張海濤，程新文，陳性義，陳聯(lián)君，常亞洲，馬海榮

(中國地質(zhì)大學(武漢)信息工程學院，湖北武漢430074)

基于ICA/MNF變換的高分影像滑坡災害檢測方法研究*

張海濤，程新文，陳性義，陳聯(lián)君，常亞洲，馬海榮

(中國地質(zhì)大學(武漢)信息工程學院，湖北武漢430074)

快速準確地從災后影像中提取出受災區(qū)域?qū)τ跒暮缶仍哂兄匾饬x。鑒于現(xiàn)有提取方法過度依賴滑坡在影像中的光學、紋理等特征的問題，研究了一種結(jié)合獨立成分分析(ICA)與最小噪聲比率變換(MNF)的變化檢測方法，以單一時相的影像為基礎，運用基于負熵最大化的Fast-ICA算法分離出兩個時相影像相互正交的獨立成分，并構(gòu)建對應獨立成分的差異影像，最后用最小噪聲比率變換實現(xiàn)分布于各個差異影像上變化信息的集中，應用直方圖閾值法得到了最終的滑坡災害信息。選取了滑坡災害前后兩時相的高分辨率遙感影像數(shù)據(jù)進行實驗，結(jié)果證實了方法的可行性。

滑坡;獨立成分分析;最小噪聲比率變換;負熵;差異影像;直方圖閾值

近年來，由于地震、滑坡、泥石流等地質(zhì)災害頻發(fā)，給人民帶來了具大的經(jīng)濟損失和人員傷亡，比較典型的有2008年汶川8.0級地震及其引發(fā)的滑坡、泥石流等次生災害造成約6.9萬多人遇難和1.7萬多人失蹤，2010年舟曲泥石流造成上千人死亡和數(shù)百人失蹤。因此，災害發(fā)生后，如何快速地獲取災害發(fā)生的位置及范圍是實現(xiàn)減災的關鍵。隨著遙感技術的發(fā)展，遙感影像呈現(xiàn)出成像速度快、覆蓋范圍廣、高空間分辨率及高時間采集頻率等特點［1］。因此，如何從遙感影像中快速準確地檢測出災害信息對于減災具有非常重要的應用價值。

近年來，相關學者提出了許多利用遙感影像提取滑坡等災害信息的方法。李松［2］等基于滑坡的地學原理，結(jié)合多時相遙感影像的紋理信息，利用比率變換方法實現(xiàn)了災害的自動提取。趙祥［3］等深入分析了滑坡災害在遙感影像和SAR數(shù)據(jù)中的特征，從理論上論證了方法的可行性。陳瑩［4］等結(jié)合災前光學影像和災后SAR數(shù)據(jù)，分別利用NDWI指數(shù)和水體在SAR影像上的特性提取了河道以及河道變化信息，經(jīng)過去噪、膨脹等處理提取到了滑坡區(qū)域。魯學軍［5］等基于高分影像及災前災后的DEM數(shù)據(jù)，探討了滑坡災害的1維、2維和3維三種遙感解析方法，并建立了滑坡多維遙感解譯方法體系?，F(xiàn)有的方法大都是基于滑坡及其要素獨特的地貌特征進行提取的，過度依賴于滑坡在影像上的色彩、紋理等光學特征。

基于以上考慮，本文基于災前災后兩個時相的高分影像數(shù)據(jù)，利用負熵最大化的Fast-ICA算法實現(xiàn)了兩個時相數(shù)據(jù)的獨立成分分離，并構(gòu)建相應獨立成分的差異影像，在對差異影像進行最小噪聲比率變換(Minimum Noise Fraction Transformation，MNF)實現(xiàn)了變化信息的集中后，又以MNF結(jié)果變量的直方圖為依據(jù)獲取了變化閾值，經(jīng)數(shù)學形態(tài)學后續(xù)處理并矢量化，得到了最終的災害區(qū)域。算法簡單，易于實現(xiàn)，不僅解決了上述問題，還避免了數(shù)據(jù)冗余及后續(xù)變化信息集中的難題。

1 算法描述

1.1 基于負熵最大化的Fast-ICA算法

獨立成分分析方法(Independent Component A-nalysis，ICA)是近年來發(fā)展起來的一種盲源分流算法［6-7］，其基本原理是根據(jù)信號的統(tǒng)計特征，在僅有的觀測數(shù)據(jù)(信號與噪聲的混合體)中分離出相互獨立的源信號，進而由獨立信息進行后續(xù)的數(shù)據(jù)處理，避免了數(shù)據(jù)冗余。

假設n維觀測信息X=［x1，x2，…，xn］和相互統(tǒng)計獨立的m維(n≥m)源信息S=［s1，s2，…，sm］之間存在如下線性關系:

