王 昶，張永生，紀(jì) 松，張 磊

1. 信息工程大學(xué)地理空間信息學(xué)院，河南 鄭州 450001； 2. 遼寧科技大學(xué)土木工程學(xué)院，遼寧 鞍山 114051

建筑物作為人類(lèi)活動(dòng)的主要場(chǎng)所和人工地理目標(biāo)的代表，其變化檢測(cè)一直是攝影測(cè)量與遙感、人工智能等領(lǐng)域的研究熱點(diǎn)。近年來(lái)，研究學(xué)者通過(guò)融合不同時(shí)相遙感影像的多種特征來(lái)構(gòu)建差異影像(difference image,DI)，并對(duì)其進(jìn)行分析，得到最終的建筑物變化檢測(cè)圖。文獻(xiàn)[1—2]融合光譜特征及形態(tài)學(xué)建筑物指數(shù)特征來(lái)檢測(cè)建筑物的變化。文獻(xiàn)[3]通過(guò)融合影像的光譜特征、紋理特征及形狀特征來(lái)提升建筑物變化檢測(cè)的性能。文獻(xiàn)[4]利用變化矢量分析方法計(jì)算不同時(shí)相遙感影像的光譜、紋理、形狀特征及形態(tài)學(xué)建筑物指數(shù)特征差異來(lái)實(shí)施建筑物變化檢測(cè)。文獻(xiàn)[5]將前后時(shí)相的形態(tài)學(xué)建筑物指數(shù)特征作為核心參數(shù)，結(jié)合光譜、紋理及形狀特征實(shí)現(xiàn)建筑物變化檢測(cè)。為提高建筑物變化檢測(cè)精度，文獻(xiàn)[6]融合像素級(jí)特征及目標(biāo)級(jí)特征來(lái)實(shí)現(xiàn)高精度建筑物變化檢測(cè)結(jié)果。雖然上述基于多特征融合的建筑物變化檢測(cè)方法在建筑物變化檢測(cè)方面取得了較好的效果，但仍然存在一些不足及挑戰(zhàn)：①對(duì)基于像素級(jí)特征的建筑物變化檢測(cè)而然，多特征的融合容易引入較多的白斑噪聲，從而影響聚類(lèi)方法及深度學(xué)習(xí)方法的分類(lèi)效果；②多特征融合在凸顯建筑物變化信息的效果還需要進(jìn)一步提升。如果凸顯建筑物的變化信息效果不理想，也會(huì)導(dǎo)致后續(xù)分類(lèi)性能降低。

近年來(lái)，為了提高遙感影像建筑物變化檢測(cè)的精度，研究學(xué)者利用機(jī)器學(xué)習(xí)及深度學(xué)習(xí)的方法對(duì)從不同時(shí)相遙感圖像中提取的變化和未變化樣本進(jìn)行標(biāo)簽訓(xùn)練，從而實(shí)現(xiàn)更高精度的分類(lèi)效果。如文獻(xiàn)[7]采用鄰域比值法從不同時(shí)相的SAR影像中提取變化及未變化訓(xùn)練樣本，并通過(guò)極限學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練及分類(lèi)，從而獲得高精度的多類(lèi)地物變化檢測(cè)結(jié)果。文獻(xiàn)[8]提取不同時(shí)相遙感影像的光譜特征、紋理特征及空間特征作為可靠樣本，并在構(gòu)造的多分類(lèi)器上進(jìn)行樣本標(biāo)簽訓(xùn)練，從而實(shí)現(xiàn)多類(lèi)地物(道路、建筑物)變化檢測(cè)的目的。文獻(xiàn)[9]提出了建筑物檢測(cè)、邊界提取和支持向量機(jī)分類(lèi)的建筑物變化檢測(cè)框架，達(dá)到了較好的變化檢測(cè)效果。文獻(xiàn)[10]提出了一種多尺度特征卷積單元來(lái)提取建筑物的特征，從而達(dá)到較好的建筑物變化檢測(cè)效果。文獻(xiàn)[11]提出了一種新的、通用的卷積多層遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural networks,RNN)，用于多時(shí)相高分辨遙感影像的建筑物變化檢測(cè)。文獻(xiàn)[12]提出了一種通過(guò)超像素方法提取變化特征，并運(yùn)用神經(jīng)網(wǎng)絡(luò)分層差分方法進(jìn)行特征學(xué)習(xí)的高分辨率遙感影像變化檢測(cè)框架，從而實(shí)現(xiàn)多類(lèi)地物變化檢測(cè)的目的。文獻(xiàn)[13]提出一種基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)方法，并通過(guò)此方法識(shí)別高分辨率遙感影像中的多類(lèi)地物(建筑物、道路等)，從而有效地進(jìn)行多類(lèi)地物變化檢測(cè)。文獻(xiàn)[14]提出通過(guò)設(shè)置亮度區(qū)間的方式從光譜及紋理變化圖中提取訓(xùn)練樣本，利用深度學(xué)習(xí)方法進(jìn)行建筑物變化檢測(cè)。文獻(xiàn)[15]提出一種基于深度特征差異卷積神經(jīng)網(wǎng)絡(luò)遙感影像變化檢測(cè)方法。該方法只需少量像素級(jí)樣本進(jìn)行訓(xùn)練，最后，通過(guò)閾值得到二進(jìn)制變化映射。文獻(xiàn)[16]提出了一種基于生成對(duì)抗網(wǎng)絡(luò)的半疊加卷積變化檢測(cè)網(wǎng)絡(luò)。該方法訓(xùn)練過(guò)程中，利用未標(biāo)記信息不斷地對(duì)分類(lèi)器進(jìn)行正則化，從而提高分類(lèi)器的泛化能力，達(dá)到較好的分類(lèi)效果。文獻(xiàn)[17]提出了一種頻譜-時(shí)空-時(shí)間聯(lián)合特征表示的多光譜圖像變化檢測(cè)框架，提高多類(lèi)地物變檢檢測(cè)的精度。文獻(xiàn)[18]提出了一種集成CNN(convolu-tional neural network)變化檢測(cè)框架。該方法將在不同時(shí)間獲取的兩幅非常高分辨率圖像的變化區(qū)域和不變區(qū)域的樣本輸入到兩個(gè)CNN中。在訓(xùn)練過(guò)程中，利用基于樣本不同程度的代價(jià)模塊函數(shù)來(lái)訓(xùn)練集成的CNN，并利用本文提出的框架驅(qū)動(dòng)改變和不變樣本對(duì)高層和抽象特征進(jìn)行學(xué)習(xí)，從而得到了滿意的變化檢測(cè)結(jié)果。

