羅卿莉，崔峰志，魏鉅杰，明 磊

1. 天津大學(xué)精密測(cè)試技術(shù)及儀器國(guó)家重點(diǎn)實(shí)驗(yàn)室，天津 300072； 2. 中國(guó)測(cè)繪科學(xué)研究院，北京 100036； 3. 中國(guó)船舶工業(yè)系統(tǒng)工程研究院，北京 100094

合成孔徑雷達(dá)(synthetic aperture radar，SAR)是一種主動(dòng)微波成像遙感技術(shù)，具有全天時(shí)、全天候等優(yōu)勢(shì)。SAR影像變化檢測(cè)是遙感領(lǐng)域的研究熱點(diǎn)，在農(nóng)業(yè)作物分析[1]、城市擴(kuò)張分析[2]、地質(zhì)災(zāi)害定位和損害評(píng)估[3]等領(lǐng)域中得到了廣泛應(yīng)用。

SAR影像變化檢測(cè)可分為差異圖構(gòu)造、差異圖分析和變化檢測(cè)結(jié)果圖生成3個(gè)步驟，其中差異圖構(gòu)造和差異圖分析是研究的重點(diǎn)。在差異圖構(gòu)造前可以對(duì)影像進(jìn)行包括圖像配準(zhǔn)和輻射校正等預(yù)處理操作。其目的是使不同時(shí)相的SAR影像在空間域和光譜域具有一致可比性[4]。差異圖構(gòu)造是為了對(duì)變化類和未變化類進(jìn)行初步區(qū)分，為后續(xù)的差異圖分析提供基礎(chǔ)。最簡(jiǎn)單的差異圖構(gòu)造方法是基于像素相似性得到差異圖。文獻(xiàn)[5]提出變化向量分析方法，通過(guò)變化向量的大小和方向來(lái)判斷是否發(fā)生變化以及確定變化類型。文獻(xiàn)[6]提出利用對(duì)數(shù)比算子構(gòu)造差異圖，將乘性噪聲轉(zhuǎn)變?yōu)榧有栽肼?，能夠克服差值算子的缺點(diǎn)，但并未考慮領(lǐng)域信息。之后的學(xué)者們對(duì)加入鄰域信息改進(jìn)差異圖構(gòu)造算法進(jìn)行了研究。文獻(xiàn)[7]提出考慮鄰域信息如均值、方差等通過(guò)加權(quán)賦值來(lái)構(gòu)造比值差異圖，對(duì)單獨(dú)出現(xiàn)的噪點(diǎn)具有一定的抑制作用。文獻(xiàn)[8]提出的組合差異圖(combined difference image,CDI)方法是對(duì)差值比和對(duì)數(shù)比算子進(jìn)行加權(quán)融合。文獻(xiàn)[9]利用小波變換進(jìn)行不同比算子的高頻和低頻融合進(jìn)行差異圖構(gòu)造，提高了檢測(cè)性能。文獻(xiàn)[10]提出基于直接估計(jì)分布函數(shù)比值的方法提高了檢測(cè)精度。文獻(xiàn)[11]利用紋理差異與超像素分割信息融合構(gòu)造了差異圖，得到了較好的試驗(yàn)結(jié)果。文獻(xiàn)[12]提出將灰度差異圖和紋理差異圖進(jìn)行融合的方法，在提取變化信息的同時(shí)抑制了噪聲的影響。文獻(xiàn)[13]提出一種鄰域?qū)?shù)比算子和單像素對(duì)數(shù)比算子相乘來(lái)構(gòu)造差異圖的方法，可以增強(qiáng)變化類與未變化類之間的差異，具有較好的抗噪能力，但該方法仍存在將區(qū)域內(nèi)的部分變化區(qū)域誤分為未變化區(qū)域的問(wèn)題。

