余銀峰，祝美玲

(1.新疆大學(xué)信息科學(xué)與工程學(xué)院，新疆 烏魯木齊 830046；2.烏魯木齊市第59中學(xué)，新疆 烏魯木齊 830002；)

遙感影像變化檢測技術(shù)被廣泛地應(yīng)用在環(huán)境監(jiān)測、土地使用、農(nóng)業(yè)規(guī)劃、森林監(jiān)測以及洪澇災(zāi)害監(jiān)測等方面[1].在眾多不同的遙感影像數(shù)據(jù)來源中，合成孔徑雷達(dá)數(shù)據(jù)因?yàn)楹铣煽讖嚼走_(dá)傳感器獨(dú)立于大氣和陽光條件而成為最理想的用于分析地物變化檢測的數(shù)據(jù)來源.比如在暴雨季節(jié)發(fā)生洪澇災(zāi)害時(shí)，合成孔徑雷達(dá)數(shù)據(jù)可以很好地用于土地淹沒變化監(jiān)測，而光學(xué)傳感器獲得的數(shù)據(jù)卻無能為力.與此同時(shí)，隨著對地觀測項(xiàng)目的不斷發(fā)展與推進(jìn)，越來越多的合成孔徑雷達(dá)能夠在越來越短的時(shí)間間隔里對同一地區(qū)的地物進(jìn)行監(jiān)測.因此合成孔徑雷達(dá)影像的變化檢測引起越來越多的學(xué)者關(guān)注.

可是，合成孔徑雷達(dá)影像由于存在斑點(diǎn)噪聲導(dǎo)致合成孔徑雷達(dá)影像的變化檢測較其它方法困難.迫切需要推出準(zhǔn)確率更高和抗斑點(diǎn)噪聲能力更強(qiáng)的算法.很多學(xué)者在這方面做出過大量的研究工作，也取得了很多成果.這些研究可以分為有監(jiān)督的[2]和無監(jiān)督的（模糊C均值聚類法[3]）.在無監(jiān)督合成孔徑雷達(dá)影像的變化檢測研究中，一些學(xué)者通過多級極限學(xué)習(xí)機(jī)來對空間鄰域信息建模從而完成多時(shí)相SAR影像變化檢測[4,5].這些已有方法致力于構(gòu)建一個(gè)抗斑點(diǎn)噪聲的分類模型來對差值圖像進(jìn)行分析，但生成差值圖像會受到斑點(diǎn)噪聲的影響.降低生成差值圖像里的斑點(diǎn)噪聲含量和選擇更好的分類器有望改善變化檢測的結(jié)果.

針對傳統(tǒng)的遙感影像變化檢測算法無法同時(shí)降低虛警和漏警數(shù)量，不能同時(shí)確保高準(zhǔn)確率和抗斑點(diǎn)噪聲能力的現(xiàn)狀，設(shè)計(jì)了一種新的基于曲波變換和自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)相結(jié)合的遙感影像變化檢測算法.該算法同時(shí)考慮了兩個(gè)問題：（1）降低差值圖像中的斑點(diǎn)噪聲的含量，即采用曲波變換(Curvelet Transform，簡稱CT)與曲波逆變換降低差值圖像中的斑點(diǎn)噪聲的含量，曲波變換由于多尺度、多方向分解所具有的旋轉(zhuǎn)、平移、尺度不變性而在圖像方面的應(yīng)用非常廣泛，如基于曲波變換的圖像去噪[6?8]、基于曲波變換的影像增強(qiáng)[9,10]、基于曲波變換的圖像融合[11?13]；（2）對變化區(qū)域進(jìn)行分類的分類器要好，即采用閾值自適應(yīng)的脈沖耦合神經(jīng)網(wǎng)絡(luò)（Adaptive Pulse Coupled Neural Network，簡稱APCNN）這個(gè)分類器[14,15].近年來，關(guān)于曲波變換和自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)的研究和應(yīng)用很多，比如基于曲波變換和適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像融合[16]，但是基于曲波變換和適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)的SAR影像變化檢測尚未見報(bào)導(dǎo).本文提出了一種基于曲波變換和自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)無監(jiān)督的、不同時(shí)相的遙感影像的像素級變化檢測新算法.將本文算法與比較算法對比，結(jié)果顯示了本文算法具有更高的抗噪能力和檢測精確度.

