何 莉

(甘肅省測繪工程院,甘肅 蘭州 730000)

0 引言

遙感影像變化檢測指通過前后時期同一覆蓋區(qū)域的遙感影像數(shù)據(jù),確定地物變化區(qū)域[1-2]。該技術(shù)被廣泛應(yīng)用在地理國情監(jiān)測、國土資源普查、土地信息變更等領(lǐng)域。

常用的變化檢測方法主要有影像代數(shù)法、主成分分析法、變化向量分析法等。由于遙感影像數(shù)據(jù)間存在大量噪聲以及波段數(shù)據(jù)間存在冗余數(shù)據(jù),導(dǎo)致提取結(jié)果存在嚴(yán)重“椒鹽噪聲”現(xiàn)象。文獻(xiàn)[3]采用變化向量分析方法,該方法利用不同波段差值構(gòu)建差異影像,采用期望最大化算法(expectation-maximum,EM)確定變化檢測閾值,提取遙感影像變化區(qū)域,但不同波段數(shù)據(jù)間數(shù)據(jù)存在大量冗余導(dǎo)致檢測效率太低。為了減少噪聲以及不同波段數(shù)據(jù)間相關(guān)性對變化檢測精度的影響,文獻(xiàn)[4]采用主成分分析方法減少波段間數(shù)據(jù)冗余問題,以提高變化檢測精度,但該方法對單景遙感影像進(jìn)行主成分分析,沒有考慮不同時相遙感影像數(shù)據(jù)冗余問題。為了充分消除原始影像內(nèi)部波段以及不同時相影像間的波段相關(guān)性問題,文獻(xiàn)[5]將多元變化檢測方法引入遙感影像變化檢測處理領(lǐng)域,該方法對多元變化檢測檢測(multivariate alteration detection,MAD)變化處理后的影像采用簡單的差值方法構(gòu)造差異影像,通過手動設(shè)置閾值的方法提取變化檢測結(jié)果,閾值手動選取對作業(yè)者經(jīng)驗(yàn)要求較高。文獻(xiàn)[6]通過引入受試者工作特征曲線方法自動設(shè)置閾值,降低變化檢測精度。文獻(xiàn)[7]通過融合EM方法,采用樣本數(shù)據(jù)自動訓(xùn)練獲取變化區(qū)域,但方法需要人工選取樣本數(shù)據(jù)。為減少人工干預(yù)影響提高變化檢測精度,文獻(xiàn)[8]在MAD方法基礎(chǔ)上,通過融合EM算法結(jié)合先驗(yàn)概率自動確定變化檢測閾值,對不同時相遙感影像提取較好的變化檢測結(jié)果,但該方法以像素為處理單元對地物信息豐富的高分辨率影像難以獲取理想的檢測效果。文獻(xiàn)[9]采用基于對象的MAD算法的變化檢測方法,該方法以對象的灰度均值作為MAD數(shù)據(jù)輸入,但分割方法具有尺度限制,難以獲取理想的分割效果,進(jìn)而帶來新的誤差。

鑒于此,本文提出融合迭代加權(quán)多元變化檢測( iterative weighted-multivariate change detection,IR-MAD)與超像素分割的變化檢測方法。該方法首先利用IR-MAD算法提取初始變化檢測結(jié)果;然后利用多尺度超像素分割(simple linear iterative clustering,SLIC)算法分割影像獲取不同尺度下的超像素,用超像素像元替代原始像素進(jìn)行變化檢測,進(jìn)一步提高變化檢測結(jié)果。

1 融合多元變化檢測與超像素分割的變化檢測方法

1.1 迭代加權(quán)多元變化檢測

多元變化檢測是在典型相關(guān)分析(canonical correlation analysis, CCA)基礎(chǔ)上進(jìn)行優(yōu)化得到的,該方法利用兩組特定變量的相關(guān)性表示前后期兩張高分辨率遙感影像間相關(guān)關(guān)系的方法[10]。假定X=[X1,X2,…,Xp]Τ與Y=[Y1,Y2,…,Yq]Τ分別表示p個波段與q個波段的高分辨率多光譜影像,且E(X)、E(Y)均為0,可得

(1)

其中,aΤ、bΤ為兩組特征相關(guān)系數(shù)。

利用前后兩期高分辨率多光譜遙感影像數(shù)據(jù)結(jié)合CCA原理,多元變化檢測的變換可以轉(zhuǎn)換為

(2)