差異圖分析方法中最簡(jiǎn)單的是閾值法，包括KI閾值算法[14]和期望最大化(expectation maximization，EM)算法[15]。閾值法計(jì)算較為簡(jiǎn)單，但是存在精度受限的問(wèn)題。無(wú)監(jiān)督聚類法包括K均值(K-means，KM)聚類[16]和模糊C均值(fuzzy C-means，F(xiàn)CM)聚類[17]等。其思想都是通過(guò)增大類間距離，減小類內(nèi)距離來(lái)實(shí)現(xiàn)的。許多學(xué)者針對(duì)傳統(tǒng)的閾值法和聚類法進(jìn)行改進(jìn)，文獻(xiàn)[18]提出利用雙模態(tài)校驗(yàn)，采用基于廣義高斯模型的KI閾值算法來(lái)確定最佳閾值。文獻(xiàn)[19]將局部擬合和EM算法相結(jié)合用于SAR變化檢測(cè)。文獻(xiàn)[20]提出改進(jìn)的FCM聚類算法，利用帶附加項(xiàng)的MRF能量函數(shù)修正每個(gè)像素的隸屬度來(lái)降低散斑噪聲的影響。文獻(xiàn)[21]提出一種基于直方圖相似性測(cè)度的變化檢測(cè)方法，可以提高變化檢測(cè)的精度，但是該方法未有效利用紋理信息，僅利用光譜信息可能會(huì)導(dǎo)致錯(cuò)誤判別。文獻(xiàn)[22—23]利用主成分分析(PCA)與小波變換結(jié)合或利用字典學(xué)習(xí)與稀疏表示理論進(jìn)行變化檢測(cè)，該類方法具有一定的穩(wěn)健性。然而基于上述差異圖分析方法易受噪聲影響或需要先驗(yàn)概率模型等不足，因此，文獻(xiàn)[24—25]提出了流行排序(manifold ranking，MR)的概念與數(shù)學(xué)模型,其核心思想為根據(jù)大量數(shù)據(jù)揭示的本質(zhì)流形結(jié)構(gòu)進(jìn)行排序，并利用一種半監(jiān)督的分類函數(shù)用來(lái)表示標(biāo)記點(diǎn)和未標(biāo)記點(diǎn)之間的相關(guān)性。文獻(xiàn)[26]將流行排序算法引入到圖像的顯著性檢測(cè)，即根據(jù)待檢測(cè)區(qū)域與前景或背景線索的相似性進(jìn)行排序，但該方法過(guò)度依賴邊界背景特征的選擇。將流行排序算法引入SAR影像變化檢測(cè)中。文獻(xiàn)[28]提出結(jié)合邊界連通性和前景連通性先驗(yàn)進(jìn)行流形排序的顯著性檢測(cè)。文獻(xiàn)[29]提出將流行排序與邊界擴(kuò)展、角聚類融合獲得更準(zhǔn)確、更平滑的顯著性映射。

隨著機(jī)器學(xué)習(xí)理論的深入發(fā)展，利用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)進(jìn)行SAR影像變化檢測(cè)是國(guó)內(nèi)外研究的熱點(diǎn)。文獻(xiàn)[30]利用堆疊式壓縮自編碼器(stacked contractive autoencoder，sCAE)從超像素塊中提取特征并進(jìn)行變化檢測(cè)分析。文獻(xiàn)[31]提出改進(jìn)的深層CNN網(wǎng)絡(luò)結(jié)構(gòu)，改善了卷積神經(jīng)網(wǎng)絡(luò)所需參數(shù)龐大而SAR數(shù)據(jù)集不足的問(wèn)題。針對(duì)SAR圖像源數(shù)據(jù)是相干復(fù)數(shù)的特點(diǎn)，文獻(xiàn)[32]利用復(fù)數(shù)深度網(wǎng)絡(luò)在訓(xùn)練時(shí)學(xué)習(xí)到圖像間的相關(guān)性來(lái)提升檢測(cè)效果。為提高精度水平以及充分利用多源數(shù)據(jù)，文獻(xiàn)[33]提出一種基于多光譜、高光譜和SAR等多種數(shù)據(jù)源的端到端檢測(cè)網(wǎng)絡(luò)。有監(jiān)督的深度學(xué)習(xí)方法通常需要大量的標(biāo)記樣本。針對(duì)SAR影像的標(biāo)記樣本獲取困難的問(wèn)題，文獻(xiàn)[34]提出一種利用自監(jiān)督表示學(xué)習(xí)的變化檢測(cè)方法，模仿生成式對(duì)抗網(wǎng)絡(luò)的判別器。文獻(xiàn)[35]在SAR影像變化檢測(cè)中利用瓶頸層代替普通卷積層，并引入非對(duì)稱卷積和空洞卷積，減少模型的運(yùn)算量和空間復(fù)雜度。文獻(xiàn)[36]提出利用多尺度池化核充分提取變化信息的空間上下文信息，在保證訓(xùn)練精度的同時(shí)減少訓(xùn)練和測(cè)試的時(shí)間。還有一類是分類后比較法，通常采用傳統(tǒng)方法或結(jié)合深度學(xué)習(xí)提取特征對(duì)不同時(shí)相的影像分別進(jìn)行分類后再做比較。文獻(xiàn)[37]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的SAR影像檢測(cè)方法。這種方法的檢測(cè)精度受限于前后時(shí)相SAR影像的分類精度，會(huì)存在誤差累積?？傮w而言，利用深度學(xué)習(xí)進(jìn)行變化檢測(cè)需要求解的參數(shù)較多，構(gòu)造的網(wǎng)絡(luò)模型較為復(fù)雜，受訓(xùn)練樣本的質(zhì)量影響較大[38]。

