冷 英李 寧

①(中國(guó)科學(xué)院電子學(xué)研究所 北京 100190)

②(中國(guó)科學(xué)院大學(xué) 北京 100190)

一種改進(jìn)的變化檢測(cè)方法及其在洪水監(jiān)測(cè)中的應(yīng)用

冷 英①②李 寧*①

①(中國(guó)科學(xué)院電子學(xué)研究所 北京 100190)

②(中國(guó)科學(xué)院大學(xué) 北京 100190)

針對(duì)多時(shí)相合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)圖像的變化檢測(cè)，該文提出一種改進(jìn)的混合變化檢測(cè)方法來(lái)提高檢測(cè)精度。該方法首先采用基于像素級(jí)的變化檢測(cè)方法提取初始變化區(qū)域，并以此估計(jì)初始聚類中心；然后采用模糊聚類(FCM)將變化前后SAR圖像分為3類，即水體區(qū)域、背景區(qū)域、過渡區(qū)域；接著采用最近距離聚類(NNC)將過渡區(qū)域像素進(jìn)一步劃分為水體和背景兩部分，合并所有水體像素，實(shí)現(xiàn)洪水區(qū)域的提取。最后得到的洪水區(qū)域差異圖即為最終的變化檢測(cè)結(jié)果。該文采用Sentinel-1A獲取的淮河與鄱陽(yáng)湖水域數(shù)據(jù)進(jìn)行算法驗(yàn)證，實(shí)驗(yàn)表明，該文方法的檢測(cè)率較高，且總體誤差較低。

變化檢測(cè)；SAR；模糊聚類；混合變化檢測(cè)；Sentinel-1A

1 引言

合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)具有全天時(shí)、全天候的工作能力，不受天氣和光照的影響。隨著SAR成像系統(tǒng)的發(fā)展，大量的高質(zhì)量SAR圖像為遙感應(yīng)用提供了可靠的數(shù)據(jù)基礎(chǔ)。其中基于多時(shí)相SAR數(shù)據(jù)的變化檢測(cè)技術(shù)已經(jīng)被廣泛地應(yīng)用于農(nóng)業(yè)調(diào)查、環(huán)境監(jiān)測(cè)、城市化進(jìn)程研究以及災(zāi)害評(píng)估等方面[1]。近年來(lái)，受氣候變化和極端天氣的影響，洪水已經(jīng)成為全球頻發(fā)性自然災(zāi)害，不僅嚴(yán)重影響局部生態(tài)系統(tǒng)，還會(huì)造成巨大的生命財(cái)產(chǎn)損失[2]。尤其是2016年在超強(qiáng)厄爾尼諾現(xiàn)象的影響下，長(zhǎng)江中下游地區(qū)發(fā)生持續(xù)性強(qiáng)暴雨，太湖、長(zhǎng)江、淮河三大流域水位迅速上漲，導(dǎo)致全國(guó)26省、千余縣區(qū)遭受洪澇災(zāi)害。洪水?dāng)U張范圍的準(zhǔn)確獲取對(duì)規(guī)劃救援和災(zāi)后評(píng)估都具有重要的指導(dǎo)作用，因此針對(duì)洪水的監(jiān)測(cè)和變化檢測(cè)研究具有重要意義。

