浮瑤瑤 柳 彬 張增輝 郁文賢

(上海交通大學感知與導航研究所 上海 200240)

基于詞包模型的高分辨率SAR圖像變化檢測與分析

浮瑤瑤*柳 彬 張增輝 郁文賢

(上海交通大學感知與導航研究所 上海 200240)

該文面向高分辨率 SAR圖像解譯中的變化檢測問題，針對其研究現(xiàn)狀與難點，重點解決高分辨率 SAR圖像變化檢測中的語義信息缺失問題，提出一種基于詞包模型的變化檢測與分析的方法。該方法利用詞包模型，對兩個時相的圖像做詞包表征，將視覺直方圖的差作為變化向量進行分析。由于變化向量包含有語義信息，因此可通過對其分析，結合像素級變化結果，實現(xiàn)對變化區(qū)域的語義分析及感興趣變化類型檢測。經(jīng)實驗驗證，該框架對高分SAR影像變化語義分析具有應用前景。

高分辨率SAR；變化檢測；語義分析；詞包模型(BoWM)

1 引言

合成孔徑雷達(Synthetic Aperture Radar, SAR)能夠提供全天時、全天候的對地觀測遙感信息，因此在軍事偵察、測繪、海洋監(jiān)視等領域具有非常重要的作用。近些年，隨著SAR影像分辨率的提升，其可供挖掘和利用的影像內容信息越來越豐富[1]。因此針對高分辨率SAR(簡稱高分SAR)影像快速準確、普適性強的解譯技術亟需發(fā)展。SAR自動化解譯研究利用特征提取過程模擬人感知目標的過程，用機器學習來模擬人識別目標的過程[2]，主要領域涉及目標檢測與識別[3]、圖像分割[4,5]、地物類別數(shù)目估計及分類[6]、變化檢測[7]等方面。

SAR圖像變化檢測是SAR解譯的一個重要分支，其目的是根據(jù)對不同時段的同一目標或場景進行變化分析，包括判斷目標區(qū)域是否變化，確定變化區(qū)域，識別變化種類等。高分SAR圖像可以展示更為豐富的結構和細節(jié)信息，因此有效利用數(shù)據(jù)中的變化信息，并用于軍事中戰(zhàn)場局勢分析、打擊效果評估與民用中自然災害應急與災后重建等場合具有十分重要的意義。

目前變化檢測方法可分為像素級變化檢測[8](包括幅值域和復數(shù)域)，特征級變化檢測[9]和分類級的變化檢測[10]等。然而基于像素和特征的變化檢測只能得到統(tǒng)計意義上的變化，無法得知變化所包含的語義信息；基于分類的變化檢測是在分類中，由兩幅圖像分別完成語義的間接賦于，在此基礎上進行的變化檢測，因此會造成一部分信息缺失。目前已經(jīng)有學者展開變化檢測語義分析的相關研究，陳克明等人[11]提出半監(jiān)督上下文相關的高分辨率 SAR圖像變化檢測分析技術，利用少量的已標注樣本和大量未標注樣本初始化高斯過程分類器，結合馬爾科夫隨機場正則化，利用空間上下文信息改進后驗概率來實現(xiàn)變化檢測場景語義層解譯。

本文針對傳統(tǒng)變化檢測結果中缺少語義信息的問題，考慮從詞包模型著手探索相應的解決方法?；谝曈X單詞的詞包模型表示(Bag-of-Words Model, BoWM)算法[12]是目前圖像處理領域中場景表征的主流方法，一些研究人員也將詞包模型成功用于SAR的目標檢測[13]、地物分類[14,15]等解譯工作中，通過對圖像場景內容進行詞包表征，選擇合適的分類器以實現(xiàn)地物類型的分類、目標識別等工作，同時證明視覺單詞的詞頻直方圖(在本文中稱為視覺直方圖)在SAR場景解譯中對目標和地物具有可靠的表征能力。