現(xiàn)有基于差異圖分析的變化檢測(cè)方法均能較好地實(shí)現(xiàn)SAR影像的變化檢測(cè)，但仍然存在兩個(gè)主要問(wèn)題：①變化區(qū)域內(nèi)存在誤檢測(cè)的問(wèn)題；②基于流行排序的變化檢測(cè)算法中使用的中心先驗(yàn)假設(shè)不適用于變化區(qū)域位于SAR影像邊界區(qū)域的檢測(cè)。為了克服上述缺陷，本文設(shè)計(jì)一種超像素分割和前景特征流行排序的SAR影像變化檢測(cè)方法(a method of manifold ranking based on superpixel segmentation and foreground features for change detection, MRSFCD)。算法通過(guò)基于單像素和鄰域?qū)?shù)比算子進(jìn)行加權(quán)融合構(gòu)造差異圖，在保持變化區(qū)域內(nèi)部的一致性的同時(shí)抑制噪聲干擾，然后改進(jìn)無(wú)向圖連接方式，不對(duì)四周邊界的超像素進(jìn)行連接，利用超像素分割結(jié)果和灰度信息進(jìn)行三次鄰接，基于前景特征進(jìn)行流行排序得到顯著性圖，避免了背景特征的選擇，提高了SAR影像邊界變化區(qū)域的檢測(cè)精度。

1 MRSFCD變化檢測(cè)算法流程

本文設(shè)計(jì)的超像素分割和前景特征流行排序的SAR影像變化檢測(cè)方法(MRSFCD)主要包括以下4部分：①濾波預(yù)處理，利用增強(qiáng)Lee濾波對(duì)不同時(shí)相的SAR影像進(jìn)行處理。②差異圖構(gòu)造，通過(guò)鄰域?qū)?shù)比和單像素對(duì)數(shù)比加權(quán)融合進(jìn)行差異圖構(gòu)造。③超像素分割和流行排序，對(duì)差異圖進(jìn)行超像素分割，然后改進(jìn)超像素的無(wú)向圖的連接方式，不對(duì)邊界四周的超像素進(jìn)行連接，利用超像素分割結(jié)果和灰度信息進(jìn)行三次鄰接。將基于前景特征流行排序后得到的顯著性圖與單像素對(duì)數(shù)差異圖進(jìn)行點(diǎn)乘。④閾值分割，利用OTSU閾值分割方法得到最終的變化檢測(cè)二值圖。算法的總體流程如圖1所示。對(duì)于目標(biāo)區(qū)域不同時(shí)刻獲取的兩幅SAR影像，令校正和配準(zhǔn)后的兩幅SAR影像分別為X1和X2。利用MRSFCD算法，可以得到變化檢測(cè)結(jié)果圖，分為變化類和未變化類兩大類。

圖1 MRSFCD變化檢測(cè)技術(shù)框架的基本流程Fig.1 Flowchart of the MRSFCD change-detection method

1.1 差異圖構(gòu)造

SAR影像變化檢測(cè)的精度受影像的相干斑噪聲影響較為嚴(yán)重。SAR的后向散射機(jī)理較為復(fù)雜，其存在透視收縮、疊掩現(xiàn)象和雷達(dá)陰影等幾何失真，以及包括SAR影像的斑點(diǎn)噪聲和多次反射圖像等問(wèn)題。各種地物的表面粗糙度等特性以及介電常數(shù)、角反射器效應(yīng)、極化方式等都會(huì)影響成像結(jié)果。本文方法主要考慮了斑點(diǎn)噪聲的影響，該方法是建立在將相干斑噪聲簡(jiǎn)化為乘性噪聲模型基礎(chǔ)上的。在SAR成像過(guò)程中，分辨單元內(nèi)散射體不滿足中心極限定理時(shí)，圖像噪聲模型估計(jì)為乘性噪聲，即I=X·Y，其中I為觀測(cè)圖像，X為地面實(shí)際反射圖像，Y為噪聲分量，其中X和Y互不相關(guān)。

