季欣然,黃亮,2,陳朋弟

(1.昆明理工大學(xué) 國土資源工程學(xué)院,昆明 650093;2. 云南省高校高原山區(qū)空間信息測繪技術(shù)應(yīng)用工程研究中心,昆明 650093)

0 引 言

人類活動和自然界地表生態(tài)演變給全球地表覆蓋帶來了極大變化,實(shí)時準(zhǔn)確地獲取這些變化信息對研究社會發(fā)展現(xiàn)狀、管理自然資源以及人與自然之間的交互作用有著重要意義[1-4]. 但如何高效實(shí)時地監(jiān)測這些動態(tài)變化信息、精確分析這些動態(tài)變化的特點(diǎn)及原因,成為了資源環(huán)境管理保護(hù)部門急切需要解決的重點(diǎn)問題之一. 遙感影像變化檢測技術(shù)就是對這些動態(tài)變化信息進(jìn)行監(jiān)測、獲取、分析以及研究的一種非常有效的辦法[5]. 但數(shù)據(jù)(數(shù)據(jù)源、傳感器等)的不確定性、方法的普適性、變化檢測過程及成果的可靠性、變化結(jié)果標(biāo)記的科學(xué)性等關(guān)鍵技術(shù)尚未得到有效解決[6],數(shù)據(jù)獲取和處理的過程中存在的不確定性問題為變化檢測結(jié)果帶來了較大影響.

目前圍繞遙感影像變化檢測的不確定性問題主要有兩種解決方法:1)基于統(tǒng)計(jì)分析的變化檢測方法;2)基于模糊數(shù)學(xué)理論的變化檢測方法[7]. 近年來,基于模糊數(shù)學(xué)的遙感影像變化檢測方法已成為了該領(lǐng)域研究熱點(diǎn),對解決傳統(tǒng)方法中存在的不確定性問題有很好的成效. 如,趙磊等[8]在遙感影像變化檢測非監(jiān)督方法研究中融合了鄰域分析和模糊C均值聚類算法(FCM);Wu C等[9]將FCM應(yīng)用于核空間同時與非采樣輪廓變換相結(jié)合完成了遙感影像變化檢測;Ma W等[10]在FCM算法的基礎(chǔ)上進(jìn)行改進(jìn),提出了粗糙模糊C均值聚類算法(RFCM)并將其用于遙感影像變化檢測; Yan W D等[11]結(jié)合頻差理論對FCM進(jìn)行改進(jìn),并將其用于SAR圖像的無監(jiān)督變化檢測; 王建明等[12]結(jié)合自適應(yīng)距離以及模糊拓?fù)鋬?yōu)化對模糊聚類變化檢測方法展開了研究; 王峰萍等[13]運(yùn)用離散小波變換融合差異圖像結(jié)合鄰域FCM解決了變化檢測的誤分類問題;劉陸洋等[14]將雙差異圖、主成分分析(PCA)和FCM相結(jié)合,以減少噪聲對SAR圖像變化檢測分類結(jié)果的影響;張嶺軍等[15]通過引入空間領(lǐng)域信息對傳統(tǒng)的模糊聚類算法進(jìn)行改進(jìn),用于SAR圖像的變化檢測.

以FCM為代表的模糊聚類方法只有一個隸屬度,而直覺模糊聚類則具有直覺指數(shù)、隸屬度和非隸屬度,可以更好地解決變化檢測中存在的不確定性問題[16-17]. 為此,本文引入直覺模糊C均值聚類算法(IFCM)聚類算法,提出了結(jié)合CVA和IFCM的多時相遙感影像變化檢測方法(CVA-IFCM).

1 研究方法

假定X1和X2分別為t1、t2兩個時刻獲取的同一區(qū)域大小均為M×N像素、具有相同空間分辨率的兩景高空間分辨率遙感影像,數(shù)據(jù)經(jīng)嚴(yán)格幾何配準(zhǔn). 假定X1={xij(t1),1≤i≤M,1≤j≤N}和X2={xij(t2),1≤i≤M,1≤j≤N},xij(t1)和xij(t2)分別表示兩幅影像數(shù)據(jù)中第i行、第j列像元的灰度值. CVA-IFCM法的步驟包括:1)采用CVA構(gòu)造差異影像;2)基于IFCM的變化區(qū)域提取;3)變化檢測精度評價,具體流程圖如圖1所示.