基于上述內容，本文提出一種基于詞包模型的變化檢測方法，該方法在傳統(tǒng)像素級檢測結果基礎上，增加對變化區(qū)域的語義描述。該方法將詞包模型運用到變化檢測框架中，利用高分SAR豐富的結構信息，通過分析不同時相圖像視覺直方圖的變化情況，結合像素級變化檢測結果，得到區(qū)域的變化語義信息。其整體框架如圖1所示。

該框架的主要流程如下：(1)預處理，包括圖像配準和圖像去噪；(2)詞包表征，對兩個時相 SAR圖像進行局部特征提取，聚類生成字典；對兩個時相圖像進行詞包表征，得到圖像塊的視覺直方圖；(3)記不同時相圖像視覺直方圖的差為變化向量，通過分析其在字典空間中的變化，結合像素級的變化檢測結果，對變化區(qū)域賦于用戶關心的語義信息。

2 基于詞包模型的高分SAR圖像變化檢測框架

2.1 預處理

本文提出框架的預處理部分主要包括圖像配準和圖像去噪。

2.1.1 圖像配準在本文中，目前僅考慮多時相重軌SAR數(shù)據(jù)的變化檢測問題，通過地理信息進行粗匹配和圖像匹配方法進行精細匹配，能夠實現(xiàn)亞像素級配準。

圖1 基于詞包模型的變化檢測流程Fig. 1 Flow chart of change detection based on BoWM

2.1.2 圖像去噪SAR圖像降噪的目的在于盡可能抑制相干斑噪聲的同時保留圖像的紋理信息和幾何邊緣結構。論文采用Deledalle等人[16]提出的 SAR圖像非局部濾波算法，經(jīng)過濾波后的結果圖盡可能保留了圖像結構和細節(jié)信息，有利于后續(xù)的結構特性表征。

2.2 詞包表征

詞包表征包括3個部分：局部特征提取，字典生成和圖像詞包表征。

2.2.1 局部特征提取特征提取是將圖像小塊(即單詞)轉變?yōu)樘卣骺臻g多維向量的過程。SAR圖像最小的處理單元通常為一個小的局部區(qū)域，論文中對測試圖像進行均勻分塊，根據(jù)實驗中SAR圖像分辨率(空間分辨率在1 m左右)，窗口大小定為16×16，該大小的圖像切片可以體現(xiàn)圖像結構特性，同時不至于包含過多復雜信息。

SIFT特征是文獻[17]提出的一種用于描述和檢測圖像的局部特征算法，可以表征圖像梯度分布特性?；叶戎狈綀D可以直觀地反映圖像灰度分布特性。論文中對均勻分塊的 SIFT特征[18]和灰度直方圖特征進行級聯(lián)，將其作為變化檢測框架中圖像的局部特征描述。

2.2.2 字典生成字典生成過程是將所有圖像小塊用視覺單詞表示的過程，一個視覺單詞就是許多相似的圖像小塊的聚類中心。一般通過 K-means[19]聚類訓練圖像集上的所有圖像塊的特征生成字典。對于經(jīng)過濾波后的多時相SAR圖像，進行局部特征提取，得到特征集合。經(jīng)過K-means聚類得到K個聚類中心：，每個聚類中心都對應字典中的一個視覺單詞，V被稱為字典。

2.2.3 圖像詞包表征圖像詞包表征是通過量化編碼(Vector quantization)統(tǒng)計兩個時相的測試圖像塊中視覺單詞出現(xiàn)的頻率，得到視覺直方圖。具體步驟如下：