雖然上述基于機(jī)器學(xué)習(xí)及深度學(xué)習(xí)的建筑物變化檢測(cè)方法取得了較好的效果，但仍存在一些不足及挑戰(zhàn)：①像素級(jí)訓(xùn)練樣本的可靠性有待提高；對(duì)于像素級(jí)樣本而言，其訓(xùn)練樣本的可靠性至關(guān)重要。如果選取的像素級(jí)訓(xùn)練樣本是非建筑物樣本，那么會(huì)導(dǎo)致建筑物變化檢測(cè)的精度下降。②需要大量的訓(xùn)練樣本才能達(dá)到較好的分類(lèi)效果。如果訓(xùn)練樣本數(shù)量不足，其訓(xùn)練效果不理想，從而導(dǎo)致分類(lèi)性能降低。

針對(duì)上述問(wèn)題，為了能在使用少量高質(zhì)量訓(xùn)練樣本時(shí)，達(dá)到高性能的遙感影像建筑物變化檢測(cè)結(jié)果，本文從DI構(gòu)造、像素級(jí)訓(xùn)練樣本選取及分類(lèi)方法等3方面進(jìn)行分析，提出一種基于多特征融合及隨機(jī)多圖的建筑物變化檢測(cè)方法。①為了更好地凸顯建筑物變化信息及減少由于多特征融合引入的白斑噪聲。本文利用結(jié)構(gòu)相似性方法(structural similarity index,SSIM)選取相似性最低的紋理特征及最佳尺度分割后的形狀特征，并融合通過(guò)變化矢量分析方法(change vector analysis,CVA)獲取不同時(shí)相遙感影像的光譜特征差異影像、紋理特征(灰度共生矩陣法)差異影像及通過(guò)求差獲取不同時(shí)相遙感影像的形態(tài)學(xué)建筑物指數(shù)特征差異圖、最佳尺度分割后的形狀特征差異圖來(lái)構(gòu)造差異影像。②為了盡量避免提取非建筑物變化樣本，本文采用構(gòu)造的變分去噪模型去除差異影像中的白斑噪聲，通過(guò)頻域顯著性方法(frequency domain significance method，F(xiàn)DS)獲取差異影像的顯著性圖，并利用模糊c-均值聚類(lèi)算法(fuzzy c-means,FCM)對(duì)顯著性圖選取閾值得到的粗變化檢測(cè)圖進(jìn)行預(yù)分類(lèi)(變化類(lèi)(建筑物)、未變化類(lèi)及未確定類(lèi))。③為了獲得高精度的建筑物變化檢測(cè)結(jié)果，把從原始遙感影像、光譜特征影像、紋理特征影像(SSIM選取)、形態(tài)學(xué)建筑物指數(shù)特征影像及形狀特征影像(SSIM選取)上提取變化(建筑物)及未變化像素的鄰域特征引入隨機(jī)多圖分類(lèi)模型中進(jìn)行樣本標(biāo)簽訓(xùn)練，利用訓(xùn)練好的隨機(jī)多圖分類(lèi)器對(duì)粗變化檢測(cè)圖進(jìn)行建筑物變化檢測(cè)，從而獲得建筑物變化檢測(cè)圖。

通過(guò)對(duì)建筑物變化檢測(cè)的每個(gè)環(huán)節(jié)進(jìn)行研究及分析，從而達(dá)到高精度的建筑物變化檢測(cè)結(jié)果：①設(shè)計(jì)了影像多特征融合方案，此方案融合像素級(jí)特征及目標(biāo)級(jí)特征來(lái)凸顯建筑物變化信息，同時(shí)利用SSIM方法選取紋理及形狀特征，達(dá)到減少數(shù)據(jù)冗余及白斑噪聲的目的；②設(shè)計(jì)了一種基于FDS和FCM的高質(zhì)量訓(xùn)練樣本提取方案，此方法縮小了訓(xùn)練樣本的搜索范圍，使分類(lèi)更細(xì)，從而盡量避免提取非建筑物訓(xùn)練樣本(由于影像獲取的角度、輻射條件及建筑物陰影等因素的影響)；③從多種特征影像上提取訓(xùn)練樣本的鄰域特征，采用分類(lèi)精度較高的隨機(jī)多圖作為建筑變化檢測(cè)的分類(lèi)模型；④本文方法可以在使用少量高質(zhì)量訓(xùn)練樣本時(shí)，達(dá)到高性能的遙感影像建筑物變化檢測(cè)結(jié)果。