本文首先采用增強(qiáng)Lee濾波[39]進(jìn)行預(yù)處理得到濾波后的影像。隨后利用對(duì)去除乘性噪聲效果較好的單像素對(duì)數(shù)比算子及鄰域?qū)?shù)比算子分別計(jì)算差異圖，對(duì)兩個(gè)差異圖進(jìn)行加權(quán)融合，構(gòu)造最終的差異圖。該算法不僅保持了變化區(qū)域內(nèi)部的一致性，同時(shí)減少了乘性噪聲的干擾。

鄰域?qū)?shù)差異圖的構(gòu)造利用了文獻(xiàn)[13]提出的鄰域?qū)?shù)比值算子。設(shè)鄰域?qū)?shù)比值算子為D1，其計(jì)算公式如式(1)所示，其中鄰域?yàn)?鄰域

(1)

式中，Ωι,j是像素(i,j)的鄰域；X1(m,n)和X2(m,n)分別是前后時(shí)相影像鄰域窗口內(nèi)的像素灰度值。單像素對(duì)數(shù)差異圖的構(gòu)造利用單像素對(duì)數(shù)比算子D2進(jìn)行計(jì)算

D2(i,j)=|ln(X1(i,j)+1)-ln(X2(i,j)+1)|=

(2)

式中，X1(i,j)和X2(i,j)分別為前后時(shí)相影像對(duì)應(yīng)像素的灰度值，對(duì)其數(shù)值進(jìn)行加1操作，是為了避免了灰度值為0而無(wú)法計(jì)算的情況。將D1與D2進(jìn)行加權(quán)融合，得到最終的比算子為

D(i,j)=ρ×D1(i,j)+(1-ρ)×D2(i,j)

(3)

式中，ρ為融合加權(quán)系數(shù)，其確定規(guī)則如式(4)所示

(4)

1.2 超像素分割和流行排序

本文設(shè)計(jì)了一種結(jié)合超像素分割和前景特征流行排序的差異圖分析方法，該方法提高了SAR影像邊緣區(qū)域的變化檢測(cè)精度。方法首先對(duì)差異圖進(jìn)行超像素分割，然后基于改進(jìn)的無(wú)向圖對(duì)超像素進(jìn)行連接和基于前景特征的流行排序，排序后得到的顯著性圖和基于單像素對(duì)數(shù)比的差異圖進(jìn)行點(diǎn)乘，得到變化檢測(cè)結(jié)果圖。對(duì)該結(jié)果圖進(jìn)行閾值分割，可以得到最終的變化檢測(cè)結(jié)果圖。

1.2.1 超像素分割

在差異圖分析過(guò)程中，首先對(duì)加權(quán)融合后的差異圖進(jìn)行了超像素分割，使用的是簡(jiǎn)單線性迭代(simple linear iterative clustering,SLIC)算法。本文利用SLIC對(duì)構(gòu)造得到的差異圖超像素分割。其原理是將灰度值以及像素坐標(biāo)進(jìn)行記錄，每個(gè)點(diǎn)對(duì)應(yīng)一個(gè)三維向量，然后對(duì)三維特征向量構(gòu)造距離度量標(biāo)準(zhǔn)，通過(guò)距離度量對(duì)圖像進(jìn)行超像素分割。超像素分割時(shí)認(rèn)為相鄰像素隸屬于同一個(gè)超像素，令它們有相同的標(biāo)記。

首先對(duì)差異圖設(shè)置初始化的聚類中心向量Mk=[lk,xk,yk]T，lk為第k個(gè)聚類中心灰度值，(xk,yk)為其位置坐標(biāo)，并使聚類中心采用正六邊形的分布，即令聚類中心采樣間距為W，更利于鄰接的穩(wěn)定性和平衡性，W定義如式(5)所示

(5)

式中，P為圖像像素總數(shù)；K為設(shè)置的超像素?cái)?shù)。距離度量D如式(6)所示

(6)

其定義是計(jì)算每個(gè)聚類中心像素與迭代搜索區(qū)域?yàn)?W×2W鄰域范圍內(nèi)的每個(gè)像素(i,j)之間的距離。其中i和j分別為灰度值為X(i,j)的像素的位置坐標(biāo)，p是聚類總數(shù)，β是調(diào)整顏色距離和空間距離權(quán)重的參數(shù)[11]。參數(shù)β是試驗(yàn)中的超參數(shù)，取值范圍為5～40。若β取值較小則超像素邊界更貼近像斑實(shí)際邊界，反之超像素邊界越規(guī)則。每次的迭代結(jié)果是將每個(gè)像素與距離最近的聚類中心k相關(guān)聯(lián)。迭代完成后將像素標(biāo)簽賦值為k，然后重新計(jì)算聚類中心。對(duì)上述過(guò)程迭代10次停止即可滿足需要。