(1) 對測試圖像塊通過重疊采樣分塊計算圖像塊的局部特征，得到特征空間上的特征集，記為X。

其中M指測試圖像塊中的特征個數(shù)，D是特征空間維度。

(2) 對于特征集中的每個特征xm，用字典中與該特征距離最小的視覺單詞進行表示。

(3) 統(tǒng)計圖像塊中每個視覺單詞出現(xiàn)次數(shù)，得到字典中視覺單詞的頻率直方圖，即視覺直方圖。

2.3 基于詞包模型變化檢測

對測試圖像塊進行詞包表征，得到兩個時相圖像的視覺直方圖。計算對應位置兩個視覺直方圖的卡方距離，將其作為兩個圖像塊相異性表征：

其中dist(i)為第i個位置上兩個圖像塊視覺直方圖的距離，hist1和hist2分別為時相1和時相2圖像塊的視覺直方圖。

本文中對兩個時相的 SAR影像數(shù)據(jù)進行重疊采樣分塊，采樣窗口為W，滑塊步長為W/2窗口大小，得到若干個測試圖像塊。定義滑塊重疊區(qū)域(W/2 ×W/2)的卡方距離為空間相鄰4個測試圖像塊(W×W)卡方距離的均值。以此遍歷所有圖像塊，得到T1和T2的切片級變化檢測結果圖。

此時，基于詞包模型檢測可得到切片級的變化檢測結果，然而該精度對變化檢測而言是不夠的，因此實驗結合像素級變化檢測結果，通過分析視覺直方圖的變化，對統(tǒng)計意義上較為精確的變化區(qū)域進行語義分析。詞包模型中變化向量的語義信息是直接從兩個時相視覺直方圖相減獲得，因此可以結合像素級變化檢測的空間精度和詞包模型變化檢測的語義保留特性，通過互補來實現(xiàn)最終的變化檢測工作。像素級變化檢測方法介紹如下。

2.4 像素級變化檢測

論文利用 Nakagami-Rayleigh廣義似然比檢驗[16]得到像素級變化檢測的差異圖，該方法針對于SAR圖像提出概率塊比較算子，利用密集比較的方法，可以實現(xiàn)較好的相似度衡量。

基于Nakagami-Rayleigh分布的高分SAR圖像中有噪的兩個像素點之間的廣義似然函數(shù)比檢驗為：

其中A1,A2為時相1和時相2中有噪情況下的像素幅值。

對于兩個塊，在獨立分布的假設之下，可以推出基于廣義似然函數(shù)比檢驗的這兩個有噪像素塊之間的密集比較算子以衡量這兩個像素塊中心之間的相異程度：

3 實驗與分析

實驗數(shù)據(jù)展示見圖2，影像數(shù)據(jù)為TerraSAR-X衛(wèi)星的同視向數(shù)據(jù)，拍攝日期分別為2007年12月27日和2011年12月2日；實際場景為美國舊金山區(qū)域，本景圖像為單極化，極化方式為 HH，方位向分辨率為1.1 m，距離向分辨率為0.918 m，實驗數(shù)據(jù)取其中2048×2048部分區(qū)域，時相1的SAR原始數(shù)據(jù)見圖2(a)，時相2數(shù)據(jù)見圖2(b)。

本文是在統(tǒng)計意義得到的變化檢測結果基礎上，對變化區(qū)域進行語義分析。實驗分為3個部分：(1)切片級變化檢測，將其和像素級變化檢測對比，驗證詞包模型用以統(tǒng)計意義上變化檢測的可行性；(2)變化區(qū)域的語義分析，該實驗部分通過分析圖像塊內視覺直方圖的變化，驗證變化向量是具有語義信息的；(3)感興趣變化類型檢測與分析，以結構變化檢測和特殊語義變化為例，證明詞包模型在語義變化檢測與分類的可行性和應用前景。

3.1 切片級變化檢測

利用詞包模型進行切片級變化檢測，步驟如下：

(1) 對兩個時相的SAR圖像(見圖3(a)，圖3(b), 2048×2048)進行重疊采樣分塊計算局部特征，窗口為16，重疊滑塊步長為8，得到特征集合；

(2) 利用K-means方法將所有特征聚類生成字典，字典維數(shù)為80；

圖2 兩個時相的SAR數(shù)據(jù)展示Fig. 2 Exhibition of SAR images of different temporals

圖3 基于詞包模型變化檢測結果整體及部分展示Fig. 3 Exhibition of change detection results for the whole images and test images based on Bag-of-Words Method

