魏立飛，牟紫微，王曉燕，李丹丹

(1. 湖北大學(xué)資源環(huán)境學(xué)院，湖北 武漢 430062； 2. 區(qū)域開(kāi)發(fā)與環(huán)境響應(yīng)湖北省重點(diǎn)實(shí)驗(yàn)室, 湖北 武漢 430062； 3. 華中師范大學(xué)城市與環(huán)境科學(xué)學(xué)院，湖北 武漢 430079； 4. 農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100081)

基于CRF模型的高分辨率遙感影像變化檢測(cè)

魏立飛1,2，牟紫微1,2，王曉燕3，李丹丹4

(1. 湖北大學(xué)資源環(huán)境學(xué)院，湖北 武漢 430062； 2. 區(qū)域開(kāi)發(fā)與環(huán)境響應(yīng)湖北省重點(diǎn)實(shí)驗(yàn)室, 湖北 武漢 430062； 3. 華中師范大學(xué)城市與環(huán)境科學(xué)學(xué)院，湖北 武漢 430079； 4. 農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100081)

針對(duì)傳統(tǒng)高分辨率遙感影像變化檢測(cè)方法大多直接利用光譜信息進(jìn)行計(jì)算，導(dǎo)致檢測(cè)精度不高的缺陷，提出了一種基于條件隨機(jī)場(chǎng)模型(CRF)的高分辨率遙感影像變化檢測(cè)方法。該方法利用CRF模型融合差值影像的光譜項(xiàng)和空間項(xiàng)，在融合過(guò)程中，引入EM迭代策略不斷更新影像檢測(cè)結(jié)果，提高變化檢測(cè)精度。試驗(yàn)結(jié)果表明，本文方法的分類精度好于傳統(tǒng)方法，并且穩(wěn)定性良好。

高分辨率遙感影像；變化檢測(cè)；CRF模型；迭代計(jì)算

Abstract： For the traditional high resolution remote sensing image change detection methods mostly using spectral information to calculate directly,thus the accuracy of the detection result is not high,this paper proposes a high resolution remote sensing image change detection method based on conditional random field model(CRF).The method fuses the spectrum and space of difference image with CRF model,in the process of fusion,introducing the EM iterative strategy constantly updated the detection result,improve the change detection accuracy.The experimental results show that the classification accuracy of this method proposed in this paper is better than the traditional method,and having good stability.

Keywords： high resolution remote sensing image,change detection,CRF model,Iterative calculation

高分辨率遙感影像具有豐富的地物細(xì)節(jié)信息，成為主要的對(duì)地觀測(cè)信息源[1-2]。利用變化檢測(cè)技術(shù)從影像上提取目標(biāo)的變化信息，已廣泛應(yīng)用于植被調(diào)查、環(huán)境監(jiān)測(cè)、土地利用評(píng)估、農(nóng)業(yè)遙感等領(lǐng)域[3-5]。

由于高分辨率遙感影像光譜信息有限，影像上同類地物的光譜差異增大，而不同地物的光譜差異減小[6-8]。因此，傳統(tǒng)高分辨率遙感影像變化檢測(cè)方法僅利用光譜項(xiàng)特征進(jìn)行計(jì)算，無(wú)法有效兼顧影像的空間項(xiàng)特征，影像會(huì)出現(xiàn)變化信息誤檢和漏檢的情況，導(dǎo)致最終的檢測(cè)精度不足[9-11]。

針對(duì)上述情況，本文提出一種基于CRF(condition random field)模型的高分辨率遙感影像變化檢測(cè)方法。該方法利用CRF模型對(duì)變化前后差值影像的光譜項(xiàng)和空間項(xiàng)進(jìn)行迭代融合，在融合過(guò)程中，利用EM算法迭代策略不斷更新影像檢測(cè)結(jié)果，得到最終的變化信息。

1 變化檢測(cè)模型

1.1 影像的光譜項(xiàng)和空間項(xiàng)

本文變化檢測(cè)算法同時(shí)兼顧了影像的光譜項(xiàng)特征和空間項(xiàng)特征。算法假設(shè)變化數(shù)據(jù)服從高斯分布模型，則光譜項(xiàng)采用基于變化向量的高斯分布模型。為了獲得更準(zhǔn)確的變化檢測(cè)結(jié)果，本文在利用影像的光譜項(xiàng)特征的基礎(chǔ)上，結(jié)合了影像的空間項(xiàng)特征，同時(shí)，為了兼顧數(shù)據(jù)中光譜間的上下文信息，本文發(fā)展了一種基于馬氏邊界約束模型作為空間項(xiàng)，具體如下

