張友桐

(廣東聯(lián)合金地不動(dòng)產(chǎn)評(píng)估勘測(cè)設(shè)計(jì)有限公司, 廣東 韶關(guān) 512000)

0 引言

隨著國(guó)民經(jīng)濟(jì)的快速發(fā)展,城鎮(zhèn)地表覆蓋信息需快速、及時(shí)更新。通過近年來興起的變化檢測(cè)技術(shù)與遙感影像數(shù)據(jù)結(jié)合,自動(dòng)提取不同時(shí)期地表覆蓋區(qū)域的地物變化情況,提高衛(wèi)星執(zhí)法作業(yè)效率。相關(guān)學(xué)者對(duì)高分辨率遙感影像變化檢測(cè)技術(shù)進(jìn)行深入研究,并提出一系列方法,主要包括傳統(tǒng)變化檢測(cè)方法與基于深度神經(jīng)網(wǎng)絡(luò)的變化檢測(cè)方法。

傳統(tǒng)變化檢測(cè)方法主要包括影像代數(shù)法、影像變換法以及分類對(duì)比法。影像代數(shù)法利用前后兩期影像的波段差值計(jì)算對(duì)應(yīng)像素的差異,然后采用閾值自動(dòng)分割的方法確定變化檢測(cè)閾值,常用的方法包括灰度差值法、變化向量分析法以及植被指數(shù)差值法。影像變換法將前后兩期的多波段影像視為一張影像,通過多元分析方法進(jìn)行影像數(shù)據(jù)投影,將多期影像投影到特定特征空間,在特征空間進(jìn)行變化檢測(cè),常用的方法有主成分分析、多元變化檢測(cè)以及迭代多元變化分析等。影像分類后變化檢測(cè),首先對(duì)前后期影像分別進(jìn)行分類,然后將分類結(jié)果對(duì)比分析確定變化檢測(cè)方法。

深度學(xué)習(xí)作為遙感信息挖掘的有效手段,在目標(biāo)檢測(cè)、影像分割、影像分類等領(lǐng)域獲取較好的結(jié)果,為利用序列高分辨率遙感影像提取地物變化信息提供一種方法。由序列高分辨率遙感影像提取地物變化信息,可以認(rèn)為是對(duì)多波段遙感影像進(jìn)行地物變化與未變化區(qū)域的分類問題。因此,對(duì)序列高分辨率遙感影像通過深度神經(jīng)網(wǎng)絡(luò)的分割模型快速、高效提取不同時(shí)期遙感影像上地物變化區(qū)域,即基于深度學(xué)習(xí)的遙感影像變化檢測(cè)方法。目前,能夠用于遙感影像變化檢測(cè)的公開訓(xùn)練樣本數(shù)據(jù)較少,導(dǎo)致相關(guān)研究不多。Chu等采用優(yōu)化的深度信念網(wǎng)絡(luò)進(jìn)行遙感影像變化區(qū)域提取;田青林等利用多特征結(jié)合的方法自動(dòng)提取變化檢測(cè)樣本數(shù)據(jù),訓(xùn)練深度限制玻爾茲曼機(jī)模型,進(jìn)而提取變化區(qū)域獲得較好的試驗(yàn)結(jié)果;Lebedev等利用對(duì)抗網(wǎng)絡(luò)進(jìn)行遙感影像變化檢測(cè)方法。上述方法,都取得一定的成果,但當(dāng)樣本數(shù)據(jù)量較少，或者樣本特征分布不均勻時(shí)檢測(cè)結(jié)果較差。

針對(duì)高分辨率遙感影像信息豐富,地物變化復(fù)雜,導(dǎo)致變化檢測(cè)結(jié)果精度較低問題。采用傳統(tǒng)非深度學(xué)習(xí)變化檢測(cè)算法難以有效獲取正確率高,漏檢率、虛檢率均低的合適閾值;深度學(xué)習(xí)變化檢測(cè)算法需樣本數(shù)據(jù)量較大且特征分布,以獲取較好的變化檢測(cè)結(jié)果。因此,本文采用融合變化向量分析(change vector analysis，CVA)與小型U型網(wǎng)絡(luò)模型(Unet)網(wǎng)絡(luò)結(jié)合序列高分辨率遙感影像變化檢測(cè)方法,充分利用傳統(tǒng)方法獲取可靠的訓(xùn)練樣本數(shù)據(jù),結(jié)合深度學(xué)習(xí)自動(dòng)學(xué)習(xí)獲取準(zhǔn)確的地物變化特征信息,進(jìn)一步提升變化檢測(cè)結(jié)果精度。