變化檢測(cè)技術(shù)是通過比較同一區(qū)域在不同時(shí)段的圖像來(lái)識(shí)別該區(qū)域的變化情況。變化檢測(cè)處理流程分為預(yù)處理和變化提取兩個(gè)階段。針對(duì)不同的檢測(cè)目標(biāo)對(duì)象，目前變化檢測(cè)的方法可分為像素級(jí)的變化檢測(cè)方法(Pixel-Based Change Detection,PBCD)、對(duì)象級(jí)的變化檢測(cè)方法( Object-Based Change Detection,OBCD)和混合變化檢測(cè)方法(Hybrid Change Detection,HCD)[3,4]。其中，PBCD以單個(gè)像素為基本處理單元生成差異圖，并對(duì)差異圖進(jìn)行分類。此類方法雖然簡(jiǎn)單、快速、有效，但受SAR圖像固有的相干斑噪聲影響較大，檢測(cè)精度有限[5]。而OBCD則是分別對(duì)變化前后的圖像進(jìn)行分類，然后再比較圖像對(duì)象之間的差異。研究表明當(dāng)SAR圖像分辨率較高時(shí)，OBCD的檢測(cè)性能要優(yōu)于PBCD[6]。然而針對(duì)不同的研究對(duì)象，分類算法的分割性能不同，另外該方法存在誤差累積現(xiàn)象，因此需要根據(jù)具體的研究目標(biāo)改進(jìn)相應(yīng)的處理流程。HCD融合了PBCD和OBCD兩種方法來(lái)進(jìn)一步降低噪聲和雜散點(diǎn)對(duì)變化檢測(cè)的影響[7]。但是大多數(shù)HCD法都屬于決策級(jí)融合，因此也會(huì)同時(shí)累積PBCD和OBCD兩種方法固有的誤差。Lu[8]等人提出一種更為有效的基于算法級(jí)融合的HCD方法來(lái)檢測(cè)洪水變化，該方法避免了未變化區(qū)域的誤差累積效應(yīng)，同時(shí)利用空間文本信息來(lái)提高檢測(cè)精度。由于該方法在對(duì)象級(jí)變化檢測(cè)階段采用區(qū)域增長(zhǎng)的方法提取水域區(qū)域，因此算法最終的提取精度取決于種子點(diǎn)的分布，當(dāng)水域分布不連續(xù)時(shí)，容易漏掉局部區(qū)域，降低提取精度。

基于多時(shí)相SAR數(shù)據(jù)的變化檢測(cè)所獲取的地物變化信息可以被用來(lái)對(duì)洪水進(jìn)行有效監(jiān)測(cè)。Addabbo[2]等人采用貝葉斯網(wǎng)絡(luò)融合SAR強(qiáng)度信息、InSAR相干信息和其他參考圖像，來(lái)檢測(cè)布拉達(dá)諾河洪水區(qū)域。Pulvirenti[9]等人通過采用形態(tài)學(xué)方法對(duì)COSMO-SkyMed圖像進(jìn)行自動(dòng)分割來(lái)獲取洪水演化圖。Avendano[10]等人采用無(wú)監(jiān)督的分類方法對(duì)SAR圖像進(jìn)行分割，并融合平均比和對(duì)數(shù)比信息來(lái)獲取最終的洪水監(jiān)測(cè)結(jié)果。

為了提高多時(shí)相SAR數(shù)據(jù)變化檢測(cè)的精度，本文提出一種改進(jìn)的HCD方法。該方法在對(duì)象級(jí)變化檢測(cè)階段采用基于初始聚類中心選取的改進(jìn)模糊C均值(Fuzzy Clustering Method,FCM)聚類算法來(lái)避免局部水域漏檢的情況。另外本文采用Sentinel-1A衛(wèi)星干涉寬測(cè)繪帶模式多時(shí)相多極化SAR圖像來(lái)監(jiān)測(cè)洪水的變化情況。因此在像素級(jí)處理階段，采用主成分分析法(Principal Component Analysis,PCA)融合分別由HV極化和VV極化SAR圖像得到的差異圖，進(jìn)一步降低斑點(diǎn)噪聲的影響。實(shí)驗(yàn)結(jié)果表明，本文的方法具有很強(qiáng)的魯棒性，并且針對(duì)不同實(shí)驗(yàn)區(qū)域，本文方法的平均總誤差率為3%，平均檢測(cè)率為92%，而文獻(xiàn)[8]中的HCD方法的平均總誤差率為4%，平均檢測(cè)率為87%。

2 算法描述

本文提出的算法的目標(biāo)是融合PBCD和OBCD兩種方法來(lái)提高變化檢測(cè)的性能，算法的核心為通過PBCD處理結(jié)果來(lái)確定FCM的初始聚類中心和最近距離分類(Nearest Neighbor Clustering,NNC)的聚類中心。另外在進(jìn)行HCD處理之前，對(duì)SAR圖像做直方圖均衡來(lái)保證圖像具有相似強(qiáng)度的分布，避免圖像強(qiáng)度差異帶來(lái)的檢測(cè)誤差。算法流程如圖1所示。

2.1 PBCD檢測(cè)

PBCD檢測(cè)主要分為兩步：差異圖生成、差異圖分割。若在PBCD檢測(cè)階段，圖像對(duì)象相關(guān)的參數(shù)估計(jì)得較準(zhǔn)確，則在OBCD檢測(cè)階段更容易提取出精度較高的圖像對(duì)象[8]。因此差異圖分割的目的就是獲取準(zhǔn)確的圖像對(duì)象。