圖1 變化檢測流程圖

1.1 變化向量分析(CVA)

CVA是一種常用的多波段遙感影像變化檢測的方法,主要從影像信息的變化強(qiáng)度和變化方向兩個角度進(jìn)行變化檢測,有效解決了差值法比值法只能用于處理單波段影像這一弊端,增強(qiáng)變化區(qū)域特征信息的同時有效抑制背景信息帶來的干擾[18].

CVA是將t1、t2不同時刻的遙感影像數(shù)據(jù)中相應(yīng)位置的灰度值進(jìn)行差值運(yùn)算來構(gòu)造新的差值圖像,這些圖像表示了t1、t2不同時刻的遙感影像發(fā)生的變化. 差值圖像中的各位置處的像元灰度值即為變化矢量,其表達(dá)式為

(1)

CVA變化強(qiáng)度圖像的灰度值由歐氏距離運(yùn)算得到,表達(dá)式如下:

(2)

式中,DX表示像元的變化強(qiáng)度,通過設(shè)定閾值判斷是否發(fā)生變化,像元變化強(qiáng)度在閾值范圍內(nèi)則認(rèn)為未發(fā)生變化,超出該范圍則認(rèn)為發(fā)生變化[20].

1.2 直覺模糊C均值聚類算法(IFCM)

1.2.1 算法原理

假定影像像元灰度值的聚類中心為vs(s=1,…,c). 輸入由CVA獲取的灰度圖像,用IFCM算法輸出像元灰度值對某個聚類中心的模糊隸屬度μs,ij,表示灰度圖像中第i行、第j列像素點(diǎn)的灰度值xij(xij∈[0,255])屬于第s個灰度中心的概率,可以通過求取目標(biāo)函數(shù)的最小值得到.

IFCM目標(biāo)函數(shù)

(3)

(4)

式中:πs,ij代表某個聚類中心中樣本數(shù)據(jù)的直覺指數(shù),表示影像數(shù)據(jù)中第i行、第j列像元的灰度值xij對第s個類的猶豫程度;M×N代表像元灰度值的總數(shù).

隸屬度更新公式

(5)

空間函數(shù)

(6)

針對相鄰像素具有相似的特征強(qiáng)度易被歸為同一類這一問題,引入空間函數(shù)hs,ij,表示像元灰度值xij在第s個聚類中的可能性程度;μs,l表示xij的領(lǐng)域像素NB(xij)對第s個聚類中心的模糊隸屬度,當(dāng)xij大多數(shù)領(lǐng)域像素屬于同一聚類時,則該像素的空間函數(shù)值較高.

FCM算法利用模糊隸屬關(guān)系實(shí)現(xiàn)對樣本數(shù)據(jù)的分類[21],IFCM是將直覺模糊集運(yùn)用到FCM算法中得來[22].

直覺模糊隸屬度公式

(7)

模糊隸屬度公式

(8)

式(8)中,vk代表第k個聚類中心.

直覺指數(shù)公式

πs,ij=1-μs,ij-γs,ij,0≤πs,ij≤1.

(9)

式(9)中，γs,ij代表數(shù)據(jù)對某個聚類中心的非隸屬度,表示像元灰度值xij不屬于第s個類的程度.

非隸屬度公式

(10)

0≤μs,ij+γs,ij≤1.