1.2.2 基于前景特征的流行排序

利用流行排序進(jìn)行顯著性檢測(cè)的方法在變化檢測(cè)中是用于檢測(cè)差異圖中的變化區(qū)域。傳統(tǒng)利用流行排序進(jìn)行變化檢測(cè)方法是基于中心先驗(yàn)假設(shè)的。該假設(shè)認(rèn)為檢測(cè)的目標(biāo)是位于圖像靠近中間的區(qū)域，默認(rèn)背景位于圖像邊界處?；谠摷僭O(shè)發(fā)展的方法不適用于變化區(qū)域位于SAR影像邊緣部分的檢測(cè)。因此，為了提高SAR影像邊緣區(qū)域的變化檢測(cè)精度，本文設(shè)計(jì)了一種結(jié)合超像素和前景特征的流行排序方法。該方法改進(jìn)了無(wú)向圖構(gòu)造方式，利用超像素分割結(jié)果的灰度信息進(jìn)行三次鄰接的無(wú)向圖構(gòu)造，并基于前景特征進(jìn)行流行排序，得到顯著性圖，與單像素對(duì)數(shù)差異圖點(diǎn)乘從而標(biāo)記變化區(qū)域。該方法的主要步驟如下所述。

(1) 構(gòu)造超像素分割的無(wú)向圖。本文在超像素分割的基礎(chǔ)上構(gòu)造了無(wú)向圖，參考文獻(xiàn)[26]提出的方法(圖2(a))，在其基礎(chǔ)上進(jìn)行了改進(jìn)(圖2(b))。文獻(xiàn)[26]方法將每個(gè)節(jié)點(diǎn)與鄰接節(jié)點(diǎn)以及與鄰接節(jié)點(diǎn)共享邊界的節(jié)點(diǎn)相連接，并強(qiáng)制連接四周邊界節(jié)點(diǎn)構(gòu)成閉環(huán)圖，為減少中心先驗(yàn)假設(shè)對(duì)變化檢測(cè)結(jié)果的影響并考慮灰度信息，本文在文獻(xiàn)[26]方法的基礎(chǔ)上不對(duì)四周邊界的超像素進(jìn)行連接，并考慮了超像素的灰度信息進(jìn)行連接。在進(jìn)行流行排序時(shí)，遵照以下兩個(gè)基本假設(shè)：①每個(gè)超像素與附近的超像素可能具有同樣的標(biāo)記；②同一結(jié)構(gòu)上的超像素點(diǎn)往往具有一樣的標(biāo)記[25]。

本文利用超像素分割結(jié)果構(gòu)造了三次鄰接的無(wú)向圖，記作G=(V,E)。其中，V和E分別為一組節(jié)點(diǎn)和無(wú)向邊。無(wú)向圖構(gòu)造示意圖如圖2所示。各個(gè)不規(guī)則分塊表示超像素分割的結(jié)果，其中，用灰色和白色區(qū)域表示超像素均值的差別大于閾值φ的兩類區(qū)域。本文對(duì)利用超像素分割的結(jié)果進(jìn)行三次鄰接的無(wú)向圖構(gòu)造進(jìn)行說(shuō)明，以超像素節(jié)點(diǎn)i(中心區(qū)域的紅色節(jié)點(diǎn))為例。超像素節(jié)點(diǎn)是超像素的中心點(diǎn)。圖上還有3種顏色的超像素節(jié)點(diǎn)，分別為第1次連接的綠色節(jié)點(diǎn)j，第2次連接的藍(lán)色節(jié)點(diǎn)k，以及第3次連接的橙色節(jié)點(diǎn)m。第1步：將超像素節(jié)點(diǎn)i連接到與其相鄰的超像素節(jié)點(diǎn)j(綠色節(jié)點(diǎn))，作為第1次連接，形成綠色邊；第2步：將節(jié)點(diǎn)i連接到節(jié)點(diǎn)k(藍(lán)色節(jié)點(diǎn))上，作為第2次連接，形成藍(lán)色邊，其中節(jié)點(diǎn)i與節(jié)點(diǎn)j共享邊界并且灰度均值相近(即它們的灰度值的差值小于閾值φ，可取5～10；第3步：將節(jié)點(diǎn)i連接到節(jié)點(diǎn)m(橙色節(jié)點(diǎn))，作為第3次連接，形成橙色邊，其中節(jié)點(diǎn)i與節(jié)點(diǎn)k共享邊界并且灰度均值相近。對(duì)每個(gè)超像素節(jié)點(diǎn)按上述步驟進(jìn)行連接可得到每個(gè)節(jié)點(diǎn)的無(wú)向圖。