2.1.1 差異圖生成由于SAR相干斑噪聲屬于乘性噪聲，針對(duì)多時(shí)相SAR圖像的殘差計(jì)算，比值運(yùn)算更適合SAR圖像的統(tǒng)計(jì)特征。因此本文采用局部平均似然比變化檢測(cè)算子進(jìn)行差異圖像的生成，并利用小矩形窗來(lái)代替局部同質(zhì)區(qū)域，則平均似然比的簡(jiǎn)化計(jì)算公式可表示為[11]：

其中，R為參考強(qiáng)度圖，F(xiàn)為洪水強(qiáng)度圖，V表示像素(i,j)在w×w窗內(nèi)的局部鄰域像素集(w通常取值為3)。隨后將似然比圖像的取值范圍調(diào)整為[0,255]。

本文采用的Sentinel-1A SAR數(shù)據(jù)包含HV極化和VV極化兩種圖像。在圖像處理技術(shù)中，圖像融合通過聯(lián)合不同來(lái)源的信息產(chǎn)生相對(duì)于單幅圖像來(lái)說(shuō)質(zhì)量更高的圖像[12]。因此在本文提出的算法中，PCA被用來(lái)融合分別由HV極化時(shí)相圖像對(duì)和VV極化時(shí)相圖像對(duì)生成的差異圖。PCA融合的具體實(shí)施步驟如下所示[13]：

(1) 由P組差異圖中的所有數(shù)值構(gòu)成一個(gè)2維矩陣其中xi表示將第i幅圖像矩陣轉(zhuǎn)化為行向量。則矩陣X的行表示以單幅圖像作為變量，矩陣X的列代表這些變量的觀測(cè)值。

(2) 計(jì)算X的協(xié)方差矩陣：

其中N表示單幅圖像中所有像素的個(gè)數(shù)，K表示對(duì)應(yīng)的觀測(cè)對(duì)之間的相關(guān)性。

(3) 獨(dú)立測(cè)量值之間的協(xié)方差為0，才能夠?qū)崿F(xiàn)通過冗余觀測(cè)值消除噪聲。因此對(duì)K進(jìn)行特征值分解：

其中E表示特征向量，D表示由特征值構(gòu)成的對(duì)角矩陣。

(4) 將特征向量按照對(duì)應(yīng)的特征值從大到小重新排列，則差異圖對(duì)應(yīng)的主成分可表示為：

2.1.2 圖像對(duì)象提取在洪水監(jiān)測(cè)應(yīng)用中，圖像對(duì)象指水域?qū)ο?，初始分割得到的變化區(qū)域直接對(duì)應(yīng)洪水SAR圖像中的核心水域，另外該區(qū)域也對(duì)應(yīng)著參考SAR圖像中的植被或岸灘區(qū)域。初始分割方法包括閾值分割、主動(dòng)輪廓模型、馬爾科夫隨機(jī)場(chǎng)等技術(shù)[14–16]。閾值法簡(jiǎn)單、快速，因此應(yīng)用比較廣泛。本文利用差異圖的相鄰直方圖比值方法進(jìn)行閾值選取，從而獲取初始分割。差異矩陣直方圖的峰值代表無(wú)變化區(qū)域，浮動(dòng)區(qū)域代表變化區(qū)域，因此這兩個(gè)區(qū)域之間的過渡點(diǎn)可以設(shè)為檢測(cè)門限[11]。過渡點(diǎn)的查找可以通過計(jì)算差異直方圖相鄰灰度級(jí)之間的比值來(lái)實(shí)現(xiàn)，計(jì)算公式可表示為：

采用tInit對(duì)差異圖進(jìn)行初始分割，那么核心水域的掩膜可定義為：

2.2 OBCD檢測(cè)

OBCD檢測(cè)的關(guān)鍵步驟就是分別識(shí)別多時(shí)相圖像中的圖像對(duì)象，然后通過比較圖像對(duì)象之間的差異來(lái)實(shí)現(xiàn)變化檢測(cè)，因此圖像分割的質(zhì)量尤為重要。在本文的應(yīng)用中，水域?yàn)榇芯康膱D像對(duì)象。針對(duì)水域?qū)ο筇崛?，相關(guān)研究方法包括閾值分割、聚類、主動(dòng)輪廓模型等[17–19]。鑒于SAR圖像中水域表現(xiàn)為低灰度同質(zhì)區(qū)域，文獻(xiàn)[8]選取核心水域中的部分像素作為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)，從而得到洪水區(qū)域。結(jié)合文獻(xiàn)[8,17–19]可知，相同地物在SAR圖像中都具有一定的同質(zhì)性，因此可以選取不同地物的部分像素作為種子點(diǎn)進(jìn)行分類。本文提出的OBCD檢測(cè)算法分為3步：估計(jì)初始聚類中心，F(xiàn)CM聚類，最近距離分類(NNC)。