(3) 將SAR圖像進行重疊采樣分塊得到若干個測試圖像塊，窗口取 128，重疊步長為1/2窗口，對所有測試圖像塊進行詞包表征，然后利用 2.3節(jié)得到所有重疊區(qū)域塊(64×64)內視覺直方圖的卡方距離，即為變化檢測結果圖。

切片級變化檢測結果如圖3(c)所示，像素級變化檢測結果見圖 3(d)，顏色代表變化劇烈程度。對圖3(a)和圖3(b)的左上角的紅色區(qū)域部分進行放大，見圖3(e)，圖3(f)，可明顯看出該位置港口附近設施、艦船等都發(fā)生了較大變化，對應的切片級檢測結果如圖3(g)所示，像素級變化檢測結果見圖3(h)。

比較切片級變化檢測結果與像素級變化檢測結果，可知利用詞包模型實現(xiàn)切片級變化檢測是可行的。

3.2 變化區(qū)域語義分析

為了驗證詞包模型用于變化區(qū)域語義的可行性，本節(jié)進行了如下實驗。

實驗內容：分析城區(qū)內部兩個時相圖像變化情況

圖4 兩個時相的視覺直方圖比較Fig. 4 Exhibition of visual histogram of different temporal images

實驗數(shù)據(jù)及步驟：圖4(a)和圖4(b)分別為時相1和時相2的圖像切片，大小為256×256，場景為建筑區(qū)。如圖4(a)和圖4(b)中所示，將其均勻分為左上、右上、左下與右下4個切片，分別計算兩個時相各個位置切片圖像的視覺直方圖，將對應位置視覺直方圖相減，記 hist2-hist1為變化向量(change vector)，分別得到4個區(qū)域的變化向量，如圖4(d)～圖 4(g)所示，其中橫坐標為單詞標號，縱坐標為概率變化值，為負表明從時相1到時相 2，當前單詞出現(xiàn)的概率降低，反之，則升高。

實驗結果：圖 4(c)為像素級變化檢測結果，圖4(d)～圖4(g)為兩個時相圖像4個切片的變化向量。

像素級變化檢測指標：檢測率 PR = 94.13%，召回率RR = 89.74%。

圖5展示了左上切片圖像中，變化向量概率變化較大的單詞集合。從變化向量中可得如下信息：

(1) 左上圖像中10號，33號，65號單詞(見圖5(a)，圖5(b)，圖5(c))的頻率明顯下降；

(2) 時相2中比例明顯增加的單詞為54號，63號，36號等，按照各單詞增加比例大小進行降序排列，見圖5(d)～圖5(k)。

左上圖像塊的變化向量中，出現(xiàn)概率降低的單詞為10號，33號，65號單詞均表示同質性區(qū)域，灰度值逐漸增加。10號單詞灰度最暗，多為水域和陰影，65號單詞一般出現(xiàn)在灰度較亮的同質性區(qū)域，多為平地或公路等。變化向量中概率增加的單詞54號，63號，79號，75號，40號，28號單詞具有較強的邊緣結構信息，36號，30號單詞包含有強散射點信息，這些單詞多出現(xiàn)在人工目標區(qū)域中。同樣右上切片圖像中，變化向量概率變化較大的單詞集合如圖6所示，同質性單詞33號，65號單詞比例大幅下降，圖6(a)～圖6(h)中單詞比例增加，其變化類似左上圖像。

由此可知，時相1到時相2，圖像的左上和右上部分的同質性區(qū)域(陰影，平地等)大大減少，而具有強散射點及人工目標信息的單詞呈一定幅度增長。

左下圖像和右下圖像的變化向量表明，該區(qū)域變化由不同灰度的同質性區(qū)域互相替代造成。10號單詞增加，33號，65號單詞減少。表明灰度較亮的同質性區(qū)域(平地，公路等)被灰度非常暗的同質性區(qū)域(水域，陰影等)取代。