且S中至多有一個符合高斯分布的。獨立成分分析法是從尋優(yōu)的角度出發(fā)［8-9］，通過一個合適的目標函數(shù)和優(yōu)化算法，在混合矩陣A和源信號S未知的情況下，僅利用源信號統(tǒng)計獨立與觀測信號X這一假設，尋得最優(yōu)的一個解混矩陣W，使得

成為對源信號S的最佳估計。

負熵是一種量度隨機變量非高斯性的有效工具［10-11］，收斂速度較快，其近似表達式為

式中:假設變量y具有零均值和單位方差，v為零均值單位方差的高斯變量。函數(shù)G為非二次函數(shù)，取為

將式(2)代入式(3)，則有

即只要尋得最佳的w，即可得到負熵函數(shù)J(W)取得最大值。牛頓法求解得到最優(yōu)解的Fast-ICA算法迭代模型為

按照Kuhn-Tucker條件，在E((WTx)2)=‖W‖2=1的約束條件下，則E(G(WTx))的最優(yōu)值點(即負熵最大)將在點

處取得。對其進行近似牛頓迭代處理，則式(6)的簡化模型為:

對其進行迭代，直至收斂即可得到解混矩陣W。

1.2 MNF變換原理

最小噪聲比率變換(Minimum Noise Fraction Transformation，MNF)以信噪比最大化為變換準則［12-13］，以上述基于ICA方法對應各獨立成分構(gòu)成的差異影像為輸入數(shù)據(jù)進行線性變換，對分散在各個差異影像中包含的變化信息進行重組轉(zhuǎn)換，使其集中分布到前幾個變量中，得到一組新的差異影像，而在新的影像中包含的變化信息按照信噪比依序減少，甚至于第一差異影像中包含絕大部分的變化信息。MNF變換具有正交性與線性不變性，新的結(jié)果影像不影響原始差異影像中包含的變化信息。

MNF變換的數(shù)學模型為

即對各差異影像Y(x)進行線性變換，得到一組包含變化信息依次減少的結(jié)果影像Z(x)。MNF變換的流程如下:

(1)構(gòu)造噪聲影像N;

(2)分別計算影像和噪聲影像的協(xié)方差矩陣Σ、ΣN;

(3)求解廣義特征方程Σa=λΣNa，其中特征向量a和特征值λ為待求值;

(4)按特征值由大到小排序?qū)母鱾€特征向量，代入式(9)得到MNF結(jié)果影像。

1.3 變化信息提取準則

災害信息的提取采用閾值法。在差異影像中，像元值有正值和負值，表現(xiàn)為兩時相影像之間的增加或減少。像元值越接近于0，說明對應位置上兩時相之間的差異越小，即發(fā)生變化的可能性不大;如果像元值越遠離0，則說明對應位置上兩時相之間的差異很大，即極有可能對應位置發(fā)生了變化，在影像上表現(xiàn)為很亮或很暗［14］。故只要找到一個適合的閾值，將像元值大于該閾值的像元提取出來，即為檢測到的變化區(qū)域。

閾值選擇的好壞將會直接影像到災害檢測的精度，本文根據(jù)差異影像直方圖信息進行變化閾值的選取。由于在差異影像中大量存在的是變化與非變化兩類像元，而介于兩類之間的過渡像元很少，即直方圖會存在雙峰且二者呈陡狀分布，因此，差異影像直方圖中雙峰之間的陡變點即為尋找的最優(yōu)閾值。

算法流程如圖1所示。

圖1 算法流程圖

2 實驗結(jié)果與分析

基于上述原理選取三處滑坡災害進行了實驗。實驗中先用Fast-ICA算法分別計算了兩時相影像的獨立成分，并依次求取了對應各獨立成分的差異影像，之后借助MNF變換實現(xiàn)了三幅差異影像的變化信息的集中，并結(jié)合直方圖閾值信息得到了最終的結(jié)果圖。

從QuickBird影像中裁剪了三個實驗區(qū)，共有三個波段，實驗區(qū)位于新疆某地，該處地質(zhì)災害頻發(fā)，常有滑坡、泥石流等典型地質(zhì)災害，災害目視特征較為明顯。

實驗一數(shù)據(jù)大小為289×300個像元，時間分別為3月份和6月份，由原始影像上(圖2)可以看出，第一時相數(shù)據(jù)內(nèi)植被生長較為茂盛、有大量裸土及部分人工構(gòu)筑物(影像上側(cè)的平坦區(qū)域，呈亮白色)，而第二時相數(shù)據(jù)內(nèi)由于滑坡災害的出現(xiàn)，嚴重破壞了原來生長的植被及低處的人工地物，還在構(gòu)筑物上方?jīng)_出了小水溝。