圖2 無(wú)向圖構(gòu)造示意Fig.2 Undirected graph construction

(2) 計(jì)算鄰接節(jié)點(diǎn)權(quán)重。無(wú)向圖構(gòu)造完成后，計(jì)算兩個(gè)超像素節(jié)點(diǎn)之間邊的權(quán)重表示如式(7)所示

(7)

(3) 流行排序。通過(guò)無(wú)向圖的構(gòu)造和鄰接節(jié)點(diǎn)權(quán)重計(jì)算，本文得到了關(guān)聯(lián)矩陣W和度矩陣D，利用流行排序計(jì)算模型可以獲得流行排序的穩(wěn)定解，即顯著性值。其穩(wěn)定解將用于之后的流行排序計(jì)算。每個(gè)超像素節(jié)點(diǎn)作為給定的數(shù)據(jù)集元素X={x1,x2,…xi,xi+1,xi+2,…xn}，將部分特征節(jié)點(diǎn)標(biāo)記為查詢點(diǎn)。設(shè)y=[y1,y2,…,yn]T為指示向量。若xi被標(biāo)記為查詢點(diǎn)則yi為1，否則為0。其余數(shù)據(jù)點(diǎn)根據(jù)他們與查詢點(diǎn)的相關(guān)性做排序即得到最終各個(gè)超像素節(jié)點(diǎn)的顯著性值。令f：X→Rn表示排序函數(shù)，f可以視為[f1,f2,…fn]T，可通過(guò)以下正則化框架計(jì)算最終排序穩(wěn)定解[24]。其代價(jià)函數(shù)如式(8)所示

(8)

式中，μ控制均勻度約束(第1項(xiàng))和初始化約束(第2項(xiàng))的平衡，后一項(xiàng)為正則項(xiàng)。最終排序函數(shù)如式(9)所示

f*=(I-αS)-1y

(9)

式中，I是單位矩陣；α=1/(1+μ)；S是標(biāo)準(zhǔn)歸一化Laplace矩陣，其表達(dá)式為

(10)

若對(duì)于二分類問(wèn)題，對(duì)式(9)進(jìn)行改寫

f*=(D-αW)-1y

(11)

在利用式(9)或者式(11)計(jì)算排序結(jié)果時(shí)，(I-αS)-1或(D-αW)-1的對(duì)角線元素應(yīng)設(shè)置為0，避免出現(xiàn)自增強(qiáng)的情況。

在利用式(11)進(jìn)行流行排序時(shí)，首先設(shè)定閾值確定初始查詢點(diǎn)。如式(12)所示

(12)

式中，Cmean表示差異圖所有超像素灰度值的均值；n為超像素?cái)?shù)量；ci為第i個(gè)超像素的所有像素點(diǎn)的灰度均值。提取灰度值大于2×Cmean的超像素作為前景特征檢測(cè)初始查詢點(diǎn)y，并進(jìn)行流行排序。其中f*為最終排序結(jié)果即顯著性值，再將顯著值f*分配到超像素內(nèi)的每個(gè)像素即可得到顯著性圖。顯著性圖增強(qiáng)了變化區(qū)域并弱化了未變化區(qū)域，但是存在強(qiáng)化了變化區(qū)域的部分邊界的問(wèn)題，在后續(xù)進(jìn)行閾值分割時(shí)可能會(huì)導(dǎo)致誤檢。為了避免上述問(wèn)題，本文將單像素對(duì)數(shù)差異圖和顯著性圖進(jìn)行點(diǎn)乘運(yùn)算得到了結(jié)果圖。這樣結(jié)合了單像素對(duì)數(shù)差異圖能夠較好地保持變化的邊界和顯著性圖能夠抑制未變化區(qū)域噪聲的優(yōu)勢(shì)，最終能夠得到較好的檢測(cè)結(jié)果。最后對(duì)結(jié)果圖利用OTSU閾值處理[40]得到二值變化檢測(cè)結(jié)果圖。

2 試驗(yàn)結(jié)果與分析

2.1 試驗(yàn)數(shù)據(jù)