綜上可知，從時相 1到時相 2，圖像的上半部分發(fā)生了一部分同質性區(qū)域被人工目標取代，而下半部分，同質性區(qū)域灰度分布整體降低，可能由平地變?yōu)榱怂颉⒖糶oogle earth歷史數(shù)據(jù)可知，圖像上半部分變化是平地上增加建筑目標，下半部分變化是建筑物陰影覆蓋平地區(qū)域。該實驗證明了利用變化向量進行語義分析的可行性。

3.3 感興趣變化類型檢測與分析

基于詞包模型的方法可以實現(xiàn)感興趣變化類型檢測，本節(jié)實驗包括結構變化檢測和特定語義變化檢測兩個部分，具體如下。

圖5 左上圖像切片中單詞出現(xiàn)頻率變化較大的圖像塊Fig. 5 Exhibition of words image tile which has significant changes in left-up image’s visual histograms

圖6 右上圖像切片中出現(xiàn)頻率增加的單詞圖像塊Fig. 6 Exhibition of words image tile which has significant increasement in right-up image’s visual histograms

3.3.1 結構變化檢測與分析利用詞包模型，可以對SAR圖像進行結構變化檢測。其步驟為：(1)從字典中篩選結構信息單詞，組成感興趣單詞集合；(2)通過分析視覺直方圖變化向量中感興趣單詞的頻率變化，得到的切片級結構變化檢測結果；(3)結合像素級變化檢測結果進行聯(lián)合判決，得到像素級的結構變化檢測結果。

實驗數(shù)據(jù)：實驗數(shù)據(jù)采用另外一組圖像，實際場景為舊金山的SAR影像數(shù)據(jù)，見圖7(a)和圖7(b)。圖像大小為 1600×1600，對兩個時相影像進行重疊采樣分塊(窗口80，滑動步長為1/2窗口)，定義滑塊重疊區(qū)域的結構單詞頻率變化值，為空間相鄰 4個測試圖像塊(W×W)頻率變化的均值，遍歷整幅圖像，得到切片級結構變化檢測結果，其單位圖像塊大小為 40×40。結合像素級檢測結果進行聯(lián)合判決得到像素級結構變化檢測結果。

實驗結果如圖7所示，其中圖7(a)和圖7(b)分別為時相1和時相2測試圖像，圖7(c)為切片級結構變化檢測差異圖，通過二值分割即可得到切片級檢測結果，圖7(d)為切片級檢測和像素級檢測判決得到的像素級結構變化結果圖，圖 7(e)為發(fā)生結構變化的真值圖。

根據(jù)像素級結構變化檢測結果圖和像素級結構變化真值圖，可得如下信息：

圖7 感興趣變化類型的檢測結果展示之一Fig. 7 Exhibition of interest change type detection result of test images No. 1

像素級結構變化檢測結果是在統(tǒng)計意義檢測結果的基礎上，聯(lián)合切片級詞包檢測結果得到的。因此最終結構變化的檢測率等指標受兩個檢測過程精度的影響。從實驗結果來看，基于詞包模型提取感興趣變化類型，對于結構信息變化檢測結果能夠達到較高的檢測率和召回率，同時存在一定的誤檢。這是由于比較語義單詞出現(xiàn)概率是基于圖像切片進行操作的，當兩個圖像切片中某結構信息單詞的出現(xiàn)概率不變而空間位置卻發(fā)生變化時，會產(chǎn)生一定的虛警和漏檢。

3.3.2 語義變化檢測與分析——以艦船目標增加和減少為例利用詞包模型，可以對特定語義內容進行檢測，以切片區(qū)域內艦船增加和減少兩個語義變化為例，進行實驗分析。具體步驟如下：

(1) 利用詞包模型表征得到兩個時相對應切片的視覺直方圖變化向量(change vector)，已通過實驗證明變化向量包含有語義信息。將其作為特征向量，可對圖像中所有的變化向量進行分類；