從獨立成分影像中(圖3)可以看出，第一時相影像被獨立地分成了裸土、人工地物、零星地物，而第二時相影像由于災害的原因，影像特征被破壞，獨立成分信息不明顯，難以從圖像中判讀到地表覆蓋信息。

從差異影像上(圖4)可以看出，第一成分差異影像主要檢測出了兩景時相間的植被差異，第二成分主要檢測出了裸地的變化情況，而第三成分分布均勻，無明顯變化。故根據(jù)目前情況，只有結(jié)合第一、第二成分才可以得到最終的變化結(jié)果。

圖2 實驗一原始影像

圖3 實驗一數(shù)據(jù)獨立成分

圖4 實驗一對應獨立成分的差異影像

MNF轉(zhuǎn)換的三個結(jié)果圖中可以看到，第一成分中已經(jīng)涵蓋了滑坡發(fā)生及受災的絕大部分區(qū)域，并將兩時相影像中包含的部分小水塘也全部實現(xiàn)了檢測;而第二成分僅檢測出了構(gòu)筑物上的水流痕跡及部分零星變化，第三成分中包含變化信息不顯著，甚至可以忽略。MNF變換結(jié)果與變化矢量疊加效果、最終的滑坡災害發(fā)生區(qū)域分別如圖5、圖6所示。

從圖6中可以看到，檢測結(jié)果中不僅將滑坡區(qū)域?qū)崿F(xiàn)了全部提取，還將滑坡體下方構(gòu)筑物由水流引起的變化(影像右上方)以及植被中由于生長問題引起的部分變化(影像左上側(cè))。

圖5 實驗一MNF結(jié)果與矢量疊加圖

圖6 實驗一結(jié)果對比

實驗二、實驗三的原始影像及檢測結(jié)果分別如圖7、圖8所示，從圖7c、d圖中看以看到，實驗二中實現(xiàn)了災害區(qū)域的絕大部分提取，但是由于輻射校正精度等問題的存在，使得檢測結(jié)果有小部分的漏檢區(qū)域，如滑坡區(qū)域中的幾個封閉區(qū)域，另外在影像中的下側(cè)有一定的過檢區(qū)域;在實驗三中也較好地實現(xiàn)了滑坡區(qū)域的提取，但是在影像的左上側(cè)、中部有小部分的漏檢測區(qū)域，而在影像的左下側(cè)存在過檢區(qū)域。

圖7 實驗二結(jié)果對比

在定性地評價變化檢測結(jié)果的基礎上，本文以面積為量算單元，以目視解譯的災害區(qū)、非受災區(qū)為參考數(shù)據(jù)，分別計算了生產(chǎn)者精度、使用者精度及K精度，定量地評價了本文方法的有效性，結(jié)果如表1、表2、表3所示。

圖8 實驗三結(jié)果對比

表1 實驗一檢測精度m2

表2 實驗二檢測精度m2

表3 實驗三檢測精度m2

從總的精度上講，三個實驗區(qū)檢測的總體精度、K精度分別均達到了大于85％、大于0.61，即檢測結(jié)果與實際情況保持高度一致性。從生產(chǎn)者角度考慮，變化部分的精度都達到了86％以上;非變化部分的檢測精度分別為83.72％、78.90％和83.84％，實際表現(xiàn)為約有少于22％的未變化區(qū)域被錯誤地認為是災害發(fā)生區(qū)域，即虛警率低于22％。從使用者角度考慮，變化部分的檢測精度都達到了89％以上;未變化部分精度分別為79.34％、83.73％和72.30％，實際表現(xiàn)為約有少于28％的區(qū)域為災害發(fā)生區(qū)域而未能實現(xiàn)檢測，即災害漏檢率低于28％。

從檢測精度上看，災害與非災害區(qū)域的檢測精度均達到了較高的水平，可以滿足對災后救災的精度要求。檢測結(jié)果的虛警率、漏檢率仍有待加以抵制，目前該值較高可能是由于輻射校正不夠精確所致，導致在差異影像上部分小區(qū)域被錯誤地分類;另外采用目視解譯法提取災害區(qū)時，人為地忽略了較小的災害點(災害區(qū)內(nèi)部的非變化部分)也會對兩類誤差有一定的影響。