1 理論模型和實(shí)現(xiàn)算法

本文首次將Curvelet變換與自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)結(jié)合在一起解決遙感影像的變化檢測問題.首先采用曲波變換與曲波逆變換降低兩幅輸入圖像中的斑點(diǎn)噪聲的含量，將兩幅輸入圖像分別變換到頻域，由于曲波變換在圖像被旋轉(zhuǎn)、被平移時(shí)具有尺度不變的特點(diǎn)，因此，采用曲波變換能夠使兩幅輸入圖像在變換到頻域時(shí)保持各自尺度不變，保持了兩幅輸入圖像各尺度的頻域信息的準(zhǔn)確性.在將輸入圖像變換到頻域后，就可以獲得多個(gè)能量系數(shù)集，這里的多個(gè)能量系數(shù)集的尺度各不相同，方向也各不相同.對每個(gè)能量系數(shù)集進(jìn)行噪聲估計(jì)，得到每個(gè)能量系數(shù)集的噪聲方差.由于不同尺度的能量系數(shù)集的噪聲方差有所差異，根據(jù)每個(gè)尺度的能量系數(shù)集的噪聲方差，對噪聲方差對應(yīng)尺度的能量系數(shù)集進(jìn)行去噪，能夠找回被誤當(dāng)作噪聲而刪除的點(diǎn)，避免一刀切的情況，即避免采用同一噪聲方差將真正變化的點(diǎn)當(dāng)作噪聲而刪除的情況，能夠有效地降低變化檢測結(jié)果的漏警數(shù)量，進(jìn)而提高變化檢測結(jié)果的準(zhǔn)確性.經(jīng)過去噪處理之后進(jìn)行曲波逆變換就得到降噪之后的兩幅輸入圖像.緊接著對濾波之后的圖像進(jìn)行對數(shù)比運(yùn)算獲得對數(shù)比圖像.然后利用自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)將對數(shù)比圖像進(jìn)行變化類與未變化類的分類，得到像素級的變化區(qū)域的檢測圖.同時(shí)，自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)還具有去噪的功能，能夠再次對對數(shù)比圖像進(jìn)行去噪，提高方法的抗噪性能，提高對對數(shù)比圖像進(jìn)行二分類的準(zhǔn)確性.

本文算法流程如圖1所示，算法的具體實(shí)現(xiàn)步驟如下：

圖1 算法框架圖Fig 1 The architecture of the proposed algorithm

1）對一幅圖像X進(jìn)行多尺度多方向?yàn)V波CurveletDenoise.

①圖像Curvelet變換.

其中，這里的曲波變換和公式（6）中的曲波逆變換在很多文獻(xiàn)中都有描述，這里采用的是CurveLab Toolbox（Version 2.1.3）中的函數(shù).

②產(chǎn)生相同尺寸的隨機(jī)圖像，

③隨機(jī)圖像Curvelet變換，

④噪聲估計(jì)，

⑤局部濾波，

⑥Curvelet逆變換，

2)對不同時(shí)相的兩幅輸入圖像I1和I2同時(shí)進(jìn)行多尺度多方向?yàn)V波Curvelet Denoise，

3)對濾波之后的圖像獲得對數(shù)比圖像，

4)用自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)對對數(shù)比圖像進(jìn)行2類分類，從而得到最終的變化檢測結(jié)果，

2 實(shí)驗(yàn)結(jié)果

2.1 數(shù)據(jù)集

用兩組SAR影像進(jìn)行對比實(shí)驗(yàn)測試本文算法的性能.第一組的時(shí)相1和時(shí)相2的遙感影像分別是1997年5月和1997年8月獲取的，地點(diǎn)是渥太華，如圖2（a1）、圖2（a2）所示.第二組的時(shí)相1和時(shí)相2的遙感影像分別是1996年8月24日和1999年8月14日獲取的，地點(diǎn)是越南紅河，如圖3（a1）、圖3（a2）所示.圖2（a3）、圖3（a3）分別是渥太華地區(qū)和越南紅河地區(qū)的地面真實(shí)情況變化圖.每組影像裁切成256×256的大小.

圖2 渥太華地區(qū)(a1)時(shí)相1；(a2)時(shí)相2；(a3)地面變化實(shí)況圖Fig 2 Ottawa (a1) t1; (a2) t2; (a3) Ground truth

圖3 越南紅河(a1)時(shí)相1；(a2)時(shí)相2；(a3)地面變化實(shí)況圖Fig 3 Vietnam Red River (a1) t1; (a2) t2; (a3) Ground truth

2.2 變化檢測圖肉眼定性比較

圖4 渥太華地區(qū)檢測結(jié)果圖Fig 4 Change detection map of Ottawa (a1)PCANet；(a2)NR-ELM；(a3) FDA-RMG；(a4) Proposed

圖5 越南紅河地區(qū)檢測結(jié)果圖Fig 5 Change detection map of Vietnam Red River (a1)PCANet；(a2)NR-ELM；(a3) FDA-RMG；(a4) Proposed

比較算法是PCANet[17]、NR-ELM[5]和FDA-RMG[18]，本文所提算法簡稱為CT-APCNN.

首先進(jìn)行肉眼定性比較.圖4(a1)、圖4(a2)、圖4(a3)和圖4(a4)分別是PCANet、NR-ELM、FDA-RMG和CTAPCNN四大算法在渥太華地區(qū)的算法結(jié)果圖.圖5(a1)、圖5(a2)、圖5(a3) 和圖5(a4) 分別是PCANet、NRELM、FDA-RMG和CT-APCNN四大算法在越南紅河地區(qū)的算法結(jié)果圖.圖4(a4)的噪聲點(diǎn)比圖4(a1)、圖4(a3)略少，比圖4(a2)少得多.圖5(a4)的噪聲點(diǎn)比圖5(a1)、圖5(a2)略少，比圖5(a3)少得多.