(2) 將艦船減少(增加)部分切片的變化向量標記為正樣本，其余為負樣本。選擇一定數(shù)量的正樣本和負樣本，采用KNN分類器對測試變化向量進行分類，將變化類別分為兩類：艦船減少(增加)和其它。

實驗數(shù)據(jù)：實驗數(shù)據(jù)采用圖7中兩個時相數(shù)據(jù)，切片大小為80。圖8(a)和圖8(b)圖像大小為160× 160，其為從時相1到時相2中，變化類型為艦船減少的正樣本切片(4個)；圖8(d)和圖8(e)圖像大小為80×80，其為從時相1到時相2中，變化類型為艦船增加部分正樣本切片；圖 8(c)表示全圖中變化類型為艦船減少的切片級真值圖，圖 8(f)表示變化類型為船艦增加的切片級真值圖。

實驗結果：實驗中選取樣本總數(shù)的20%作為負樣本，分別選取正樣本總數(shù)的50%到100%(步長為5%)進行訓練，針對每次選定訓練樣本進行10次分類實驗。為了綜合考慮檢測率(PR)和召回率(RR)的優(yōu)劣情況，論文采用F-measure[20](F1 score)對檢測性能進行評估，其定義為：

F-measure值為10次實驗的平均值，并標明了實驗結果的均值和標準差。圖 9(a)為艦船目標增加的 F-measure 性能圖，圖 9(b)為艦船目標減少的F-measure 性能圖，X坐標為正樣本選取的百分比，Y坐標為F-measure的值。

圖8 艦船減少和艦船增加兩種語義變化展示Fig. 8 Exhibition of two semantic information change types: ship increase and decrease

圖9艦船減少和艦船增加兩種語義變化檢測F-measure性能圖Fig. 9 Performance of F-measure of two semantic information change type: ship increase and ship decrease

從圖中可以看出，隨著正樣本的增加，對于特定的語義變化類型檢測能夠保證較高的檢測性能。由于場景中，艦船目標增加和減少的正樣本數(shù)目較少，因此當正樣本選取超過一定比例時，10次實驗做出的結果差異性會越來越小，見圖9(b)。該檢測結果可說明，對應位置視覺直方圖之差，即變化向量，是包含語義變化信息，可以根據(jù)該向量做變化分類。

4 結束語

本文通過實驗證明了基于詞包模型的變化檢測框架可用于對高分 SAR影像的變化檢測的語義分析，其表明了兩個時相對應位置圖像的視覺直方圖變化向量是包含語義信息的。該變化向量是直接面向變化檢測賦于語義的，可通過分析其變化情況，得到變化區(qū)域的語義變化描述及感興趣變化類型檢測。

未來工作中可以進行更豐富的變化語義分析和更廣泛的性能測試，并且考慮用稀疏表征的方法代替K-means進行字典生成，在此基礎上，利用字典中的單詞極為稀疏的線性表征可以用于生成保存語義的變化向量。

[1] 鄧云凱, 趙鳳軍, 王宇. 星載 SAR技術的發(fā)展趨勢及應用淺析[J]. 雷達學報, 2012, 1(1): 1-10.

Deng Yun-kai, Zhao Feng-jun, and Wang Yu. Brief analysis on the development and appliecation of spaceborne SAR[J].Journal of Radars, 2012, 1(1): 1-10.

[2] 焦李成, 等. 智能 SAR 圖像處理與解譯[M]. 北京: 科學出版社, 2008: 4-29.

Jiao Li-cheng,et al.. Smart SAR Image Processing and Interpretation[M]. Beijing: Science Press, 2008: 4-29.

[3] 程江華, 高貴, 庫錫樹, 等. 高分辨率SAR圖像道路交叉口檢測與識別新方法[J]. 雷達學報, 2012, 1(1): 100-108.

Cheng Jiang-hua, Gao Gui, Ku Xi-shu,et al.. A novel method for detecting and identifying road junctions from high resolution SAR images[J].Journal of Radars, 2012, 1(1): 100-108.