1 融合CVA與深度學(xué)習(xí)的變化檢測(cè)方法

傳統(tǒng)的變化檢測(cè)算法難以完成高精度、自動(dòng)化的變化檢測(cè),基于深度學(xué)習(xí)的遙感影像變化檢測(cè)算法需人工采集大量特征分布均勻的樣本數(shù)據(jù),用于訓(xùn)練深度學(xué)習(xí)模型,以獲得較好的變化檢測(cè)結(jié)果。針對(duì)此問題,采用無監(jiān)督的CVA變化檢測(cè)方法用于獲取遙感影像變化檢測(cè)所需的訓(xùn)練樣本,結(jié)合小型Unet網(wǎng)絡(luò)深度學(xué)習(xí)模型進(jìn)行高分辨率遙感影像變化區(qū)域提取。

首先,對(duì)前后兩期影像利用CVA算法提取變化區(qū)域、未變化區(qū)域以及不確定區(qū)域;然后,利用已經(jīng)確定的變化區(qū)域和未變化區(qū)域作樣本數(shù)據(jù)訓(xùn)練小型Unet網(wǎng)絡(luò)模型,并利用該模型提取影像的變化區(qū)域;最后,采用多尺度分割算法對(duì)前后期影像進(jìn)行分割,利用分割后的矢量作為約束以減少“椒鹽噪聲”影響。本文方法的流程如圖1所示。

圖1 融合CVA與深度學(xué)習(xí)的變化檢測(cè)方法

1.1 基于CVA的變化檢測(cè)算法

Malila于1980年提出變化矢量分析方法,該方法從變化方向與變化強(qiáng)度兩個(gè)方向進(jìn)行遙感影像變化檢測(cè)。傳統(tǒng)的變化檢測(cè)方法將前后兩期遙感影像進(jìn)行差值運(yùn)算獲取多光譜差值影像,差值影像上每個(gè)像素為一個(gè)矢量,矢量組成為

(1)

在二維空間中以變化矢量大小和方向介紹變化檢測(cè)原理,如圖2所示。圖2中的矢量長(zhǎng)度表示地物變化程度,方向表示地物變化類別。

圖2 CVA原理

基于CVA的變化檢測(cè)方法利用歐式距離表示兩期影像變化強(qiáng)度,變化強(qiáng)度影像的像素值采用差值多光譜影像灰度平方和再開方得到。

(2)

其中,

D

為像元變化強(qiáng)度。利用CVA進(jìn)行變化檢測(cè)過程中,采用獨(dú)立閾值分割方法確定變化區(qū)域與非變化區(qū)域的閾值,進(jìn)而獲取變化檢測(cè)的粗結(jié)果。

1.2 小型Unet網(wǎng)絡(luò)模型變化檢測(cè)算法

針對(duì)遙感影像數(shù)據(jù)量大,不同地區(qū)地貌、不同時(shí)相、不同傳感器制作大量樣本數(shù)據(jù)工作量大,現(xiàn)有樣本數(shù)據(jù)有限情況,文中對(duì)Ronneberger等人提出的Unet網(wǎng)絡(luò)模型優(yōu)化,構(gòu)造針對(duì)少量樣本數(shù)據(jù)的遙感影像變化檢測(cè)模型,進(jìn)而提取高分辨率遙感影像上疑似變化區(qū)域。

首先,針對(duì)Unet網(wǎng)絡(luò)模型的輸入進(jìn)行改進(jìn),將前后兩期遙感影像合并為一張影像數(shù)據(jù)作為輸入數(shù)據(jù),輸出與輸入大小相同的波段影像。由于用于訓(xùn)練網(wǎng)絡(luò)模型的數(shù)據(jù)較少,而模型參數(shù)較多,采用數(shù)據(jù)曾廣和dropout方法,難以有效避免訓(xùn)練模型過程中出現(xiàn)過擬合現(xiàn)象。文中采用減少輸入影像波段數(shù)量,以減少模型參數(shù)方式改善過擬合現(xiàn)象。一般情況下,在相鄰時(shí)期的高分辨率遙感影像上非變化地物通常占主要區(qū)域,為了獲取更小的損失函數(shù),導(dǎo)致深度網(wǎng)絡(luò)模型參數(shù)訓(xùn)練過程中將變化地物影像區(qū)域預(yù)測(cè)為非變化區(qū)域。文中利用加權(quán)的交叉熵為損失函數(shù)

l

增強(qiáng)變化影像的敏感性,以有效地提取變化區(qū)域。具體實(shí)現(xiàn)函數(shù)為

(3)