1 基于多特征融合及隨機(jī)多圖建筑物變化檢測(cè)方法

本文建筑物變化檢測(cè)方法主要分為3個(gè)步驟：①DI構(gòu)造，通過(guò)本文影像多特征融合方法構(gòu)造的DI能有效凸顯建筑物變化信息；②高質(zhì)量訓(xùn)練樣本獲取，本文通過(guò)FDS及FCM可以準(zhǔn)確地鎖定變化區(qū)域及提取可靠的變化(建筑物)及未變化的訓(xùn)練樣本；③建筑物變化檢測(cè)，采用隨機(jī)多圖方法進(jìn)行樣本標(biāo)簽訓(xùn)練及分類(lèi)，從而實(shí)現(xiàn)高性能的建筑物變化檢測(cè)結(jié)果。方法具體流程如圖1所示。

圖1 本文方法流程Fig.1 The proposed method

1.1 多特征融合構(gòu)造DI

構(gòu)造DI主要考慮兩個(gè)方面：①構(gòu)造的DI如何有效凸顯建筑物變化信息；②如何減少數(shù)據(jù)冗余及多特征融合引入的白斑噪聲。針對(duì)上述問(wèn)題，構(gòu)造DI的過(guò)程主要分為4個(gè)步驟：影像多特征提取、紋理特征及形狀的選取、DI構(gòu)造、DI去噪。構(gòu)造DI如圖2所示。

圖2 構(gòu)建DIFig.2 DI schematic diagram constructed

1.1.1 影像多特征提取

1.1.1.1 影像光譜特征提取

由于建筑材料相對(duì)均勻且反射率高，因此首先計(jì)算每個(gè)波段影像中每個(gè)對(duì)象的所有像素值的平均值，得到每個(gè)波段影像的光譜均值。其次，計(jì)算每個(gè)波段影像的光譜均值的平均值作為影像的光譜特征[19]。其計(jì)算公式如式(1)所示

(1)

1.1.1.2 影像紋理特征提取

由于灰度共生矩陣方法能從不同角度對(duì)影像的紋理進(jìn)行細(xì)致的刻畫(huà)，因此提取灰度共生矩陣計(jì)算的均值、熵、同質(zhì)度、能量、對(duì)比度、均勻性、相關(guān)性、方差等標(biāo)量來(lái)描述影像紋理特征[20]。

1.1.1.3 形態(tài)學(xué)建筑物指數(shù)特征提取

為了更好地凸顯建筑物信息，從建筑物的形狀、方向、亮度及對(duì)比度等特征考慮來(lái)構(gòu)建形態(tài)學(xué)建筑物指數(shù)特征(morphology building index，MBI)[21]。形態(tài)學(xué)建筑物指數(shù)特征構(gòu)造過(guò)程分為4個(gè)步驟。

(1) 計(jì)算亮度值。其計(jì)算公式如式(2)所示

(2)

式中，K為波段數(shù)；bandk(x)表示第k個(gè)波段像素x的亮度值。由于建筑物光譜信息受可見(jiàn)光波段影響最大，所以選擇可見(jiàn)光波段每個(gè)像素的最大值作為該像素的亮度值。

(2) 形態(tài)學(xué)白帽重構(gòu)(top-hat by reconstruc-tion,THR)，其計(jì)算公式如式(3)所示

(3)

(3) 計(jì)算微分形態(tài)學(xué)剖面DMP(differential morphological profiles)。其計(jì)算公式如式(4)所示

DMPWTH(d,s)=|WTH(d,(s+Δs))|-WTH(d,s)

(4)

(4) 計(jì)算MBI，其計(jì)算公式如式(5)所示

(5)

式中，S=((smax-smin)/Δs)+1；D是計(jì)算建筑物剖面的方向數(shù)，通過(guò)試驗(yàn)分析，設(shè)定D=8，smax=21，smin=2，Δs=1。

1.1.1.4 形狀特征提取

雖然形態(tài)學(xué)建筑物指數(shù)特征可以很好地提取建筑物信息，但當(dāng)建筑物與鄰近地物呈現(xiàn)低反差時(shí)，提取效果不理想。為了能凸顯更多的建筑物變化信息，采用eCognition軟件計(jì)算不同時(shí)相遙感影像的形狀特征，其步驟分為兩步：①利用eCognition軟件對(duì)不同時(shí)相遙感影像進(jìn)行分割，通過(guò)調(diào)整尺度、形狀因子和緊致度等參數(shù)，獲得最佳尺度分割效果；②利用eCognition軟件自動(dòng)計(jì)算最佳尺度分割后的不同時(shí)相遙感影像的非對(duì)稱(chēng)性、邊界指數(shù)、緊密度、密度、橢圓擬合、矩形擬合等形狀特征。

提取形態(tài)學(xué)建筑物指數(shù)特征及最佳分割后的形狀特征，不僅可以凸顯更多的建筑物變化信息，而且由于兩種特征可以提取一部分相同的建筑物變化信息，通過(guò)兩種特征的融合，可以使建筑物變化信息更凸顯，從而為后續(xù)提取高質(zhì)量訓(xùn)練樣本奠定基礎(chǔ)。

1.1.2 紋理特征及形狀特征的選取

為了減少數(shù)據(jù)冗余及多特征融合引入的白斑噪聲，利用SSIM方法計(jì)算相似性最低的紋理特征及形狀特征。SSIM方法是比較兩幅影像結(jié)構(gòu)信息相似性的方法，如果SSIM值低，說(shuō)明兩幅影像的結(jié)構(gòu)信息差異大，變化多。因此，通過(guò)SSIM方法計(jì)算均值、熵、同質(zhì)度、能量、對(duì)比度、均勻性、相關(guān)性、方差等標(biāo)量來(lái)描述不同時(shí)相遙感影像的紋理特征的相似性及不同時(shí)相遙感影像非對(duì)稱(chēng)性、邊界指數(shù)、緊密度、密度、橢圓擬合、矩形擬合等形狀特征的相似性來(lái)選取相似性最低的紋理特征及形狀特征。SSIM計(jì)算公式見(jiàn)式(6)[22]