[4] Liu Bin, Wang Huan-yu,et al.. A novel ship detection approach in polarimetric SAR images based on a foreground/ background separation framework[J].Chinese Journal of Electronics, 2013, 22(3): 641-647.

[5] Liu Bin, Wang Huan-yu,et al.. A foreground/background separation framework for interpreting polarimetric SAR images[J].IEEE Geoscience and Remote Sensing Letters, 2011, 8(2): 288-292.

[6] Liu Bin, Hu Hao,et al.. Superpixel-based classification with an adaptive number of classes for polarimetric SAR images[J].IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(2): 907-924.

[7] White R G. Change detection in SAR imagery[J].International Journal of Remote Sensing, 1991, 12(2): 339-360.

[8] 胡巖峰, 劉波, 李峰, 等. 一種基于統(tǒng)計分析的圖像變化檢測方法[J]. 光子學報, 2005, 34(1): 146-149.

Hu Yan-feng, Liu Bo, Li Feng,et al.. An image change detection method based on statistical analysis[J].Acta Photonica Sinica, 2005, 34(1): 146-149.

[9] 陳志鵬, 鄧鵬, 種勁松, 等. 紋理特征在 SAR 圖像變化檢測中的應用[J]. 遙感技術與應用, 2002, 17(3): 162-166.

Chen Zhi-peng, Deng Peng, Chong Jin-song,et al.. Application of texture feature in the SAR image change detection[J].Remote Sensing Technology and Application, 2002, 17(3): 162-166.

[10] 佃袁勇. 基于遙感影像的變化檢測研究[D]. [碩士論文], 武漢大學, 2005.

Dian Yuan-yong. Research of change detection based on remote sensing image[D]. [Master dissertation], Wuhan University, 2005.

[11] Chen K, Zhou Z, Huo C,et al.. A semisupervised context-sensitive change detection technique via Gaussian process[J].IEEEGeoscience and Remote Sensing Letters, 2013, 10(2): 236-240.

[12] Eric N, Jurie F, and Triggs B. Sampling strategies for bag-of-features image classification[C]. Computer Vision-ECCV 2006, Berlin Heidelberg, 2006: 490-503.

[13] Sun H, Sun X, Wang H,et al.. Automatic target detection in high-resolution remote sensing images using spatial sparse coding bag-of-words model[J].IEEE Geoscience and Remote Sensing Letters, 2012, 9(1): 109-113.

[14] Liu Bin, Zhou Yu-hao,et al.. Context-aware information modeling for HR SAR image scene interpretation[C]. Proceedings of the 32nd IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2012), Munich, Germany, 2012: 6821-6824.

[15] Liu B, Wang H, Wang K,et al.. Scene interpretation for SAR images using supervised topic models[C]. Proceedings of the 31st IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2011), Vancouver, Canada, 2011: 3807-3810.

[16] Deledalle C A, Denis L, and Tupin F. Iterative weighted maximum likelihood denoising with probabilistic patch-based weights[J].IEEE Transactions on Image Processing, 2009, 18(12): 2661-2672.

[17] Lowe D G. Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision, 2004, 60(2): 91-100.

[18] 劉碩研, 須德, 馮松鶴, 等. 一種基于上下文語義信息的圖像塊視覺單詞生成算法[J]. 電子學報, 2010, 38(5): 1156-1161.

Liu Shuo-yan, Xu De, Feng Song-he,et al.. A new image tile visual words generation algorithm base on context semantic information[J].Acta Electronica Sinica, 2010, 38(5): 1156-1161.

[19] MacQueen J. Some methods for classification and analysis of multivariate observations[C]. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, California, 1967: 281-297.

[20] van Rijsbergen C J. Information Retrieval[M]. Second Edition, London: Butterworths-Heinemann, 1979, Chapter 7.