2.2.1 估計(jì)初始聚類中心本文所提出的算法關(guān)注點(diǎn)在于水域和非水域之間的區(qū)分，無(wú)需較多分類，因此文中將整個(gè)圖像分為3類：水域、背景區(qū)域、過渡區(qū)域。各個(gè)類別的聚類中心可通過種子點(diǎn)的選取來(lái)確定。

首先采用掩膜MInit提取洪水SAR圖像中的核心水域，并選取該區(qū)域強(qiáng)度直方圖峰值對(duì)應(yīng)的強(qiáng)度值作為門限，提取水域種子點(diǎn)，則水域種子點(diǎn)門限為：

其中，hw為核心水域強(qiáng)度直方圖。水域的初始聚類中心即為水域種子點(diǎn)的強(qiáng)度均值。

接著采用掩膜MInit提取參考SAR圖像中的對(duì)應(yīng)區(qū)域，同樣選取該區(qū)域強(qiáng)度直方圖峰值對(duì)應(yīng)的強(qiáng)度值作為門限，提取背景區(qū)域種子點(diǎn)，則背景區(qū)域種子點(diǎn)門限為：

其中，hb為背景區(qū)域強(qiáng)度直方圖。背景區(qū)域聚類中心即為背景區(qū)域種子點(diǎn)的強(qiáng)度均值。

對(duì)于FCM聚類，將水域種子點(diǎn)的強(qiáng)度均值作為第一個(gè)聚類中心，計(jì)算每個(gè)像素點(diǎn)與最近聚類中心間的最短距離d i s(x)，根據(jù)概率分布來(lái)選取新的像素點(diǎn)作為新的聚類中心，直至選取了3個(gè)聚類中心點(diǎn)，其中x為像素坐標(biāo)。

NNC分類需要對(duì)過渡區(qū)域進(jìn)行二次分割，而植被密集區(qū)域灰度級(jí)較低，因此將上述水域的初始聚類中心和背景區(qū)域聚類中心的均值作為背景二次分類中心，同時(shí)仍將水域的初始聚類中心作為水體二次分類中心。

2.2.2 FCM聚類FCM是一種無(wú)監(jiān)督聚類，該算法對(duì)初始值敏感，迭代容易陷入局部極值,難以取得全局最優(yōu)。文獻(xiàn)[20]通過設(shè)定聚類中心之間的最小距離來(lái)保證各類之間的分離性，避免隨機(jī)求取初始聚類中心時(shí)容易使算法收斂到局部極小的情況。本文提出的算法根據(jù)概率分布來(lái)確定初始聚類中心，同樣保證了各類之間的分離性。FCM聚類通過迭代求解目標(biāo)函數(shù)最小化的過程來(lái)確定每一個(gè)樣本隸屬于某一類的隸屬度。算法步驟如下所示：

(1) 給定類別數(shù)c，模糊指數(shù)m，容許誤差ξ。其中當(dāng)m=1時(shí)，該算法退化為k均值聚類，一般情況下，m取值為2。

(2) 按前述方法設(shè)置初始聚類中心，并設(shè)置循環(huán)次數(shù)k=1。

(3) 計(jì)算樣本的隸屬度，即SAR圖像中所有像素的隸屬度，其計(jì)算公式為：

其中，i代表類別編號(hào)，j代表樣本編號(hào)，ω為聚類中心，d為歐式距離，N為圖像所有像素個(gè)數(shù)，則μij為像素樣本xj對(duì)ωi的隸屬度。

(4) 修正所有的聚類中心ωi(k+1)，修正公式為：

2.2.3 NNC分類在本文的OBCD檢測(cè)階段，先采用FCM將圖像分為3類，即水體目標(biāo)、背景、過渡區(qū)域。受灰度級(jí)較低的植被區(qū)域或相干斑噪聲的影響，水體與背景有重疊部分，這部分像素主要包含在過渡區(qū)域中，因此本文通過計(jì)算最近距離對(duì)過渡區(qū)域進(jìn)行二次劃分。計(jì)算公式為：