(1)

1.2CRF模型

CRF模型是用來(lái)標(biāo)記和切分序列化數(shù)據(jù)的統(tǒng)計(jì)模型，構(gòu)建的是在給定待標(biāo)記的觀察序列的條件下，整個(gè)標(biāo)記序列的聯(lián)合概率分布模型[12-13]。即隨機(jī)變量V=X∪Y的概率分布，其中隨機(jī)變量Y表示需要標(biāo)記的觀察序列集，此時(shí)隨機(jī)變量X為相應(yīng)地表示標(biāo)記序列集。在觀察場(chǎng)Y的條件下，隨機(jī)變量xi服從馬爾科夫性質(zhì)，就可以把x,y表示為條件隨機(jī)場(chǎng)。

本文利用CRF模型融合差值影像變化光譜項(xiàng)特征和空間項(xiàng)特征之前，需要估計(jì)該向量的標(biāo)注信息，本文采用Hammersley-Clifford定理，在觀察場(chǎng)Y的條件下標(biāo)記場(chǎng)X的后驗(yàn)概率可表達(dá)為

(2)

式中，Zy=∑xexp∑c∈Cφcxc,y表示歸一化函數(shù)；φcxc,y表示勢(shì)團(tuán)c上的勢(shì)函數(shù)。

(3)

式中，L(θ)為對(duì)數(shù)似然標(biāo)準(zhǔn)函數(shù)；x(m)和y(m)為M組訓(xùn)練數(shù)據(jù)；θ為模型參數(shù)組。

在完善模型的過(guò)程中，本文將差值影像進(jìn)行分組，一部分作為訓(xùn)練集,另一部分作為驗(yàn)證集。用訓(xùn)練集對(duì)分類器進(jìn)行訓(xùn)練,利用驗(yàn)證集來(lái)測(cè)試訓(xùn)練得到的模型，得到理想的訓(xùn)練結(jié)果。同時(shí)，在整個(gè)訓(xùn)練過(guò)程中，需要對(duì)影像中的樣本進(jìn)行測(cè)試。由于CRF模型構(gòu)建的是一個(gè)全局后驗(yàn)概率，本文采用條件迭代算法進(jìn)行模型最優(yōu)化推理，每一次迭代都會(huì)改變圖像某些位置集合的值，從而獲得一個(gè)局部MAP估計(jì)結(jié)果。

假設(shè)當(dāng)前需要更新為位置i處的第k次迭代的標(biāo)記值，具體步驟如下：

(2) 更新λ使得局部條件概率值最大，即

從上面步驟可知，條件迭代算法只需要計(jì)算局部條件能量，因此計(jì)算時(shí)間代價(jià)小，具有收斂速度快的優(yōu)點(diǎn)。

1.3 基于CRF模型的變化檢測(cè)模型

本文提出的變化檢測(cè)模型中，CRF模型的能量函數(shù)由光譜項(xiàng)和空間項(xiàng)構(gòu)成，具體如下

Uxiy=φixiy+∑j∈?iξijxi,xjy

(4)

式中，Uxiy是CRF模型能量函數(shù)；φixiy是光譜項(xiàng)；xi,xjy是空間項(xiàng)。

本文提出的變化檢測(cè)模型所涉及的參數(shù)較多，準(zhǔn)確的參數(shù)確定十分困難。針對(duì)這一問(wèn)題，本文在CRF模型上加入EM迭代策略，根據(jù)當(dāng)前檢測(cè)結(jié)果對(duì)模型參數(shù)進(jìn)行更新。

EM迭代過(guò)程中結(jié)合了考慮空間信息的CRF模型，故不僅能夠有效去除虛警點(diǎn)，而且能夠使估計(jì)的模型參數(shù)更接近于變化數(shù)據(jù)分布，進(jìn)一步得到準(zhǔn)確的變化檢測(cè)結(jié)果。其具體實(shí)現(xiàn)步驟如下：