其中,

w

為影像寬；

h

為影像高；

N

為訓(xùn)練樣本類別數(shù)量,在遙感影像變化檢測(cè)中取

N

=2;(

i

,

j

)為影像像素位置;

y

為影像對(duì)應(yīng)的類別標(biāo)簽,表示變化與非變化類別;

x

(,)[

k

]表示(

i

,

j

)像素預(yù)測(cè)為

k

類的分?jǐn)?shù);

W

表示權(quán)重。

W

滿足式(14)關(guān)系。

(4)

1.3 空間信息約束

為了減少小型Unet網(wǎng)絡(luò)提取變化結(jié)果漏檢與誤檢現(xiàn)象,借鑒面向?qū)ο笏枷?利用高分辨率遙感影像空間信息對(duì)小型Unet網(wǎng)絡(luò)提取的變化區(qū)域進(jìn)行約束處理,減少以像素為單位處理所帶來的“椒鹽噪聲”現(xiàn)象。

利用多尺度分割算法對(duì)前后期疊加影像進(jìn)行分割處理,生成變化檢測(cè)對(duì)象,該方法可以避免因采用單一時(shí)期影像帶來過分割、分割不足等分割失真現(xiàn)象。然后,統(tǒng)計(jì)每個(gè)對(duì)象內(nèi)部變化影像與非變化影像像素?cái)?shù),計(jì)算變化區(qū)域像素所占比重,當(dāng)比重大于0.5時(shí),認(rèn)為該對(duì)象為變化區(qū)域,否則為非變化區(qū)域。影像過分割或分割不足,會(huì)導(dǎo)致變化檢測(cè)精度下降。然而,利用較小尺度分割進(jìn)行空間約束會(huì)降低漏檢現(xiàn)象。最后,統(tǒng)計(jì)像素與局部八鄰域內(nèi)像元變化情況,若變化像素個(gè)數(shù)大于5,則標(biāo)記為最終變化區(qū)域,生成最終變化檢測(cè)結(jié)果。利用這種空間信息約束的方法,能在一定程度下提高變化檢測(cè)的準(zhǔn)確性、降低誤檢率與虛檢率。

2 試驗(yàn)與分析

2.1 試驗(yàn)數(shù)據(jù)

試驗(yàn)采用數(shù)據(jù)集共包括18組數(shù)據(jù),每組數(shù)均包含前后不同時(shí)期的兩張多光譜與全色數(shù)據(jù),融合后影像分辨率為2 m的多光譜數(shù)據(jù),影像包含藍(lán)、綠、紅以及近紅外等四個(gè)波段,數(shù)據(jù)樣本示例如圖3所示。

(a)2015年高分一號(hào)數(shù)據(jù) (b)2018年高分一號(hào)數(shù)據(jù)

為驗(yàn)證變化檢測(cè)結(jié)果精度,采用正確率、漏檢率、虛檢率三個(gè)指標(biāo)表示,其中正確率為檢測(cè)變化區(qū)域正確像素?cái)?shù)與所提取結(jié)果數(shù)比值;漏檢率為未檢測(cè)出實(shí)際變化數(shù)與真實(shí)變化數(shù)的比值;誤檢率為誤檢變化區(qū)域數(shù)與所提取結(jié)果數(shù)比值,具體計(jì)算公式參考文獻(xiàn)[16]。