其中，I為坐標(biāo)空間，為過渡區(qū)域像素空間，xl為像素樣本，為水體二次分類中心，為背景二次分類中心。將標(biāo)記為的像素與FCM劃分的背景部分合并，同時(shí)將標(biāo)記為的像素與FCM劃分的水體部分合并，從而得到最終的水體分布。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)數(shù)據(jù)說(shuō)明

本文采用Sentinel-1A獲取的多時(shí)相多極化SAR圖像來(lái)進(jìn)行算法驗(yàn)證，實(shí)驗(yàn)數(shù)據(jù)具體參數(shù)如表1所示。2016年入汛以來(lái)，我國(guó)已有多條江河水位超過1998年同期，6月下旬，我國(guó)南方降雨集中、強(qiáng)度加大，且強(qiáng)降雨落區(qū)與前期降雨疊加，與常年同期相比，6月以來(lái)，長(zhǎng)江、淮河及太湖流域降雨量偏多3成到1倍。氣象衛(wèi)星監(jiān)測(cè)顯示，6月29日淮河蒙洼至潁上段部分河道水體面積較6月16日有所增大。經(jīng)估算，淮河蒙洼段約25 km河道水體寬度增加0.5–1.5 km；淮河潁上段約10 km河道水體寬度增加約1 km。另一處具有代表意義的洪水場(chǎng)景為鄱陽(yáng)湖水域，受強(qiáng)降雨和長(zhǎng)江江水倒灌雙重影響，鄱陽(yáng)湖水面明顯增大。氣象衛(wèi)星對(duì)鄱陽(yáng)湖水面的遙感監(jiān)測(cè)顯示，7月7日鄱陽(yáng)湖主體及附近水域面積為3966 km2，較今年6月5日監(jiān)測(cè)的水域面積(3559 km2)增大407 km2，比歷史同期(平均為3287 km2)偏大679 km2。因此本文選取相近時(shí)間段的SAR圖像做洪水變化檢測(cè)研究，如圖2和圖3所示：圖像場(chǎng)景1為淮河蒙洼至潁上段SAR圖像，數(shù)據(jù)獲取日期分別為2016年6月11日和2016年7月5日；圖像場(chǎng)景2為鄱陽(yáng)湖水域SAR圖像，數(shù)據(jù)獲取日期分別為2016年6月11日和2016年7月5日。其中圖2(c)和圖3(c)中藍(lán)色區(qū)域表示未變化水體，紅色區(qū)域?yàn)楹樗當(dāng)U張區(qū)域。為了更好地進(jìn)行算法的細(xì)節(jié)展示，文中分別選取典型區(qū)域A,B進(jìn)行算法各個(gè)步驟的分析。A區(qū)域的圖像尺寸為757×1390,B區(qū)域的圖像尺寸為2048×1536，如圖4所示。

表1 Sentinel-1A數(shù)據(jù)參數(shù)(干涉寬測(cè)繪帶模式)Tab. 1 Parameters of Sentinel-1A product (IW)

3.2 變化檢測(cè)步驟分析

通常情況下，使用局部平均似然比來(lái)獲取多時(shí)相SAR數(shù)據(jù)的變化差異圖，這種方法可以在一定程度上降低相干斑噪聲的影響。然而在HV極化方式下，有些植被區(qū)域的后向散射強(qiáng)度變化較明顯，因此會(huì)對(duì)洪水區(qū)域的變化產(chǎn)生干擾，如圖5(a)所示。與HV極化圖像相比，VV極化所獲取的似然比差異圖中，洪水區(qū)域和背景區(qū)域的區(qū)分比較清晰，如圖5(b)所示。針對(duì)多源數(shù)據(jù)，PCA被用來(lái)融合不同極化方式下獲取的似然比圖。相對(duì)于單一數(shù)據(jù)，該方法可以得到更可靠的數(shù)值，有利于后續(xù)同質(zhì)區(qū)域的劃分。由圖5中的數(shù)值可以看出，在經(jīng)過PCA融合后得到的圖像中，變化區(qū)域和不變區(qū)域之間的差值變大。