(1) 基于影像光譜變化數(shù)據(jù)，采用EM算法初始化變化圖，估計(jì)模型參數(shù)。

(2) 根據(jù)當(dāng)前的模型參數(shù)，計(jì)算CRF模型Uxiy的檢測(cè)結(jié)果，獲得概率值p。

(3) 根據(jù)新的變化檢測(cè)結(jié)果更新模型參數(shù)，獲得最終的變化檢測(cè)結(jié)果。具體算法流程如圖1所示。

圖1 本文算法流程

2 試驗(yàn)與分析

本文試驗(yàn)數(shù)據(jù)采用武漢大學(xué)區(qū)域的QuickBird高分辨率遙感影像，影像大小為300×300像素，其成像時(shí)間分別為2002年和2005年，如圖2(a)和圖2(b)所示，圖2(c)為真實(shí)變化影像，其中，白色區(qū)域代表的是變化區(qū)域，樣本數(shù)為8094，黑色區(qū)域代表的是非變化區(qū)域，樣本數(shù)為81 906。

2.1 變化結(jié)果分析

為了驗(yàn)證本文提出的算法，將MAD-KI算法、EM算法、PCA算法的變化結(jié)果與本文算法的變化檢測(cè)結(jié)果進(jìn)行比較，圖3(a)、(b)、(c)分別是經(jīng)過(guò)MAD-KI算法、EM算法、PCA算法計(jì)算后得到的變化檢測(cè)結(jié)果，圖3(d)是本文算法計(jì)算所得的變化檢測(cè)結(jié)果，其中白色的為變化部分。

圖2 原始數(shù)據(jù)及真實(shí)變化影像

圖3 4種方法的變化檢測(cè)效果

對(duì)圖3結(jié)果進(jìn)行目視分析，圖3(a)中不僅有變化區(qū)域，同時(shí)也存在大量的非變化區(qū)域和椒鹽檢測(cè)點(diǎn)。出現(xiàn)這一現(xiàn)象的主要原因是在進(jìn)行空間變換后，變化信息沒(méi)有得到集中。EM算法能自適應(yīng)地更新區(qū)分變化和非變化區(qū)域，但該算法沒(méi)有納入空間信息考量，故其變化檢測(cè)效果會(huì)存在一定程度的遺漏，圖3(b)中的結(jié)果很明顯就漏檢了影像中部的操場(chǎng)。PCA算法導(dǎo)致影像失去了原來(lái)的光譜特性，對(duì)地物的解譯往只能依賴其幾何、紋理信息，其結(jié)果在一定程度上會(huì)出現(xiàn)漏檢和誤檢。從圖3(c)可知，PCA算法的檢測(cè)結(jié)果可以檢測(cè)出比EM算法更多的變化區(qū)域，也把很多非變化區(qū)域錯(cuò)檢出來(lái)。本文算法結(jié)合CRF模型和EM策略，在迭代更新模型參數(shù)的同時(shí)，結(jié)合CRF模型兼顧了影像的空間信息，使得檢測(cè)結(jié)果最接近真實(shí)情況。

2.2 變化精度定量分析

為了更直觀和定量化評(píng)價(jià)，本文采用錯(cuò)分?jǐn)?shù)目、漏分?jǐn)?shù)目、整體錯(cuò)誤和OA評(píng)價(jià)指標(biāo)對(duì)結(jié)果進(jìn)行定量評(píng)價(jià)，結(jié)果見(jiàn)表1。

表1 4種檢測(cè)算法的精度比較

從表1可以看出，本文提出的算法整體錯(cuò)誤最少(6231)，相比于MAD-KI算法、EM算法和有了顯著的提升，其OA精度高達(dá)93.07%，高于MAD-KI算法的76.19%、EM算法的88.36%及PCA算法的86.18%。本文算法的錯(cuò)檢數(shù)目是所有算法中最少的，漏檢數(shù)目在所有算法中僅次于MAD-KI算法。同時(shí)，從表1還可以知道，MAD-KI算法的漏檢數(shù)目最少(1017)，說(shuō)明該算法能識(shí)別大部分變化區(qū)域，但也將很多非變化區(qū)域識(shí)別為變化區(qū)域，導(dǎo)致錯(cuò)檢數(shù)目巨大，導(dǎo)致該算法精度在所有算法中最低。

3 結(jié) 語(yǔ)

本文提出了一種基于CRF模型的高分辨率遙感影像變化檢測(cè)方法。該方法利用CRF模型融合差值影像的光譜項(xiàng)特征和空間項(xiàng)特征，同時(shí)引入EM迭代策略不斷更新影像檢測(cè)結(jié)果，從而提高變化檢測(cè)精度。試驗(yàn)結(jié)果表明，本文方法在檢測(cè)精度上優(yōu)于傳統(tǒng)方法，可以有效地檢測(cè)出更完整的變化信息，適用于土地利用評(píng)估、城市擴(kuò)張分析等領(lǐng)域。

[1] 陶超,譚毅華，蔡華杰，等.面向?qū)ο蟮母叻直媛蔬b感影像城區(qū)建筑物分級(jí)提取方法[J].測(cè)繪學(xué)報(bào),2010,39(1):39-45.