為了對(duì)算法進(jìn)行性能測(cè)試，本文選取了覆蓋勻質(zhì)區(qū)域、異質(zhì)區(qū)域的3組試驗(yàn)數(shù)據(jù)進(jìn)行了試驗(yàn)，數(shù)據(jù)均為SAR影像的強(qiáng)度數(shù)據(jù)。第1組數(shù)據(jù)為分別于1999年4月和1999年5月通過(guò)衛(wèi)星ERS-2獲取的瑞士Bern地區(qū)火災(zāi)前后的SAR圖像，極化方式為VV極化，圖像尺寸均為301×301像素。第2組數(shù)據(jù)為分別于2008年6月和2009年6月通過(guò)衛(wèi)星Radarsat-2獲得的黃河入?？谵r(nóng)田地區(qū)的SAR影像，圖像尺寸均為291×306像素。第3組數(shù)據(jù)為分別于2014年1月和2015年2月通過(guò)衛(wèi)星TerraSAR-X獲得的北京地區(qū)影像，極化方式為HH極化。影像尺寸均為605×596像素。該影像覆蓋區(qū)域高樓林立，呈現(xiàn)極不均勻的特性。3組SAR影像及其變化參考圖如圖3所示。

2.2 評(píng)價(jià)指標(biāo)

為了定量評(píng)價(jià)本文方法性能，采用假陽(yáng)性(false positive,FP)、假陰性(false negative,FN)、真陽(yáng)性(true positive,TP)、真陰性(true negative,TN)[9]、總體錯(cuò)誤數(shù)(overall errors，OE)、正確分類率(percentage correctly classified,PCC)和Kappa系數(shù)作為評(píng)價(jià)指標(biāo)。PCC表示為

(13)

式中，F(xiàn)P為錯(cuò)誤分類為變化類的像素?cái)?shù)；FN為錯(cuò)誤分類為未變化類的像素?cái)?shù)；TP和TN分別是被正確分類為變化類和未變化類的像素?cái)?shù)；OE被定義為FN和FP的總和。

圖3 3組SAR影像及變化參考圖Fig.3 Three SAR image datasets and their reference images

Kappa系數(shù)用于評(píng)估檢測(cè)結(jié)果與參考結(jié)果的一致性，定義為

(14)

式中，PRE為一個(gè)預(yù)期比例，定義為

(15)

式中，Nc和Nu為參考圖像中屬于變化類和未變化類的像素個(gè)數(shù)，分別等于TP+FN、TN+FP。

2.3 MRSFCD算法參數(shù)分析

在MRSFCD變化檢測(cè)算法中，主要有兩個(gè)參數(shù)會(huì)影響變化檢測(cè)結(jié)果精度，分別是流行排序中的參數(shù)α和用于計(jì)算鄰接超像素節(jié)點(diǎn)權(quán)重的參數(shù)σ。本節(jié)在Bern和黃河地區(qū)數(shù)據(jù)集上對(duì)這兩個(gè)參數(shù)進(jìn)行了分析，測(cè)試了它們不同的取值情況對(duì)檢測(cè)結(jié)果評(píng)估指標(biāo)的影響情況，用于確定參數(shù)α和σ的最優(yōu)值。

在兩組SAR影像數(shù)據(jù)中，參數(shù)α對(duì)總體誤差OE的影響如圖4(a)—圖4(c)所示。其他參數(shù)的設(shè)置情況為：超像素分割數(shù)量和計(jì)算超像素節(jié)點(diǎn)權(quán)重時(shí)的參數(shù)σ設(shè)置為1000和5。綜合兩組數(shù)據(jù)集的表現(xiàn)，在α為0.9～0.94時(shí)，兩組數(shù)據(jù)集的總體誤差OE較小，并且此時(shí)FN、FP較為平衡。因此，在后續(xù)試驗(yàn)中，α可以設(shè)置在0.9～0.94之間。對(duì)于Bern和黃河地區(qū)，初始化提取到的顯著超像素塊中存在的噪聲較多。由于α=1/(1+μ)，如果參數(shù)α設(shè)置在0.9附近，則μ較小。上述設(shè)置可減小初始排序?qū)ψ罱K結(jié)果的影響，使得總體誤差OE較小。

參數(shù)σ對(duì)評(píng)估結(jié)果的影響如圖4(d)和(e)所示。其他參數(shù)α設(shè)為0.9，超像素分割初始數(shù)量設(shè)為1000?？梢钥闯觯?dāng)選擇參數(shù)σ為5時(shí)，附近的OE存在極小值，并且Kappa系數(shù)較高。Kappa系數(shù)在σ較大時(shí)一直保持較高，這可能是由于變化類和未變化類之間存在樣本不均衡，因此影響了Kappa系數(shù)對(duì)檢測(cè)結(jié)果的評(píng)價(jià)。綜上分析，在3組試驗(yàn)數(shù)據(jù)集上均采用超參α=0.9，σ=5進(jìn)行試驗(yàn)來(lái)得到相關(guān)指標(biāo)結(jié)果，將在Bern和黃河地區(qū)數(shù)據(jù)集上獲取的超參數(shù)設(shè)置應(yīng)用到北京地區(qū)的數(shù)據(jù)集上也可體現(xiàn)本文方法的泛化性。