2.3 抗噪能力定量比較

選擇抗噪能力[19]定量比較算法性能.對于一幅大小為H×W的輸入圖像I，添加高斯噪聲或者斑點(diǎn)噪聲得到圖像In，那么這兩幅圖像的峰值信噪比定義為：

算法的抗噪性能是用來描述加入噪聲前后導(dǎo)致檢測結(jié)果發(fā)生變化的程度，變化程度越小，算法越穩(wěn)定，說明算法的抗噪性能越好.對于不同時(shí)相的兩幅大小均為H×W的輸入遙感影像I1和I2，對I1（也可以對I2）添加一定程度的某種噪聲得到In1.輸入I1和I2，得到?jīng)]有添加噪聲的檢測結(jié)果CM；輸入In1和I2，得到同一算法添加噪聲的檢測結(jié)果CMn.該算法的抗噪性能可由下式計(jì)算得出[19]：

由圖6可知，斑點(diǎn)噪聲在PSNR∈[31,56]dB 的范圍內(nèi)，本文算法的抗噪性能比PCANet、FDA-RMG略高，比NR-ELM高；由圖7可知，高斯噪聲在PSNR∈[35,50]dB 的范圍內(nèi)，本文算法的抗噪性能比PCANet、FDARMG略高，比NR-ELM高.

圖6 不同程度斑點(diǎn)噪聲的抗噪性能比較圖Fig 6 Comparisons of anti-speckle noise ability

圖7 不同程度高斯噪聲的抗噪性能比較圖Fig 7 Comparisons of anti-Gaussian noise ability

2.4 Kappa系數(shù)、召回率和F1定量比較

不同時(shí)相的兩幅大小均為H×W的輸入遙感影像I1和I2，算法的檢測結(jié)果為CM，地面變化參考圖是GT.

在CM中為1而在GT中為0的就是虛警，記作FP.在CM中為0而在GT中為1的就是漏警，記作FN.在CM中為1在GT中也為1的就是正確檢測出了變化類的，記作TP.在CM中為0在GT中也為0的就是正確檢測出了未變化類的，記作TN.

本文這部分將用以下三個(gè)變化檢測算法性能的定量比較指標(biāo)：1）Kappa系數(shù)KC[5]值越大算法性能越好；2）召回率Recall值越大算法性能越好；3）F1值越大算法性能越好.

實(shí)驗(yàn)結(jié)果如表1所示.

表1 算法性能的定量比較Tab 1 Quantitative comparison of algorithm performance

從實(shí)驗(yàn)結(jié)果可以看出，本文算法的OE最小.與PCANet[17]、NR-ELM[5]和FDA-RM[18][10]算法相比，本文算法的KC指標(biāo)至少高出0.58個(gè)百分點(diǎn)，Recall指標(biāo)至少高出4.28個(gè)百分點(diǎn)，F(xiàn)1指標(biāo)至少高出0.74個(gè)百分點(diǎn).

3 實(shí)驗(yàn)分析

由圖4、圖5及表1綜合可知，本文所提算法的檢測精度比PCANet、FDA-RMG略高，比NR-ELM高.由圖6和圖7知，無論是高斯噪聲還是斑點(diǎn)噪聲，在PSNR∈[35,50]dB 的范圍內(nèi)，本文算法的抗噪性能比PCANet、FDARMG略高，比NR-ELM高.

采用曲波變換與曲波逆變換首先降低了差值圖像中斑點(diǎn)噪聲的含量.由于充分借助曲波變換的多尺度多方向的分解并對分解系數(shù)進(jìn)行濾波，這樣的分解促使濾波具有旋轉(zhuǎn)、平移、尺度不變性，有效地降低了漏警數(shù)量.自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)具有閾值自動確定的特點(diǎn)，有效地提高了算法的準(zhǔn)確率和抗噪性能.本文算法充分將曲波變換的多尺度、多方向和自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)的優(yōu)勢結(jié)合在一起，使得本文算法比比較算法的抗噪性能和檢測準(zhǔn)確度更高.

4 結(jié)語

把曲波變換和自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)相結(jié)合，并把它應(yīng)用于遙感影像的變換檢測的方法是一種無監(jiān)督的像素級的變化檢測新算法.無論是從定性的視覺角度，還是從Kappa系數(shù)、召回率和F1這三項(xiàng)定量指標(biāo)，與PCANet、NR-ELM和FDA-RMG算法相比，本文算法的檢測精度均高于比較算法.與此同時(shí)，從抗噪性能這一量化指標(biāo)來說，本文算法相比比較算法抗噪能力更強(qiáng).

本文算法屬于無監(jiān)督算法，基于有監(jiān)督的遙感影像變化檢測是下一步工作的方向.本文研究對象是遙感影像，將研究對象擴(kuò)展到高光譜圖像領(lǐng)域，將是下一步工作的另一個(gè)方向.