(6)

式中，ux、uy表示亮度比較函數(shù)；σxy表示相關(guān)性比較函數(shù)；C1、C2及C3是常數(shù)。

1.1.3 DI構(gòu)造

為了減少數(shù)據(jù)冗余及提高計(jì)算效率，首先，把獲得的光譜特征影像、紋理特征影像、形態(tài)學(xué)建筑物指數(shù)特征影像及形狀特征影像轉(zhuǎn)化為一維灰度影像(歸一化處理)，其次，通過(guò)CVA方法獲得光譜特征差異圖及紋理特征差異圖，通過(guò)求差獲得建筑物指數(shù)特征差異圖及形狀特征差異圖。由于4種差異影像都是一維灰度影像，因此，本文按照一定比例把光譜特征差異圖、紋理特征差異圖、建筑物指數(shù)特征差異圖及形狀特征差異圖相加構(gòu)造DI。

1.1.4 DI去噪

盡管通過(guò)SSIM方法選取紋理特征及形狀特征的方式可以減少數(shù)據(jù)冗余及白斑噪聲，但還是會(huì)引入少量白斑噪聲，從而導(dǎo)致提取的訓(xùn)練樣本可靠性降低。為了能有效去除差異影像中的白斑噪聲，同時(shí)避免去噪影像出現(xiàn)階梯效應(yīng)，構(gòu)建一種具有同性擴(kuò)散及異性擴(kuò)散能力的變分去噪模型[23]，其表達(dá)式如式(7)所示

(7)

1.2 像素級(jí)(建筑物)可靠訓(xùn)練樣本獲取

為了獲得可靠的像素級(jí)(建筑物)訓(xùn)練樣本集，從兩方面進(jìn)行考慮：①如何鎖定建筑物變化的區(qū)域；②如何提取變化(建筑物)及未變化的訓(xùn)練樣本。通過(guò)上述思考，引入FDS和FCM預(yù)分類(lèi)方法獲取粗變化檢測(cè)圖中變化類(lèi)(建筑物)及未變化類(lèi)的訓(xùn)練樣本。

1.2.1 FDS方法

顯著性分析是指發(fā)現(xiàn)局部或全局對(duì)比強(qiáng)的區(qū)域，這些區(qū)域比影像的其他部分更能引起人類(lèi)視覺(jué)系統(tǒng)的注意。為了能更好地使顯著性區(qū)域的形狀和位置與變化區(qū)域相似，選擇FDS方法，它是采用適當(dāng)尺度的低通高斯核進(jìn)行振幅譜卷積，得到顯著性圖。具體地說(shuō)，首先通過(guò)傅里葉變換將影像f(x,y)轉(zhuǎn)化為頻域：f(x,y)→F(f)(u,v)，然后，計(jì)算振幅譜A(u,v)=|F(f)|和相位譜P(u,v)=angle|F(f)|，用高斯內(nèi)核h來(lái)抑制影像的峰值，其表達(dá)式如式(8)所示[24]

AS(u,v)=|F(f)|·h

(8)

將得到的平滑振幅譜AS與原始相位譜相結(jié)合計(jì)算逆變換，得到顯著性圖

S=F-1{AS(u,v)ep(u,v)}

(9)

1.2.2 FCM預(yù)分類(lèi)

對(duì)顯著性圖選取閾值來(lái)獲得粗變化檢測(cè)圖，并利用FCM預(yù)分類(lèi)方法對(duì)粗變化檢測(cè)圖中的像素劃分為3類(lèi)：變化類(lèi)(建筑物)、未變化類(lèi)及未確定類(lèi)。

通過(guò)FDS方法可以鎖定DI中的變化區(qū)域，從而可以一定程度上排除其他相似區(qū)域的干擾。但由于影像獲取的角度、輻射條件及建筑物陰影等因素的影響，不同時(shí)期的建筑物在影像上的位置、幾何形狀差別很大，從而容易使構(gòu)造的DI凸顯非建筑物變化信息。因此，通過(guò)FCM預(yù)分類(lèi)方法對(duì)凸顯的變化區(qū)域進(jìn)行更細(xì)的分類(lèi)，從而盡量避免提取非建筑物訓(xùn)練樣本。

1.3 隨機(jī)多圖分類(lèi)方法

近年來(lái)，研究學(xué)者提出許多遙感影像的分類(lèi)方法，然而，很少使用基于圖的分類(lèi)方法進(jìn)行遙感影像的分類(lèi)。為了提高建筑物變化檢測(cè)的精度，采用隨機(jī)多圖分類(lèi)方法。此方法可以利用多時(shí)相遙感影像之間的非線性關(guān)系隨機(jī)選擇一組特性來(lái)創(chuàng)建圖形。把通過(guò)FCM預(yù)分類(lèi)方法劃分的變化類(lèi)(建筑物)及未變化類(lèi)樣本的鄰域特征引入隨機(jī)多圖分類(lèi)器中進(jìn)行樣本標(biāo)簽訓(xùn)練，再利用訓(xùn)練好的隨機(jī)多圖分類(lèi)器對(duì)粗變化檢測(cè)圖進(jìn)行分類(lèi)。從而獲得最終的建筑物變化檢測(cè)圖。