將最終得到的差異圖轉(zhuǎn)換為灰度圖，并計(jì)算得到其歸一化直方圖，如圖6(a)所示。根據(jù)公式(5)計(jì)算相鄰灰度值之間的比值，得到圖6(b)所示的比值曲線，選取首個(gè)小于1的點(diǎn)對(duì)應(yīng)的灰度級(jí)作為PBCD檢測(cè)的閾值。則PBCD提取的變化區(qū)域如圖6(c)所示。大部分變化區(qū)域都能提取出來(lái)，但是細(xì)節(jié)上有缺失。

3.3 變化檢測(cè)定量分析

為了進(jìn)一步驗(yàn)證算法的有效性，將本文算法與其他方法的檢測(cè)結(jié)果進(jìn)行對(duì)比。這些方法包括Lu等人提出的HCD法[8]，Li等人提出的基于兩級(jí)聚類的無(wú)監(jiān)督變化檢測(cè)法[21]，試差法(Try and error)[11]以及基于FCM的對(duì)象級(jí)變化檢測(cè)方法。其中文獻(xiàn)[21]的方法和試差法都是直接對(duì)變化差異圖進(jìn)行處理，而基于FCM的對(duì)象級(jí)變化檢測(cè)方法則先基于Gabor特征對(duì)變化前后的SAR圖像進(jìn)行分類，并對(duì)提取出水體分布做差值計(jì)算得到最終的變化結(jié)果。本文選取檢測(cè)率、虛警率、總誤差率和Kappa系數(shù)4個(gè)參量進(jìn)行性能評(píng)估，其中檢測(cè)率為正確檢測(cè)出的變化像素占總的變化像素的百分比；虛警率為被誤分為變化區(qū)域的背景像素占背景像素總數(shù)的百分比；總誤差率為誤檢像素與漏檢像素之和占總像素個(gè)數(shù)的百分比。

為了便于后續(xù)分析，圖7(a)和圖8(a)給出了手動(dòng)提取的洪水變化分布作為真實(shí)變化區(qū)域。由于變化差異圖的計(jì)算引入局部平均，因此圖像中部分細(xì)小變化丟失，因此直接對(duì)變化差異圖進(jìn)行處理，不能得到完整的變化信息，如圖7(d)、圖7(e)所示。而文獻(xiàn)[8]中的方法在圖像中存在局部封閉區(qū)域的情況下，檢測(cè)結(jié)果取決于種子點(diǎn)分布的均勻性，如圖7(c)所示，部分封閉區(qū)域因?yàn)闆]有種子點(diǎn)而被遺漏，影響了最終的檢測(cè)結(jié)果。從圖7(f)和圖8(f)可以看出，本文方法的檢測(cè)效果要優(yōu)于直接采用FCM進(jìn)行聚類的檢測(cè)效果。B區(qū)域場(chǎng)景較復(fù)雜，圖8所示的直觀對(duì)比效果有限，因此本文通過表2的變化檢測(cè)精度量化對(duì)比進(jìn)一步分析算法的有效性，針對(duì)B區(qū)域這樣的復(fù)雜場(chǎng)景，相比于直接由變化差異圖提取變化區(qū)域的方法，本文所提出的方法檢測(cè)率大幅提高，虛警率略高，總體誤差率較低，Kappa系數(shù)較高。

4 結(jié)論

表2 變化檢測(cè)精度對(duì)比分析Tab. 2 Quantitative evalutaions and comparison of change detection results

本文在算法級(jí)混合變化檢測(cè)的基礎(chǔ)上，提出綜合考慮像素級(jí)變化檢測(cè)與聚類中心之間關(guān)系的變化區(qū)域提取方法。通過初始變化區(qū)域提取結(jié)果分別估計(jì)FCM和NNC這兩種串聯(lián)分類方法的聚類中心，并分別對(duì)洪水發(fā)生前后的兩組SAR圖像進(jìn)行分類，將最終估計(jì)得到的水體區(qū)域做差值計(jì)算。通過對(duì)Sentinel-1A多時(shí)相雙極化SAR圖像變化檢測(cè)進(jìn)行驗(yàn)證，該方法的檢測(cè)率較高，總體誤差率相對(duì)較低，可以在雷達(dá)遙感圖像的洪水監(jiān)測(cè)中進(jìn)行應(yīng)用。

[1]Wang Y,Du L,and Dai H. Unsupervised SAR image change detection based on SIFT keypoints and region information[J].IEEE Geoscience and Remote Sensing Letters,2016,13(7): 931–935. DOI: 10.1109/LGRS.2016. 2554606.