3 結(jié)論

本文研究了一種結(jié)合獨立成分分析與最小噪聲比率變換的多時相高分辨率遙感影像滑坡災害檢測方法，解決了滑坡信息提取現(xiàn)有方法過度依賴滑坡體影像特征的問題，可以較為理想地實現(xiàn)多時相高分影像間災害信息的提取。首先利基于負熵最大化的Fast-ICA算法分別實現(xiàn)了兩時相影像獨立成分的分離，得到了各自的獨立成分影像;之后構(gòu)建相應獨立成分的差異影像，并運用MNF算法實現(xiàn)了分布于各個獨立成分差異影像中變化信息的集中，最后從MNF影像直方圖中提取了突變點，得到了最終的受災區(qū)域。在實驗過程中發(fā)現(xiàn)，隨機權(quán)向量的初始值W非常重要，選擇不當可能會造成結(jié)果不收斂;直方圖閾值的選取需要在微小的直方圖陡變區(qū)間內(nèi)反復調(diào)整，直到得到滿意結(jié)果為止。從實驗結(jié)果中可以看出，災害信息的檢測率達到了較高的水平，可以為災后的應急救援提供一定的參考信息。在實驗過程中還發(fā)現(xiàn)，影像的波段數(shù)和大小關系到獨立成分的個數(shù)及運算時間，故如何實現(xiàn)大數(shù)據(jù)的處理將有待于進一步研究。

［1］宮鵬，黎夏，徐冰.高分辨率影像解譯理論與應用方法中的一些研究問題［J］.遙感學報，2006，10(1):1-5.

［2］李松，李亦秋，安裕倫.基于變化檢測的滑坡災害自動識別［J］.遙感信息，2010(1):27-31.

［3］趙祥，李長春，蘇娜.滑坡泥石流的多源遙感提取方法［J］.自然災害學報，2008，18(6):29-32.

［4］陳瑩，孫洪泉，趙祥，等.地震災區(qū)河谷滑坡檢測的遙感分析——以北川縣滑坡為例［J］.自然災害學報，2011，20 (1):97-104.

［5］魯學軍，史振春，尚偉濤，等.滑坡高分辨率遙感多維解譯方法及其應用［J］.中國國象圖形學報，2014，19(1):141 -149.

［6］賈春陽，李衛(wèi)華，李小春，等.基于ICA的變化檢測新方法［J］.光電工程，2013，40(12):39-43.

［7］武辰，杜博，張良培.基于獨立成分分析的高光譜變化檢測［J］.遙感學報，2012，16(3):545-561.

［8］申麗巖，方濱，沈毅.基于負熵極大的獨立分量分析方法［J］.中北大學學報，2005，26(6):396-399.

［9］鐘家強，王潤生.基于獨立成分分析的多時相遙感圖像變化檢測［J］.電子與信息學報，2006，28(6):994-998.

［10］史習智.盲信息處理［M］.上海:上海交通大學出版社，2008:56-62.

［11］Bingham E，Hyvarinen A.A fast fixed-point algorithm for independent component analysis of complex-valued signals［J］.Neural Systems，2000，10(1):1-8.

［12］Zhang Lu，Wang Yan，Liao Mingsheng，et al.SMNF-based spatial fuzzy clustering of remote sensing imagery［C］//Proceeding of SPIE Third International Symposium on Multispectral Image Proceeding and Pattern Recognition，Beijing，China，2003:632 -635.

［13］Nielsen AA.Kernelmaximum autocorrelation factor and minimum noise fraction transformations［J］.IEEE Transactions on Image Processing，2011，20(3):612-624.

［14］張路.基于多元統(tǒng)計分析的遙感影像變化檢測方法研究［D］.武漢:武漢大學，2004:56-74.

Landslide Disaster Detection M ethod of High Resolution Remote Sensing Image based on ICA/MNF

Zhang Haitao，Cheng Xinwen，Chen Xingyi，Chen Lianjun，Chang Yazhou and Ma Hairong
(Department of Information Engineering，China University of Geosciences，Wuhan 430074，China)

It is very important for disaster relief to extract disaster information from the disaster images quickly and accurately.Given the existingmethods depends on landslide disasters’texture and other information on images heavily，a new method is studied which combined the independent component analysis and the Minimum Noise Fraction Transformation.It based on the single image，separated the independent component image using the Fast-ICA algorithm ofmaximum neg-entropy approximations and built the components’difference images，focused the different singleswhich distributed all of difference images based on the MNF and got the change information by the threshold from histogram method finally.Experiment results demonstrated themethod’s utilitywith images both before and after the disaster.

landslide;ICA;MNF;negative entropy;difference image;histogram threshold

P642;X43

A

1000-811X(2015)01-0193-05

10.3969/j.issn.1000-811X.2015.01.036

張海濤，程新文，陳性義，等.基于ICA/MNF變換的高分影像滑坡災害檢測方法研究［J］.災害學，2015，30(1):193-197.［ZhangHaitao，ChengXinwen，ChenXingyi，et al.Research on the Landslide Disaster Detection Method of High Resolution Remote Sensing Image based on ICA/MNF［J］.Journal of Catastrophology，2015，30(1):193-197.］

2014-06-11

2014-07-18

“高分辨率對地觀測重大專項”(07-Y30A05-9001-12/13)

張海濤(1987-)，男，河南長垣人，博士研究生，研究領域為高分辨率遙感影像信息提取及應用研究. E-mail:zht_410728@126.com