隨機(jī)多圖分類(lèi)方法是通過(guò)無(wú)向圖來(lái)建立表達(dá)輸入數(shù)據(jù)之間內(nèi)部關(guān)系的模型。假設(shè)給定一組數(shù)據(jù)集X=Xl∪Xu∈Rd,d表示特征空間的維度，Xl={x1,x2,…,xl}表示標(biāo)簽樣本集，用yi∈{0,1}標(biāo)定樣本集中變化類(lèi)和未變化類(lèi)，Xu={xl+1,xl+2,…,xl+u}表示無(wú)標(biāo)簽樣本集，u表示無(wú)標(biāo)簽樣本的個(gè)數(shù)。多圖分類(lèi)的原理如圖3所示[25]。

圖3 隨機(jī)多圖分類(lèi)原理Fig.3 Random multi-graph classification idea

(10)

式中，Pij為數(shù)據(jù)自適應(yīng)權(quán)值。

定義兩個(gè)向量f=[f(x1),f(x2),…,f(xn)]T和fa=[f(a1),f(a2),…,f(am)]T，式(10)可改寫(xiě)為

f=Pfa

(11)

式中,P∈R(l+u)×m；m?l+u。

因此，解求無(wú)標(biāo)簽數(shù)據(jù)的類(lèi)型問(wèn)題就由較大的空間f的計(jì)算縮小為較小的空間fa的計(jì)算，使用k-means聚類(lèi)中心作為錨。這些聚類(lèi)中心具有很強(qiáng)的表示能力，能夠充分覆蓋整個(gè)數(shù)據(jù)集。關(guān)于矩陣P，本文使用局部錨點(diǎn)嵌入法將任意數(shù)據(jù)點(diǎn)重構(gòu)為最接近錨的一個(gè)凸組合。因此，矩陣P可以由式(12)表示

(12)

2 試驗(yàn)影像及評(píng)價(jià)指標(biāo)

為了驗(yàn)證本文方法的有效性，選擇一組同源和一組多源的高分辨率遙感影像作為試驗(yàn)影像，第1組數(shù)據(jù)集為QuickBird衛(wèi)星分別在2009年1月和2011年11獲取的兩時(shí)相影像，包含紅、綠、藍(lán)及近紅外4波段，影像大小為590×500像素，分辨率為0.5 m/像素，兩幅影像如圖4(a)所示。第2個(gè)數(shù)據(jù)集是IKONOS衛(wèi)星和無(wú)人機(jī)(UVA)分別于2013年3月和2013年6月獲得兩時(shí)相真彩色影像(顏色不一致)，大小為640×350像素，空間分辨率分別為1 m/像素和0.5 m/像素，如圖4(b)。由于受影像獲取的角度、輻射條件及建筑物陰影等因素的影響，二組數(shù)據(jù)集中存在少量建筑物在不同時(shí)相影像上的位置、幾何形狀上的差異。對(duì)于不同分辨率的多源遙感影像而言，通過(guò)把1 m/像素分辨率的影像向上采樣到0.5 m/像素分辨率的影像，從而使多源遙感影像分辨率一致。二組數(shù)據(jù)集在進(jìn)行變化檢測(cè)前都進(jìn)行了精確配準(zhǔn)及輻射校正。

圖4 試驗(yàn)影像數(shù)據(jù)集Fig.4 Experimental image data set

通過(guò)變化檢測(cè)效果圖與參考變化影像進(jìn)行對(duì)比來(lái)評(píng)價(jià)，并采用3種客觀評(píng)價(jià)指標(biāo)(完整率(completeness,Com)、正確率(correctness,Cor)、綜合評(píng)價(jià)指標(biāo)(F-measure,FM)來(lái)定量評(píng)價(jià)，3種客觀評(píng)價(jià)指標(biāo)計(jì)算公式如下

(13)

(14)

(15)

式中，F(xiàn)P(false positive)、FN(true negative)和TP(true positive)分別表示錯(cuò)誤檢測(cè)建筑物像元個(gè)數(shù)、正確的未變化建筑物像元個(gè)數(shù)和正確的變化建筑物像元個(gè)數(shù)。

3 試驗(yàn)與分析

3.1 粗變化檢測(cè)圖

3.1.1 DI構(gòu)造

通過(guò)本文多特征融合方法構(gòu)造3組影像數(shù)據(jù)集的DI。通過(guò)SSIM計(jì)算，都選取QuickBird數(shù)據(jù)集及IKONOS和UVA數(shù)據(jù)集的同質(zhì)性(GLCM)紋理特征標(biāo)量及橢圓擬合(elliptic fit)形狀特征。構(gòu)造DI的融合比例主要參考依據(jù)為：在構(gòu)造的DI中建筑物的變化區(qū)域較未變化區(qū)域凸顯更明顯，凸顯融合前未凸顯的建筑物變化區(qū)域，盡量減少引入的白斑噪聲，建筑物變化檢測(cè)的精度最高。由于建筑物的亮度值一般偏大，而影像光譜特征能更好地凸顯建筑物的特征，因此，在設(shè)定融合比例時(shí)，光譜特征差異圖的系數(shù)一般在1至2之間確定。而為了盡量減少由于融合紋理特征差異圖而引入的白斑噪聲及更好地凸顯融合前未凸顯的建筑物變化區(qū)域，紋理特征差異圖系數(shù)要在0至0.5之間設(shè)定。而形態(tài)學(xué)建筑物指數(shù)差異圖及形狀特征差異圖是通過(guò)求差獲得的，因此這兩個(gè)差異圖的融合比例都設(shè)定1。通過(guò)試驗(yàn)分析，QuickBird數(shù)據(jù)集及IKONOS和UVA數(shù)據(jù)集及IKONOS和WorldView-2數(shù)據(jù)集構(gòu)造DI的融合比例分別為1.2(光譜特征)、0.5(紋理特征)、1(形態(tài)學(xué)建筑物指數(shù)特征)、1(形狀特征)及1(光譜特征)、0.2(紋理特征)、1(形態(tài)學(xué)建筑物指數(shù)特征)、1(形狀特征)。融合比例設(shè)定是針對(duì)上述試驗(yàn)影像而言，對(duì)于不同遙感影像，融合比例設(shè)定不一致。融合比例確定的依據(jù)可以為其他遙感影像多個(gè)特征融合提供一種借鑒。