[2] 孫顯,付琨.高分辨率遙感圖像理解[M].北京:科學(xué)出版社,2011.

[3] 李亮,舒寧，王凱，等.融合多特征的遙感影像變化檢測(cè)方法[J].測(cè)繪學(xué)報(bào),2014,43(9):945-953.

[4] 黃世奇,劉代志,胡明星，等.基于小波變換的多時(shí)相SAR圖像變化檢測(cè)技術(shù)[J]．測(cè)繪學(xué)報(bào),2010,39(2):180-186.

[5] 鐘家強(qiáng),王潤(rùn)生.基于自適應(yīng)參數(shù)估計(jì)的多時(shí)相遙感圖像變化檢測(cè)[J].測(cè)繪學(xué)報(bào),2005,34(4):331-336.

[6] 劉大偉,韓玲,韓曉勇.基于深度學(xué)習(xí)的高分辨率遙感影像分類研究[J].光學(xué)學(xué)報(bào),2016,36(4):298-306.

[7] 黃昕,張良培.基于光譜變化與融合的IKONOS多光譜影像分類[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2007,32(6):502-505.

[8] MYINT S W,LAM N,TYLOR J.An Evaluation of Four Different Wavelet Decomposition Procedures for Spatial Feature Discrimination within and around Urban Areas[J].Transactions in GIS,2002,6(4):403-429.

[9] INGLADA J.Automatic Recognition of Man-made Objects in High Resolution Optical Remote Sensing Images by SVM Classification of Geometric Image Features[J].ISPRS Journal of Photogrammetry and Remote Sensing,2011,62(62):236-248.

[10] ZHONG Y,LIU W,ZHAO J.Change Detection Based on Pulse-Coupled Neural Networks and the NMI Feature for High Spatial Resolution Remote Sensing Imagery[J].IEEE Geoscience and Remote Sensing Letters,2015,12(3):537-541.

[11] 申邵洪,賴祖龍，萬(wàn)幼川.基于融合的高分辨率遙感影像變化檢測(cè)[J].測(cè)繪通報(bào),2009(3):16-19.

[12] ZHONG P,WANG R S.Modeling and Classifying Hyperspectral Imagery by CRFs with Sparse Higher Order Potentials[J].IEEE Transactions on Geoscience and Remote Sensing,2011,49(2):688-705.

[13] 何楚，石博，蔣厚軍，等.條件隨機(jī)場(chǎng)的多極化InSAR聯(lián)合相位解纏算法[J].測(cè)繪學(xué)報(bào),2013,42(6):838-845.

ChangeDetectionofHighResolutionRemoteSensingImageBasedonCRFModel

WEI Lifei1,2,MOU Ziwei1,2,WANG Xiaoyan3,LI Dandan4

(1. Faculty of Resources and Environmental Science，Hubei University,Wuhan 430062，China; 2. Hubei Key Laboratory of Regional Development and Environmental Response,Wuhan 430062，China; 3. The College of Urban & Environmental Sciences，Central China Normal University,Wuhan 430079，China; 4. Key Laboratory of Agri-informatics,Ministry of Agriculture,P.R.China，Beijing 100081，China)

P237

A

0494-0911(2017)09-0028-04

2017-01-05;

2017-04-25

國(guó)家自然科學(xué)基金(61201341)；干旱氣象科學(xué)研究基金(IAM201512)；數(shù)字制圖與國(guó)土信息應(yīng)用工程國(guó)家測(cè)繪地理信息局重點(diǎn)實(shí)驗(yàn)室開(kāi)放研究基金(GCWD201407)；安徽省智慧城市與地理國(guó)情監(jiān)測(cè)重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金(2016-K-02Z)

魏立飛(1979—)，男，博士，講師，主要研究方向?yàn)槌鞘羞b感及遙感影像智能化處理。E-mail：weilifeihb@163.com

魏立飛，牟紫微，王曉燕，等.基于CRF模型的高分辨率遙感影像變化檢測(cè)[J].測(cè)繪通報(bào)，2017(9)：28-31.

10.13474/j.cnki.11-2246.2017.0281.