即,在Var(aΤX)、Var(bΤY)均滿足為1的要求下解算使得Var(aΤX-bΤY)最大對應(yīng)的相關(guān)系數(shù)a與b。

在滿足約束條件下,依據(jù)變量和的方差計(jì)算方法對公式Var(aΤX-bΤY)進(jìn)行化解可以表示為

(3)

Corr{aΤX,bΤY}為前后期影像的相關(guān)系數(shù)。

由式(3)可知,前后時期影像間的方差與相關(guān)系數(shù)呈負(fù)相關(guān)。因此,求Var(aΤX-bΤY)=max問題轉(zhuǎn)換為在滿足約束條件下,求前期、后期影像相關(guān)性最小問題。

由上述分析可知,MAD模型關(guān)鍵為求解前期、后期影像典型相關(guān)系數(shù)。變換后的典型變量相關(guān)性依次遞減,即最后一組相關(guān)性最小，第一組相關(guān)性最大。因此,MAD變換結(jié)果可以轉(zhuǎn)換為典型相關(guān)系數(shù)由小到大從新排序,即

(4)

在進(jìn)行MAD變換處理后,依據(jù)中心極限定理,處理后的影像數(shù)據(jù)服從混合高斯模型,經(jīng)過標(biāo)準(zhǔn)化處理過的MAD變量獲得的變量Ti值服從自由度為S的卡方分布

(5)

其中,σMADi表示MAD處理后的標(biāo)準(zhǔn)差。

每次迭代像元新的權(quán)值wj采用卡方值Ti對應(yīng)的概率值表示,即

(6)

通過多次迭代處理,當(dāng)像素的權(quán)重值w趨于穩(wěn)定時,則停止迭代;對比像素權(quán)重值與閾值threshould,將大于閾值的像素判定為變化區(qū)域,已提取初始的變化檢測結(jié)果。

1.2 超像素分割原理

由于IR-MAD以像素為單元進(jìn)行變化檢測算法對完整地物或局部空間信息缺少考慮,在影像局部存在噪聲情況下,存在局部誤檢或漏檢現(xiàn)象。針對此問題,引入超像素分割聚類方法,以超像素單元局部信息替代像元信息,解決以像素為單元過小的限制,引入超像元得到一個空間特征約束的MAD變化檢測方法,提高變化檢測精度。

超像元聚類的基本思想以紋理、亮度、顏色等特征相似為依據(jù)將影像分割多個區(qū)域[11]。文中采用SLIC方法對MAD變換后的影像進(jìn)行聚類處理,相比其他超像素聚類方法,該方法僅需設(shè)置尺度參數(shù),就能獲得較高的超像元緊致度、物體輪廓保持度,一定程度上較少人工干預(yù)的影響。SLIC主要步驟如下：

(1)將原始影像轉(zhuǎn)換到五維特征空間,即x、y坐標(biāo)空間與CIELab色彩空間。

(2)設(shè)置超像元聚類尺度m,將影像分割成m個超像元。利用超像素聚類中心局部區(qū)域的像素梯度,細(xì)微調(diào)整超像元聚類中心位置,避免超出地物邊界輪廓區(qū)域。

(3)以D為大小對聚類中心2S·2S局部區(qū)域的像元進(jìn)行重新聚類,其中D為

其中,D為像素點(diǎn)與聚類中心的距離;S表示分割初始步長;dc表示色彩空間距離;h、a、b分別表示色彩空間3個分量;ds表示空間距離；n表示固定參數(shù)。

(4)重復(fù)步驟(3),當(dāng)聚類中心不發(fā)生變化為止停止迭代,文獻(xiàn)指出SLIC在第十次迭代后基本達(dá)到理想聚類效果,本文設(shè)置迭代次數(shù)為10。

(5)通過標(biāo)記為-1的影像,以“Z”形遍歷整張影像,將尺寸過小、不連續(xù)的超像素就近規(guī)劃到相鄰超像素上,以解決超像素過小或多連通問題,增強(qiáng)超像素連通性。