為了驗(yàn)證本文構(gòu)造DI的優(yōu)勢(shì)，與CVA獲得的DI、本文DI(無(wú)去噪)進(jìn)行對(duì)比，試驗(yàn)結(jié)果如圖5所示。

從圖5可以看到，在通過(guò)CVA獲得的3組影像數(shù)據(jù)集的DI中凸顯建筑物變化信息不明顯，而且部分建筑物的變化信息沒(méi)有凸顯出來(lái)(圖5中橙色矩形區(qū)域)，尤其IKONOS和UVA數(shù)據(jù)集。而本文DI(無(wú)去噪)雖然可以使建筑物變化區(qū)域較未變化區(qū)域更凸顯，并且凸顯CVA方法沒(méi)有凸顯的變化區(qū)域(圖5中橙色矩形區(qū)域)，但同時(shí)也引入了較多的白斑噪聲。而經(jīng)過(guò)變分去噪后的DI可以在凸顯建筑物變化信息的同時(shí)減少了白斑噪聲，從而為提高后續(xù)建筑物變化檢測(cè)的精度奠定基礎(chǔ)。但由于影像獲取的角度、輻射條件及建筑物陰影等因素的影響，通過(guò)CVA獲取多源遙感影像(IKONOS和UVA數(shù)據(jù)集)的DI凸顯建筑物信息最差，而本文DI(變分去噪)雖然凸顯建筑物信息比較好，但也凸顯一些非建筑物變化信息。

圖5 本文DI(無(wú)去噪)、本文DI(變分去噪)及CVA方法獲得的3組數(shù)據(jù)集DI圖Fig.5 DI graphs of three data sets obtained by DI(no denoising), DI(variational denoising) and CVA method

3.1.2 DI(變分去噪)顯著圖及粗變化檢測(cè)圖

通過(guò)FDS方法獲得DI(變分去噪)的顯著性圖，為了能有效地提取可靠訓(xùn)練樣本，同時(shí)避免獲得粗變化檢測(cè)圖時(shí)丟失建筑物變化信息及增加隨機(jī)多圖訓(xùn)練的時(shí)間，本文分別選取QuickBird數(shù)據(jù)集及IKONOS和UVA數(shù)據(jù)集的DI(變分去噪)顯著圖的閾值為0.14及0.2，得到粗變化檢測(cè)圖，試驗(yàn)結(jié)果見(jiàn)圖6所示。

從圖6可以看到，F(xiàn)DS方法可以很好地凸顯建筑物的變化區(qū)域。而從粗變化檢測(cè)圖中可以看到，白色圖斑基本包含參考變化影像中的建筑物變化區(qū)域。通過(guò)此方法不僅可以縮小變化檢測(cè)的搜索范圍，而且可以一定程度上排除其他相似區(qū)域的干擾。

圖6 二組數(shù)據(jù)集DI顯著性圖及粗變化檢測(cè)Fig.6 DI significance diagram and crude change detection diagram of two data sets

3.2 最終建筑物變化檢測(cè)圖

通過(guò)FCM方法對(duì)粗變化檢測(cè)圖進(jìn)行預(yù)分類(lèi)(變化類(lèi)(建筑物)、未變化類(lèi)、不確定類(lèi))，從不同時(shí)相遙感影像、光譜特征影像、紋理特征影像(SSIM選取)、形態(tài)學(xué)建筑物指數(shù)特征影像及形狀特征影像(SSIM選取)上提取變化像素及未變化像素的鄰域特征進(jìn)行隨機(jī)多圖樣本標(biāo)簽訓(xùn)練，并利用訓(xùn)練好的隨機(jī)多圖分類(lèi)器對(duì)粗變化檢測(cè)圖進(jìn)行建筑物變化檢測(cè)，獲得最終建筑物變化檢測(cè)圖。為了驗(yàn)證本文方法的優(yōu)越性，本文設(shè)計(jì)兩個(gè)試驗(yàn)，第1個(gè)試驗(yàn)是為了驗(yàn)證本文方法能夠獲得可靠的訓(xùn)練樣本；第2個(gè)試驗(yàn)是為了驗(yàn)證本文方法建筑物變化檢測(cè)的性能。

3.2.1 試驗(yàn)1

試驗(yàn)1選擇CVA+FDS+FCM+隨機(jī)多圖、本文方法(無(wú)去噪)與本文方法(變分去噪)進(jìn)行比較，試驗(yàn)結(jié)果如圖7和表1所示。

圖7 試驗(yàn)1不同方法變化檢測(cè)試驗(yàn)結(jié)果Fig.7 Experimental results of change detection in different methods in experiment 1

表1 試驗(yàn)1變化檢測(cè)評(píng)價(jià)指標(biāo)統(tǒng)計(jì)結(jié)果Tab.1 Statistical results of change detection and evaluation indexes in experiment 1