(11)

聚類中心更新公式

(12)

隸屬度差值

(13)

1.2.2 算法流程

本文旨在將CVA構(gòu)造的差異影像分為變化和未變化兩類,因此對IFCM算法的具體步驟和參數(shù)進(jìn)行了特定設(shè)置,具體如下:

1)明確算法的初始化迭代條件,設(shè)置所需參數(shù):模糊指數(shù)m=2、目標(biāo)函數(shù)精度e、初始隸屬度相對權(quán)重p=1、空間函數(shù)相對權(quán)重q=3、算法最大迭代次數(shù)100和終止誤差0.05. 設(shè)計(jì)一個準(zhǔn)則函數(shù),選取2個初始聚類中心;

2)加入不確定度參數(shù),將原有的隸屬度矩陣化為模糊隸屬度矩陣;

3)使用替換后的模糊隸屬度矩陣計(jì)算各樣本到不同聚類中心的距離,以獲取各樣本的模糊隸屬度,按隸屬度劃分樣本數(shù)據(jù)、分配所屬類;

4)再次計(jì)算各樣本到聚類中心的距離以及各個類的聚類中心,使用直覺模糊隸屬度矩陣代替隸屬度矩陣;

5)將各樣本重新劃分至相應(yīng)的類中;

6)重復(fù)1)、3)和4),直至初始定義的準(zhǔn)則函數(shù)達(dá)到最小值或指定閾值;

7)對圖像中各像素點(diǎn)進(jìn)行灰度值分類,將迭代后的聚類中心映射到各圖像信息上.

1.2.3 變化檢測精度評價

錯檢率、漏檢率和總體精度是本文對提出的方法的精度進(jìn)行定量評價的三個指標(biāo). 表達(dá)式如下:

錯檢率:

(14)

漏檢率:

(15)

總體精度:

(16)

式(14)～(16)中,PF為遙感影像數(shù)據(jù)中未發(fā)生變化卻被錯檢的像元個數(shù);NF為遙感影像數(shù)據(jù)中發(fā)生了變化卻被漏檢的像元個數(shù);M×N為遙感影像數(shù)據(jù)像元個數(shù)的總和;RCD為遙感影像數(shù)據(jù)中發(fā)生變化的像元個數(shù)的總和[23].

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

為印證本文方法的有效性,分別選取2013年、2014年獲取的同一區(qū)域兩景GF-1影像和Szada數(shù)據(jù)集中同一區(qū)域兩景影像作為實(shí)驗(yàn)數(shù)據(jù),如圖2(a)、圖2(b)、圖2(c)、圖2(d)所示. 第一組GF-1影像分辨率為2 m,經(jīng)多光譜波段與全色波段融合得到,兩景影像大小均為720像素×383像素,均具有近紅外、紅、綠和藍(lán)四個波段. 圖2(e)為參考影像,是人工目視解譯獲取得到,其中變化區(qū)域?yàn)?6 189像素,未變化區(qū)域259 571像素. 第二組數(shù)據(jù)為兩景Szada數(shù)據(jù)集影像,分辨率為1.5 m,兩景遙感影像的大小均為952像素×640像素;圖2(f)為參考影像,通過人工目視解譯獲取得到,其中變化區(qū)域?yàn)?4 092像素,未變化區(qū)域585 188像素. 對比兩組影像中不同地物光譜信息的變化情況,可以看出主要的變化區(qū)域?yàn)檗r(nóng)業(yè)用地和建筑物之間的相互轉(zhuǎn)換.

(a) GF-1 2013年12月 (b) GF-1 2014年12月 采集影像 采集影像

(c) Szada變化前影像 (d) Szada變化后影像

(e)GF-1參考影像 (f) Szada參考影像圖2 原始影像圖

2.2 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文方法的可行性和可靠性,選取FCM[21]、FLICM[24]和OTSU[25]方法作為對比實(shí)驗(yàn).

1) 第一組影像

圖3為采用FCM、FLICM、OTSU和本文方法得到的最終變化檢測結(jié)果.表1為第一組實(shí)驗(yàn)數(shù)據(jù)經(jīng)過各種方法進(jìn)行遙感影像變化檢測得到的錯檢率、漏檢率以及總體精度.