[2]Addabbo A D,Refice A,Pasquariello G,et al.. A Bayesian network for flood detection combining SAR imagery and ancillary data[J].IEEE Transactions on Geoscience and Remote Sensing,2016,54(6): 3612–3625. DOI: 10.1109/TGRS.2016.2520487.

[3]Hussain M,Chen D,Cheng A,et al.. Change detection from remotely sensed images: From pixel-based to object-based approaches[J].ISPRS Journal of Photogrammetry and Remote Sensing,2013,80(2): 91–106. DOI: 10.1016/ j.isprsjprs.2013.03.006.

[4]Chen G,Hay G,Carvalho L M T,et al.. Object-based change detection[J].International Journal of Remote Sensing,2012,33(14): 4434–4457. DOI: 10.1080/01431161. 2011.648285.

[5]Ghofrani Z,Mokhtarzade M,Sahebi M R,et al.. Evaluating coverage changes in national parks using a hybrid change detection algorithm and remote sensing[J].Journal of Applied Remote Sensing,2014,8(1): 1–16. DOI: 10.1117/1.JRS.8. 083646.

[6]Huo C,Zhou Z,Lu H,et al.. Fast object-level change detection for VHR images[J].IEEE Geoscience and Remote Sensing Letters,2010,7(1): 118–122. DOI: 10.1109/LGRS. 2009.2028438.

[7]Hachicha S and Chaabane F. Comparison of change detection indicators in SAR images[C]. European Conference on Synthetic Aperture Radar,Aachen,Germany,2010: 109–112.

[8]Lu J,Li J,Chen G,et al.. Improving pixel-based change detection accuracy using an object-based approach in multitemporal SAR flood images[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2015,8(7): 3486–3496. DOI: 10.1109/JSTARS.2015. 2416635.

[9]Pulvirenti L,Chini M,Pierdicca N,et al.. Flood monitoring using multi-temporal COSMO-SkyMed data: Image segmentation and signature interpretation[J].Remote Sensing of Environment,2011,115(1): 990–1002. DOI: 10.1016/ j.rse.2010.12.002.

[10]Avendano J,Mora S F,Vera J E,et al.. Flood monitoring and change detection based on unsupervised image segmentation and fusion in multitemporal SAR imagery[C]. International Conference on Electrical Engineering,Computing Science and Automatic Control (CCE),Mexico,2015: 1–6. DOI: 10.1109/ICEEE.2015.7357982.

[11]Xiong B,Chen J M,and Kuang G. A change detection measure based on a likelihood ratio and the statistical properties of SAR intensity images[J].Remote Sensing Letters,2012,3(3): 267–275. DOI: 10.1080/01431161.2011. 572093.

[12]Lu J,Giustarini L,Xiong B,et al.. Automated flood detection with improved robustness and efficiency using multi-temporal SAR data[J].Remote Sensing Letters,2014,5(3): 240–248. DOI: 10.1080/2150704X.2014.898190.

[13]Schmitt M and Stilla U. Adaptive multilooking of airborne single-pass multi-baseline InSAR stacks[J].IEEE Transactions on Geoscience and Remote Sensing,2014,51(1): 305–312. DOI: 10.1109/TGRS.2013.2238947.

[14]浮瑤瑤,柳彬,張?jiān)鲚x,等. 基于詞包模型的高分辨SAR圖像變化檢測(cè)與分析[J]. 雷達(dá)學(xué)報(bào),2014,3(1): 101–110. DOI: 10.3724/SP.J.1300.2014.13134. Fu Yaoyao,Liu Bin,Zhang Zenghui,et al.. Change detection and analysis of high resolution synthetic aperture radar images based on bag-of-words model[J].Journal of Radars,2014,3(1): 101–110. DOI: 10.3724/SP.J.1300.2014. 13134.

[15]Celik T and Ma K K. Multitemporal image change detection using undecimated discrete wavelet transform and active contours[J].IEEE Transactions on Geoscience and Remote Sensing,2011,49(2): 706–716. DOI: 10.1109/TGRS. 2010.2066979.

[16]Salehi S,Valadan Z,and Mohammad J. Unsupervised change detection based on improved Markov random field technique using multichannel synthetic aperture radar images[J].Journal of Applied Remote Sensing,2014,8(1): 5230–5237. DOI: 10.1117/1.JRS.8.083591.