通過(guò)圖7(a)及7(b)可以看到，由于經(jīng)CVA構(gòu)造的DI凸顯建筑物變化信息不明顯，甚至部分建筑物變化信息沒(méi)有凸顯出來(lái)，因此提取訓(xùn)練樣本的質(zhì)量不高，從而導(dǎo)致在兩組數(shù)據(jù)集的變化檢測(cè)圖中丟失較多建筑物變化信息，而從表1也可以看出，多源遙感影像數(shù)據(jù)集(IKONOS和UVA數(shù)據(jù)集)的CVA+FDS+FCM+隨機(jī)多圖方法的Com值和FM值最低，說(shuō)明多源遙感影像由于受影像獲取的角度、輻射條件等因素的影響較大，通過(guò)CVA構(gòu)造的DI凸顯建筑物效果最差，從而影響后續(xù)分類(lèi)的精度。而本文方法(無(wú)去噪)雖然構(gòu)造的DI在凸顯建筑物變化信息方面較CVA方法效果好，但由于構(gòu)造的DI引入了較多的白斑噪聲，影響了訓(xùn)練樣本提取的質(zhì)量，因此，在兩組數(shù)據(jù)集的變化檢測(cè)圖中出現(xiàn)較多白斑噪聲。而從表1也可以看到，本文方法(無(wú)去噪)的Cor最低。而本文方法(變分去噪)構(gòu)造的DI不僅較好地凸顯建筑物變化檢測(cè)信息，減少白斑噪聲的引入，而且受影像獲取的角度、輻射條件及建筑物陰影等因素影響較小，檢測(cè)的非建筑物變化信息較少，因此建筑物變化檢測(cè)的效果最好，而從表1也可以看到，本文方法(變分去噪)的Com、Cor、FM的值都要高于本文方法(無(wú)去噪)。

3.2.2 試驗(yàn)2

為了驗(yàn)證方法的優(yōu)越性，選擇與本文方法DI(去噪)+FLICM(fuzzy local information C-means)、本文方法DI(變分去噪)+SVM(Support Vector Machine)、本文方法DI(變分去噪)+DNN(Deep neural network)[14]等方法進(jìn)行比較，試驗(yàn)結(jié)果見(jiàn)圖8和表3。

圖8 試驗(yàn)2不同方法變化檢測(cè)試驗(yàn)結(jié)果Fig.8 Experimental results of change detection by different methods

通過(guò)圖8可以看到，在經(jīng)本文方法DI(變分去噪)+FLICM方法獲得的兩組數(shù)據(jù)集建筑物變化檢測(cè)圖中，出現(xiàn)較多的非建筑物變化信息，但該方法可以檢測(cè)出大部分的建筑物變化信息，因此，本文方法DI(變分去噪)+FLICM方法的Cor值最低，Com值最高，如表1所示。而本文方法DI(變分去噪)+SVM方法獲得的兩組數(shù)據(jù)集的建筑物變化檢測(cè)圖中也出現(xiàn)較多非建筑物變化信息，并且在第1個(gè)數(shù)據(jù)集的建筑物變化檢測(cè)圖中丟失一些建筑物變化信息，而從表2可以看到，本文方法DI(變分去噪)+SVM方法的Cor值及FM值高于本文方法DI(變分去噪)+FLICM方法。而本文方法DI(變分去噪)+DNN方法獲得的兩組數(shù)據(jù)集的建筑物變化檢測(cè)圖中仍然存在少量的非建筑物變化檢測(cè)信息，但數(shù)據(jù)集1的建筑物變化檢測(cè)效果較DI(本文方法)+SVM方法好，因此，DI(本文方法)+DNN方法的FM值及Cor值高于本文方法DI(變分去噪)+SVM方法，如表1所示。而本文方法(變分去噪)獲得的兩組數(shù)據(jù)集的建筑物變化檢測(cè)圖包含少量的非建筑物變化信息，而且更多的建筑物變化信息被檢測(cè)出來(lái)。而從表1也可以看到，本文方法(變分去噪)的Cor值及FM值是最高的。

表2 試驗(yàn)2變化檢測(cè)評(píng)價(jià)指標(biāo)統(tǒng)計(jì)結(jié)果Tab.2 Statistical results of change detection and evaluation indexes in experiment 2

通過(guò)本文方法(變分去噪)與其他方法比較可以看出，采用本文方法DI(變分去噪)+FLICM方法進(jìn)行建筑物變化檢測(cè)時(shí)，由于本文構(gòu)造DI的方法凸顯建筑物變化檢測(cè)效果好，因此，F(xiàn)LICM可以檢測(cè)出大部分變化的建筑物信息，但由于此方法是對(duì)DI進(jìn)行分類(lèi)，因此，會(huì)出現(xiàn)很多非建筑物變化像素。而SVM方法是對(duì)獲得建筑物和非建筑物可靠訓(xùn)練樣本進(jìn)行訓(xùn)練后，對(duì)DI進(jìn)行分類(lèi)。由于，這種方法同樣是針對(duì)整個(gè)DI進(jìn)行分類(lèi)，容易檢測(cè)出較多非建筑物變化信息，但SVM的分類(lèi)效果要好于FLICM分類(lèi)效果。而本文方法DI(變分去噪)+DNN方法是通過(guò)參數(shù)T設(shè)置亮度區(qū)間的方式從本文構(gòu)造的DI中提取訓(xùn)練樣本，此方法提取訓(xùn)練樣本是通過(guò)參數(shù)T控制的，因此，會(huì)出現(xiàn)部分訓(xùn)練樣本的質(zhì)量較差，從而導(dǎo)致DNN分類(lèi)結(jié)果出現(xiàn)漏檢及錯(cuò)檢的情況。而本文方法(變分去噪)從DI構(gòu)造、像素級(jí)訓(xùn)練樣本選取及分類(lèi)方法等3個(gè)方面考慮，是一種針對(duì)建筑物變化檢測(cè)各個(gè)環(huán)節(jié)進(jìn)行分析的方法，不僅可以檢測(cè)出更多的建筑物變化信息，而且受影像獲取的角度、輻射條件及建筑物陰影等因素的影響較小，因此，本文方法能適用于多源及同源遙感影像建筑物變化檢測(cè)。