2.2 試驗(yàn)結(jié)果分析

采用CVA方法獲取前后時(shí)期影像的差異影像,利用獨(dú)立閾值法確定差異影像的變化閾值,進(jìn)而將影像分為變化區(qū)域、非變化區(qū)域。圖4(a)給出利用CVA算法在測(cè)試數(shù)據(jù)提取的粗變化檢測(cè)結(jié)果。將提取粗變化檢測(cè)結(jié)果,隨機(jī)提取樣本數(shù)據(jù)與原始影像結(jié)合,作為小型Unet網(wǎng)絡(luò)的輸入樣本數(shù)據(jù)訓(xùn)練模型參數(shù);同時(shí)利用樣本數(shù)據(jù)對(duì)獲取的模型參數(shù)進(jìn)行精度驗(yàn)證。卷積通道參數(shù)intPut設(shè)置為原始Unet網(wǎng)絡(luò)模型的一半,即由intPut→64→128→256→512→1 024修改為intPut→32→64→128→256→512。為了避免因樣本數(shù)據(jù)量過少導(dǎo)致訓(xùn)練過程中出現(xiàn)過擬合現(xiàn)象,對(duì)壓縮路徑和擴(kuò)張路徑同時(shí)進(jìn)行優(yōu)化;通過分別設(shè)置變化類與非變化類的交叉熵?fù)p失函數(shù)權(quán)重為0.7、03,獲取采用深度學(xué)習(xí)的小型Unet網(wǎng)絡(luò)模型提取遙感影像變化區(qū)域;最終,利用空間信息約束的方法,對(duì)小型Unet網(wǎng)絡(luò)提取的變化檢測(cè)結(jié)果進(jìn)行優(yōu)化,以除去結(jié)果中存在的斑點(diǎn)噪聲、填補(bǔ)內(nèi)部漏洞以及變化像素和非變化像素間的間隙,獲得最終的變化檢測(cè)結(jié)果。具體效果見圖4,檢測(cè)結(jié)果精度見表1。

(a)CVA變化檢測(cè)方法 (b)Unet網(wǎng)絡(luò)方法

(c)本文方法

表1 不同方法精度對(duì)比

試驗(yàn)結(jié)果表明：①采用CVA算法結(jié)合獨(dú)立閾值算法檢測(cè)出來變化檢測(cè)區(qū)域正確率、漏檢率高,虛檢率最低為0.09,檢測(cè)效果不理想,但提取變化區(qū)域的正確率較高;利用CVA算法提取粗變化檢測(cè)區(qū)域作為小型Unet網(wǎng)絡(luò)模型訓(xùn)練樣本時(shí)能夠保證樣本正確、特征分布均勻,避免因錯(cuò)誤樣本導(dǎo)致訓(xùn)練網(wǎng)絡(luò)模型不能有效提取變化區(qū)域,為后期提高變化檢測(cè)精度提供樣本數(shù)據(jù)正確率保障;②采用Unet網(wǎng)絡(luò)模型提取變化檢測(cè)區(qū)域,漏檢率相比CVA算法有所降低,但虛檢率提高;由圖4 (b)可知,變化檢測(cè)結(jié)果變化區(qū)域間存在漏洞現(xiàn)象以及嚴(yán)重的“椒鹽噪聲”現(xiàn)象,導(dǎo)致檢測(cè)結(jié)果整體精度不高;③本文采用融合CVA與深度學(xué)習(xí)的變化檢測(cè)方法,對(duì)比單一的CVA算法和Unet網(wǎng)絡(luò)模型算法變化檢測(cè)結(jié)果精度均有所提升,漏檢率和虛檢率減少。同時(shí),本文利用空間信息約束對(duì)變化檢測(cè)結(jié)果進(jìn)一步優(yōu)化處理,以除去結(jié)果中存在的斑點(diǎn)噪聲、填補(bǔ)內(nèi)部漏洞以及變化像素和非變化像素間的間隙,進(jìn)一步提升變化檢測(cè)效果。

3 結(jié)束語

針對(duì)傳統(tǒng)變化檢測(cè)算法在高分辨遙感影像地物豐富、變化復(fù)雜情況精度不高問題,文中結(jié)合深度學(xué)習(xí)在影像分割方面的優(yōu)勢(shì),提出融合CVA與深度學(xué)習(xí)模型的高分辨率遙感影像變化檢測(cè)方法。試驗(yàn)結(jié)果表明,該方法相比單一的CVA算法、Unet網(wǎng)絡(luò)正確率最高,漏檢率最小。但文中缺少對(duì)變化區(qū)域很小導(dǎo)致變化樣本數(shù)據(jù)較少的考慮,這也是下一步的研究方向。