浮瑤瑤(1989-)，女，生于河南新鄉(xiāng)，上海交通大學碩士研究生，主要研究方向為SAR圖像檢測識別。

E-mail: fuyao0427@sjtu.edu.cn

柳 彬(1985-)，男，生于湖南衡陽。分別于2007年和2009年在上海交通大學獲得學士和碩士學位。目前在上海交通大學電子工程系信號與信息處理專業(yè)攻讀博士學位。從 2012年 10月到 2013年4月，以訪問博士生的身份在法國巴黎高科國立高等電信學校從事聯(lián)合研究，其間指導教師為Florence Tupin教授。研究興趣主要包括合成孔徑雷達(Synthetic Aperture Radar, SAR)的圖像理解與信息挖掘，特別是SAR和極化SAR圖像的空間特性分析，包括邊緣提取、分割與紋理分析，目標的檢測與識別，遙感軟件開發(fā)和利用圖形處理單元進行高性能計算。

目前擔任電子學報(中英文版)，IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing以及IEEE Transactions on Geoscience and Remote Sensing的審稿人，是IEEE、IEEE地遙協(xié)會的學生會員。E-mail: liubin22810@gmail.com

張增輝(1980-)，男，生于山東省金鄉(xiāng)縣，畢業(yè)于國防科技大學，2001年獲得應用數(shù)學學士學位，2003年獲得計算機數(shù)學工學碩士學位，2008年獲得信息與通信工程博士學位。2008年到2012年，任國防科技大學數(shù)學與系統(tǒng)科學系講師。2013年至今，在上海交通大學電子信息與電氣工程學院工作。主要研究方向為雷達信號處理、壓縮感知理論與應用。

E-mail: zenghui.zhang@sjtu.edu.cn

郁文賢(1964-)，男，生于上海松江，上海交通大學教授。中國第2代衛(wèi)星導航系統(tǒng)重大專項測試評估與試驗驗證專家組專家；高分辨率對地觀測系統(tǒng)重大專項專家委員會地面系統(tǒng)組專家；“十二五”總裝備部衛(wèi)星應用技術專業(yè)組顧問；總裝備部上海市“北斗導航與位置服務”共建重點實驗室主任；上海交通大學學術委員會委員；雷達信號處理國防科技重點實驗室學術委員會委員；“十一五”國家863計劃信息獲取與處理技術主題第一、二屆專家組組長；“十一五”總裝備部雷達探測技術專業(yè)組專家；主要研究方向為先進探測技術和多維信號與信息處理，研究內容包括新型成像系統(tǒng)、微波圖像處理和解譯、信息融合、目標識別等。

E-mail: wxyu@sjtu.edu.cn

Change Detection and Analysis of High Resolution Synthetic Aperture Radar Images Based on Bag-of-words Model

Fu Yao-yao Liu Bin Zhang Zeng-hui Yu Wen-xian
(Shanghai Jiao Tong University Institute for Sensing and Navigation, Shanghai 200240, China)

This paper discusses the change detection in high-resolution SAR image interpretation. Referring to the unfavorable elements in the change detection and the status quo, this paper focuses on resolving the semantic information deficiency problem in SAR image change detection. A method named change detection base on Bag of Words Model (BoWM) is proposed. By using the BoWM, two visual histograms of two different temporal images are obtained, and the histogram difference, which contains semantic information, is defined as the change vector. By analyzing the change vector and combining it with the statistical change detection method, the semantic analysis and interest change-type detection of the change area can be obtained. Experiments show that the proposed method may be applicable to the semantic analysis of the change area in high-resolution SAR images.

High resolution SAR; Change detection; Semantic analysis; Bag of Words Model (BoWM)

中國分類號：TN958

A

2095-283X(2014)01-0101-10

10.3724/SP.J.1300.2014.13134

2013-12-18收到，2014-02-18改回；2014-02-24網(wǎng)絡優(yōu)先出版

國家“973”計劃項目(2010cb731904)和國家自然科學基金(61331015)資助課題

*通信作者： 浮瑤瑤 fuyao0427@sjtu.edu.cn