[17]安成錦,牛照東,李志軍,等. 典型Otsu算法閾值比較及其SAR圖像水域分割性能分析[J]. 電子與信息學(xué)報(bào),2010,32(9): 2215–2219. DOI: 10.3724/SP.J.1146.2009.01426. An Chengjin,Niu Zhaodong,Li Zhijun,et al.. Otsu threshold comparison and SAR water segmentation result analysis[J].Journal of Electronics&Information Technology,2010,32(9): 2215–2219. DOI: 10.3724/SP.J.1146. 2009.01426.

[18]Liu Z L,Li N,WANG R,et al.. A novel region-merging approach for coastline extraction from Sentinel-1A IW mode SAR imagery[J].IEEE Geoscience and Remote Sensing Letters,2016,13(3): 324–328. DOI: 10.1109/LGRS.2015. 2510745.

[19]Sheng G F,Yang W,Deng X P,et al.. Coastline detection in synthetic aperture radar (SAR) images by integrating watershed transformation and controllable gradient vector flow (GVF) snake model[J].IEEE Journal of Oceanic Engineering,2012,37(3): 375–383. DOI: 10.1109/JOE.2012. 2191998.

[20]張慧哲,王堅(jiān). 基于初始聚類中心選取的改進(jìn)FCM聚類算法[J]. 計(jì)算機(jī)科學(xué),2009,36(6): 206–209. DOI: 10.3969/j.issn. 1002–137X.2009.06.055. Zhang Huizhe and Wang Jian. Improved fuzzy C means clustering algorithm based on selecting initial clustering centers[J].Computer Science,2009,36(6): 206–209. DOI: 10.3969/j.issn.1002–137X.2009.06.055.

[21]Li H C,Celik T,Longbotham N,et al.. Gabor feature based unsupervised change detection of multitemporal SAR images based on two-level clustering[J].IEEE Geoscience and Remote Sensing Letters,2015,12(12): 2458–2462. DOI: 10.1109/LGRS.2015.2484220.

冷 英(1987–)，女，遼寧人，博士研究生，研究方向?yàn)镾AR圖像信息提取。

E-mail: sarallyy@126.com

李 寧(1987–)，男，安徽人，博士，中科院電子學(xué)研究所助理研究員，研究方向?yàn)槎嗄Ｊ胶铣煽讖嚼走_(dá)成像及其應(yīng)用技術(shù)研究。

E-mail: lining_nuaa@163.com

Improved Change Detection Method for Flood Monitoring

Leng Ying①②Li Ning①
①(Institute of Electronics,Chinese Academy of Sciences,Beijing100190,China)
②(University of Chinese Academy of Sciences,Beijing100190,China)

An improved Hybrid Change Detection (HCD) method is proposed for multi-temporal Synthetic Aperture Radar (SAR) images. Firstly,a Pixel-Based Change Detection (PBCD) method is used to extract the initial change area,and the initial cluster center is estimated based on its results. Then,Fuzzy Clustering Method (FCM) is used to get three clusters,which including water,background,and the intermediate area. The Nearest Neighbor Clustering (NNC) is adopted as the second-level clustering to divide the pixels belonging to the intermediate area into water and background respectively,afterwards merge all pixels belonging to water. Finally,the difference map of flood region in the time series images is calculated to get the final change detection result. The algorithm is validated by the Sentinel-1A data obtained from Huaihe River and Poyang Lake. The results show that our proposed method can achieve better correctness and has lower total error compared to other methods.

Change detection; Synthetic Aperture Radar (SAR); Fuzzy Clustering Method (FCM); Hybrid Change Detection (HCD); Sentinel-1A

TP753

A

2095-283X(2017)02-0204-09

10.12000/JR16139

冷英,李寧. 一種改進(jìn)的變化檢測(cè)方法及其在洪水監(jiān)測(cè)中的應(yīng)用[J]. 雷達(dá)學(xué)報(bào),2017,6(2): 204–212.

10.12000/JR16139.

Reference format:Leng Ying and Li Ning. Improved change detection method for flood monitoring[J].Journal of Radars,2017,6(2): 204–212. DOI: 10.12000/JR16139.

2016-12-05；改回日期：2017-02-16；

2017-03-21

*通信作者： 李寧 lining_nuaa@163.com

國(guó)家自然科學(xué)基金優(yōu)秀青年基金(61422113)

Foundation Item: The National Natural Science Foundation for Excellent Young Scholars (61422113)