3.3 參數(shù)設(shè)定

方法變化檢測(cè)的精度主要受提取特征的鄰域窗口r及變分去噪算法中的λ0兩個(gè)重要參數(shù)影響，對(duì)于兩個(gè)參數(shù)確定的依據(jù)主要以建筑物變化檢測(cè)的精度(Com、Cor及FM)來(lái)評(píng)定的。鄰域窗口r選擇不宜過(guò)大，否則不僅會(huì)增加數(shù)據(jù)量，而且還會(huì)引入變化檢測(cè)的不確定因素，從而導(dǎo)致變化檢測(cè)性能下降。λ0值選擇不易過(guò)大，否則白斑噪聲去除的同時(shí)盡量不丟失微小建筑物變化區(qū)域。因此，本節(jié)還是選取r為5、7、9、11、13來(lái)進(jìn)行試驗(yàn)比對(duì)。參數(shù)λ0的大小0.2、0.4、0.6、0.8及1之間選擇，試驗(yàn)結(jié)果如圖9所示。

圖9 λ0值和r值對(duì)3組數(shù)據(jù)集變化檢測(cè)精度的影響Fig.9 Influence of λ0 value and r value on detection accuracy of change in three data sets

從圖9(a)可以看到，對(duì)于數(shù)據(jù)集1及數(shù)據(jù)集2而言，λ0取0.6時(shí)，Com值、Cor值及FM值都是最大的。從3個(gè)評(píng)價(jià)指標(biāo)值可以看到，λ0取0.6時(shí)，不同數(shù)據(jù)集的FM值都是最大的，綜合分析，λ0選0.6時(shí)，3組數(shù)據(jù)集的建筑物變化檢測(cè)結(jié)果最優(yōu)。而從圖9(b)可以看到，對(duì)于數(shù)據(jù)集1而言，r取13時(shí)，Com值、Cor值及FM值最大，對(duì)于數(shù)據(jù)集2而言，r取9時(shí)，Cor值及FM值最大，并且隨著r的增大，數(shù)據(jù)集2的Cor值及FM值逐漸變小。從3個(gè)評(píng)價(jià)指標(biāo)值可以看到，數(shù)據(jù)集1及數(shù)據(jù)集2分別選取r為13及9時(shí)，兩組數(shù)據(jù)集的建筑物變化檢測(cè)結(jié)果最優(yōu)。

4 結(jié) 論

通過(guò)本文建筑物變化檢測(cè)方法的研究，得出以下幾點(diǎn)結(jié)論；

(1) 本文構(gòu)建的DI(SSIM選取紋理特征及形狀特征)及對(duì)DI的變分去噪處理不僅可以凸顯建筑物變化信息，而且減少數(shù)據(jù)冗余及不確定因素(白斑噪聲)的引入，從而提高后續(xù)建筑物變化檢測(cè)的精度。

(2) 本文提出的提取高質(zhì)量像素級(jí)訓(xùn)練樣本的思路：首先使構(gòu)造的DI凸顯變化信息，然后采用FDS鎖定變化信息，最后采用FCM進(jìn)行預(yù)分類(lèi)，從而獲得高質(zhì)量的訓(xùn)練樣本。

(3) 不管是對(duì)多類(lèi)地物還是特定地物進(jìn)行變化檢測(cè)，都要對(duì)變化檢測(cè)過(guò)程中的每個(gè)步驟進(jìn)行分析，才能獲得高精度的變化檢測(cè)結(jié)果。通過(guò)試驗(yàn)分析，如果DI不能很好地凸顯變化區(qū)域，那么再好的聚類(lèi)方法也達(dá)不到好的變化檢測(cè)效果。同樣，如果DI能很好地凸顯變化區(qū)域，但提取訓(xùn)練樣本質(zhì)量不好或者聚類(lèi)性能不高，同樣也會(huì)降低變化檢測(cè)的性能。因此，本文就從差異影像構(gòu)造、高質(zhì)量像素級(jí)訓(xùn)練樣本獲取及分類(lèi)方法3方面考慮，提出了基于多特征融合及隨機(jī)多圖的建筑物變化檢測(cè)方法，通過(guò)與其他方法比較，此方法不僅可以使構(gòu)建的DI凸顯建筑物變化信息，獲取高質(zhì)量的建筑物訓(xùn)練樣本，而且受影像獲取的角度、輻射條件及建筑物陰影等因素的影響較小，較少的非建筑物變化檢測(cè)信息被檢測(cè)。因此，本文方法可以針對(duì)多源及同源遙感影像進(jìn)行建筑物的變化檢測(cè)，其適用性較強(qiáng)，能夠得到較高精度的建筑物變化檢測(cè)圖。

(4) 雖然本文方法建筑物檢測(cè)性能較好，但也存在一些不足：①在粗變化檢測(cè)過(guò)程中，容易丟失建筑物變化像素，從而導(dǎo)致建筑物漏檢；②在構(gòu)造DI時(shí)，多特征融合的系數(shù)并沒(méi)有實(shí)現(xiàn)自動(dòng)化，并且由于不同影像融合的系數(shù)不一致，增加了操作的煩瑣性。