1.3 算法步驟

當(dāng)設(shè)置超像元數(shù)目過小時,超像元分割尺度過大,地物較小的變化區(qū)域容易漏檢;當(dāng)設(shè)置超像元數(shù)目過大時,超像元分割尺度過大,超像元難以完整地表達(dá)地物信息,在遙感影像上不同時期地物大小不一,單個超像元分割尺度的變化檢測錯檢現(xiàn)象嚴(yán)重?；谏鲜鰡栴},文中采用多超像元尺度分割算法,通過眾數(shù)原則解決前后時相影像超像元形狀、數(shù)量及邊界不一致問題,實(shí)現(xiàn)MAD-SP算法。MAD-SP算法具體步驟如下：

(1)利用MAD算法進(jìn)行基于像元的變化檢測提取,獲取初始變化檢測結(jié)果Yc;

(4)在光譜維將t個時相的Yo結(jié)果疊加,得到一個t·K層的數(shù)據(jù),并統(tǒng)計(jì)每個層變化像元數(shù)目與非變化像元數(shù)據(jù),以眾數(shù)規(guī)則,得到最終的變化檢測結(jié)果Y。

2 實(shí)驗(yàn)與分析

本研究選擇蘭州市2015年與2017年高分二號影像數(shù)據(jù)為研究對象,影像包括4 m分辨率的多光譜數(shù)據(jù)和1 m全色數(shù)據(jù),利用PIE軟件提供NND算法融合方法生成1 m分辨率的多光譜數(shù)據(jù),具體結(jié)果見圖1。采用人工選取同名點(diǎn)的方式,對不同時相的影像進(jìn)行幾何配準(zhǔn)保證配準(zhǔn)后影像精度優(yōu)于1個像素。

(a)2015時期遙感影像

由于MAD處理后,不同變量內(nèi)都包含變化信息,但每個變量的變化信息均不全面。因此,不能采用單一變量信息進(jìn)行遙感影像變化檢測信息。結(jié)合卡方分布密度函數(shù),通過迭代加權(quán)的方式獲取基于像素方法的初始變化檢測結(jié)果,檢測效果如圖2(a)所示。通過IR-MAD算法與SLIC算法融合的變化檢測算法效果如圖2(b)所示。其中，黑色表示變化區(qū)域,白色為未變化區(qū)域。

(a)文獻(xiàn)變化檢測結(jié)果

由圖2可知,高分辨率遙感影像地物信息豐富,同種地物內(nèi)部灰度變化較大,不同地物灰度信息存在重疊;采用基于像元的IR-MAD算法結(jié)果存在嚴(yán)重的“椒鹽噪聲”,目視效果比較破碎,導(dǎo)致基于像元的IR-MAD算法提取變化效果不理想。而本文結(jié)合IR-MAD方法與SLIC聚類方法優(yōu)勢,通過多尺度SLIC方法解決不同大小地物分割不足或過分割問題,確保提取變化檢測結(jié)果邊界保存好、內(nèi)部同質(zhì)性較好,檢測結(jié)果中基本消除了“椒鹽噪聲”現(xiàn)象,整體效果較好。

通過統(tǒng)計(jì)變化區(qū)域與非變化區(qū)域混淆矩陣,定量分析變化檢測結(jié)果精度。不同方法的變化檢測精度結(jié)果如表1所示。

表1 不同方法精度評定 單位：%

由表1可知,基于像元的IR-MAD方法正確率、漏檢率、虛檢率分別為82.35%、15.16%、19.56%,融合IR-MAD與SLIC方法的變化檢測結(jié)果正確率、漏檢率、虛檢率分別為88.12%、10.25%、12.57%,正確率提升5.75%,漏檢率下降4.91%,虛檢率下降6.99%。本文提取變化檢測結(jié)果,無論視覺效果還是定量的精度評價(jià)結(jié)果,本文提出的融合IR-MAD與SLIC算法在高分辨率遙感影像上提取的變化范圍精度更高、適用性更好。

3 結(jié)束語

針對IR-MAD算法在高分辨率遙感影像上變化檢測存在問題,提出結(jié)合IR-MAD與超像素分割方法。相比傳統(tǒng)IR-MAD方法,通過采用多尺度SLIC方法分割影像獲取多尺度下的影像對象,解決不同大小地在不同尺度下的適應(yīng)性,保留地物邊界信息,相比基于像元的IR-MAD算法，本文檢測變化結(jié)果不存在“椒鹽噪聲”現(xiàn)象,能夠提高整體結(jié)果精度。