其中,

D

為像元變化強度。利用CVA進行變化檢測過程中,采用獨立閾值分割方法確定變化區域與非變化區域的閾值,進而獲取變化檢測的粗結果。

1.2 小型Unet網絡模型變化檢測算法

針對遙感影像數據量大,不同地區地貌、不同時相、不同傳感器制作大量樣本數據工作量大,現有樣本數據有限情況,文中對Ronneberger等人提出的Unet網絡模型優化,構造針對少量樣本數據的遙感影像變化檢測模型,進而提取高分辨率遙感影像上疑似變化區域。

首先,針對Unet網絡模型的輸入進行改進,將前后兩期遙感影像合并為一張影像數據作為輸入數據,輸出與輸入大小相同的波段影像。由于用于訓練網絡模型的數據較少,而模型參數較多,采用數據曾廣和dropout方法,難以有效避免訓練模型過程中出現過擬合現象。文中采用減少輸入影像波段數量,以減少模型參數方式改善過擬合現象。一般情況下,在相鄰時期的高分辨率遙感影像上非變化地物通常占主要區域,為了獲取更小的損失函數,導致深度網絡模型參數訓練過程中將變化地物影像區域預測為非變化區域。文中利用加權的交叉熵為損失函數

l

增強變化影像的敏感性,以有效地提取變化區域。具體實現函數為

(3)

其中,

w

為影像寬；

h

為影像高；

N

為訓練樣本類別數量,在遙感影像變化檢測中取

N

=2;(

i

,

j

)為影像像素位置;

y

為影像對應的類別標簽,表示變化與非變化類別;

x

(,)[

k

]表示(

i

,

j

)像素預測為

k

類的分數;

W

表示權重。

W

滿足式(14)關系。

(4)

1.3 空間信息約束

為了減少小型Unet網絡提取變化結果漏檢與誤檢現象,借鑒面向對象思想,利用高分辨率遙感影像空間信息對小型Unet網絡提取的變化區域進行約束處理,減少以像素為單位處理所帶來的“椒鹽噪聲”現象。

利用多尺度分割算法對前后期疊加影像進行分割處理,生成變化檢測對象,該方法可以避免因采用單一時期影像帶來過分割、分割不足等分割失真現象。然后,統計每個對象內部變化影像與非變化影像像素數,計算變化區域像素所占比重,當比重大于0.5時,認為該對象為變化區域,否則為非變化區域。影像過分割或分割不足,會導致變化檢測精度下降。然而,利用較小尺度分割進行空間約束會降低漏檢現象。最后,統計像素與局部八鄰域內像元變化情況,若變化像素個數大于5,則標記為最終變化區域,生成最終變化檢測結果。利用這種空間信息約束的方法,能在一定程度下提高變化檢測的準確性、降低誤檢率與虛檢率。

2 試驗與分析

2.1 試驗數據

試驗采用數據集共包括18組數據,每組數均包含前后不同時期的兩張多光譜與全色數據,融合后影像分辨率為2 m的多光譜數據,影像包含藍、綠、紅以及近紅外等四個波段,數據樣本示例如圖3所示。

(a)2015年高分一號數據 (b)2018年高分一號數據

為驗證變化檢測結果精度,采用正確率、漏檢率、虛檢率三個指標表示,其中正確率為檢測變化區域正確像素數與所提取結果數比值;漏檢率為未檢測出實際變化數與真實變化數的比值;誤檢率為誤檢變化區域數與所提取結果數比值,具體計算公式參考文獻[16]。

2.2 試驗結果分析

采用CVA方法獲取前后時期影像的差異影像,利用獨立閾值法確定差異影像的變化閾值,進而將影像分為變化區域、非變化區域。圖4(a)給出利用CVA算法在測試數據提取的粗變化檢測結果。將提取粗變化檢測結果,隨機提取樣本數據與原始影像結合,作為小型Unet網絡的輸入樣本數據訓練模型參數;同時利用樣本數據對獲取的模型參數進行精度驗證。卷積通道參數intPut設置為原始Unet網絡模型的一半,即由intPut→64→128→256→512→1 024修改為intPut→32→64→128→256→512。為了避免因樣本數據量過少導致訓練過程中出現過擬合現象,對壓縮路徑和擴張路徑同時進行優化;通過分別設置變化類與非變化類的交叉熵損失函數權重為0.7、03,獲取采用深度學習的小型Unet網絡模型提取遙感影像變化區域;最終,利用空間信息約束的方法,對小型Unet網絡提取的變化檢測結果進行優化,以除去結果中存在的斑點噪聲、填補內部漏洞以及變化像素和非變化像素間的間隙,獲得最終的變化檢測結果。具體效果見圖4,檢測結果精度見表1。

(a)CVA變化檢測方法 (b)Unet網絡方法

(c)本文方法

表1 不同方法精度對比

試驗結果表明：①采用CVA算法結合獨立閾值算法檢測出來變化檢測區域正確率、漏檢率高,虛檢率最低為0.09,檢測效果不理想,但提取變化區域的正確率較高;利用CVA算法提取粗變化檢測區域作為小型Unet網絡模型訓練樣本時能夠保證樣本正確、特征分布均勻,避免因錯誤樣本導致訓練網絡模型不能有效提取變化區域,為后期提高變化檢測精度提供樣本數據正確率保障;②采用Unet網絡模型提取變化檢測區域,漏檢率相比CVA算法有所降低,但虛檢率提高;由圖4 (b)可知,變化檢測結果變化區域間存在漏洞現象以及嚴重的“椒鹽噪聲”現象,導致檢測結果整體精度不高;③本文采用融合CVA與深度學習的變化檢測方法,對比單一的CVA算法和Unet網絡模型算法變化檢測結果精度均有所提升,漏檢率和虛檢率減少。同時,本文利用空間信息約束對變化檢測結果進一步優化處理,以除去結果中存在的斑點噪聲、填補內部漏洞以及變化像素和非變化像素間的間隙,進一步提升變化檢測效果。

3 結束語

針對傳統變化檢測算法在高分辨遙感影像地物豐富、變化復雜情況精度不高問題,文中結合深度學習在影像分割方面的優勢,提出融合CVA與深度學習模型的高分辨率遙感影像變化檢測方法。試驗結果表明,該方法相比單一的CVA算法、Unet網絡正確率最高,漏檢率最小。但文中缺少對變化區域很小導致變化樣本數據較少的考慮,這也是下一步的研究方向。