(a) FCM檢測結(jié)果 (b) FLICM檢測結(jié)果

(c) OTSU檢測結(jié)果 (d)本文方法檢測結(jié)果圖3 GF-1變化檢測結(jié)果圖

表1 錯檢率、漏檢率以及總體精度

由圖3可以看出,高分辨率遙感影像相較于其他遙感影像,具備愈加豐富的光譜和紋理等特征,存在不同影像中相同地物的差異性加強(qiáng)、不同地物的光譜特征界限不清相互混同等影響,致使影像光譜信息殽雜、光譜域的可區(qū)分性下降,“同物異譜”和“異物同譜”現(xiàn)象在影像中大量涌現(xiàn). 同一地物在兩景影像中的光譜特征不一致,導(dǎo)致大量未變化的道路和建筑物被檢測為變化,采用傳統(tǒng)FCM和FLICM變化檢測方法存在大量的錯檢現(xiàn)象,采用OTSU變化檢測方法雖然減少了錯檢情況,但依然效果不佳;而發(fā)生變化的不同地物由于光譜特征混淆而出現(xiàn)漏檢現(xiàn)象. 采用本文方法錯檢的變化區(qū)域?yàn)? 654個像素,錯檢率為3.33%,總體精度達(dá)到了95.92%,較好地解決了“同物異譜”帶來的錯檢現(xiàn)象,但由于CVA只考慮了影像的光譜特征而忽略了紋理特征,漏檢情況未能得到很好的控制. 本文方法相較傳統(tǒng)FCM、FLICM和OTSU方法來說,大幅降低了錯檢率,總體精度至多提高了19.97%.

2) 第二組影像

圖4為采用FCM、FLICM、OTSU和本文方法得到的最終變化檢測結(jié)果.表2為第二組影像變化檢測結(jié)果的錯檢率、漏檢率以及總體精度.

(a)FCM檢測結(jié)果 (b)FLICM檢測結(jié)果

(c)OTSU檢測結(jié)果 (d)本文方法檢測結(jié)果圖4 Szada變化檢測結(jié)果圖

與第一組影像相比,“異物同譜”和“同物異譜” 現(xiàn)象對檢測結(jié)果的影響因?yàn)槠淇臻g分辨率的提高而增大,各類地物光譜和紋理特征的離散程度被加重. 同時本組影像較第一組影像地物特征更為繁雜,光譜和紋理信息復(fù)雜、各地物間的空間相關(guān)性更強(qiáng),信息提取難度增大,故錯檢漏檢現(xiàn)象有所增加. 其中采用FCM方法、FLICM方法和OTSU方法的錯檢現(xiàn)象尤為嚴(yán)重,大量未變化的農(nóng)業(yè)用地、建筑物、道路被檢測為變化. 采用本文方法錯檢的變化區(qū)域?yàn)?3 889個像素,錯檢率為5.79%,總體精度達(dá)到了92.70%. 較好地解決了復(fù)雜地物影像中“同物異譜”帶來的錯檢,但同樣受CVA未考慮紋理特征的限制,漏檢情況未能得到很好的控制. 本文方法相較傳統(tǒng)FCM、FLICM和OTSU方法來說,大幅降低了錯檢率,總體精度至多提高了27.7%,是可用于復(fù)雜地物影像的有效可行的變化檢測方法.

表2 錯檢率、漏檢率以及總體精度

3 結(jié)束語

為了解決變化檢測方法過程中存在的不確定性問題,提出了一種CVA-IFCM的遙感影像變化檢測方法. 選取兩組多時相遙感影像作為實(shí)驗(yàn)數(shù)據(jù),以印證本文方法的可靠性和可行性. 實(shí)驗(yàn)結(jié)果表明,提出的方法有效降低了錯檢率,具有較高的精度,變化檢測正確率提高到了95.92%和92.70%. 但本文存在以下不足:1)該方法需要設(shè)置大量的參數(shù),如何自動選取最優(yōu)閾值還有待進(jìn)一步研究；2)如何有效地消除“異物同譜”和“同物異譜”問題對高分辨率影像的影響,從而解決漏檢問題,是未來研究的重點(diǎn).