圖4 參數(shù)α和σ對(duì)評(píng)估結(jié)果的影響Fig.4 The evaluation results of different parameters α and σ

2.4 差異圖對(duì)比試驗(yàn)

在3組數(shù)據(jù)集上分別進(jìn)行濾波預(yù)處理后利用鄰域?qū)?shù)比算子和單像素對(duì)數(shù)比算子以及點(diǎn)乘融合、加權(quán)融合二者得到的差異如圖5所示。結(jié)果顯示，單像素對(duì)數(shù)比差異圖檢測(cè)到的變化區(qū)域內(nèi)部具有良好的一致性，但受到較多噪聲影響。鄰域?qū)?shù)比差異圖可有效地去除噪聲，但其變化區(qū)域內(nèi)的部分區(qū)域存在被誤分為未變化區(qū)域的問(wèn)題，形成了變化區(qū)域內(nèi)的“空洞現(xiàn)象”，沒(méi)有很好地保持其變化區(qū)域的整體一致性。

圖5 3組數(shù)據(jù)集上的差異構(gòu)造Fig.5 The difference images construction of three datasets

圖6(a)和(b)分別為圖5(c)和(d)的紅色方框區(qū)域的放大圖，對(duì)比展示了點(diǎn)乘融合差異圖(圖6(a))和加權(quán)融合差異(圖6(b))的區(qū)別。利用本文方法得到的結(jié)果是圖6(b)。與點(diǎn)乘融合差異圖相比較，本文方法能夠在減少噪聲干擾的情況下保持檢測(cè)的變化區(qū)域內(nèi)部的一致性，避免了較多“空洞”的產(chǎn)生，如圖6(a)和(b)藍(lán)色方框內(nèi)對(duì)應(yīng)區(qū)域。雖然后者檢測(cè)得到的未變化區(qū)域的噪聲相對(duì)前者較多，但在后續(xù)處理中可通過(guò)其他方法有效地減少未變化區(qū)域的噪聲。其中，Bern和黃河地區(qū)的數(shù)據(jù)較為均勻，故構(gòu)造加權(quán)差異圖時(shí)融合系數(shù)ρ選擇0.7進(jìn)行處理。北京地區(qū)TerraSAR-X影像具有不均勻性，在構(gòu)造加權(quán)差異圖時(shí)融合系數(shù)ρ選擇0.3進(jìn)行處理。

圖6 差異圖的構(gòu)造放大圖Fig.6 The difference images construction

2.5 邊緣區(qū)域變化檢測(cè)試驗(yàn)

為驗(yàn)證本文設(shè)計(jì)的結(jié)合超像素和前景特征的流行排序的方法可以有效地去除中心先驗(yàn)假設(shè)，從而提高SAR影像邊緣部分的變化檢測(cè)精度，本文以Bern地區(qū)的SAR影像為例進(jìn)行了邊緣變化檢測(cè)試驗(yàn)。首先對(duì)前后時(shí)相的SAR影像進(jìn)行裁剪，使得變化區(qū)域位于影像的邊緣。然后分別應(yīng)用基于中心先驗(yàn)假設(shè)的變化檢測(cè)方法[26]和本文方法分別進(jìn)行變化檢測(cè)試驗(yàn)，其結(jié)果分別如圖7(c)和(d)所示。在變化檢測(cè)中，所有的SAR影像均未進(jìn)行濾波預(yù)處理，兩種方法均利用顯著性排序圖與單像素對(duì)數(shù)差異圖進(jìn)行點(diǎn)乘得到最終結(jié)果。圖7(c)表明了基于中心先驗(yàn)的檢測(cè)結(jié)果中間區(qū)域受噪聲影響較大，在真實(shí)情況下，這部分屬于未變化區(qū)域。圖7(d)表明了本文方法可以明顯提高影像邊緣區(qū)域的變化檢測(cè)精度，有效地抑制了未變化區(qū)域的噪聲。

圖7 邊緣變化檢測(cè)試驗(yàn)結(jié)果Fig.7 The change detection near the edge

2.6 試驗(yàn)結(jié)果與分析

采用4種變化檢測(cè)方法對(duì)3組數(shù)據(jù)集進(jìn)行檢測(cè)，檢測(cè)結(jié)果如圖8所示。其他3種變化檢測(cè)方法分別是對(duì)數(shù)比算子結(jié)合FCM聚類的算法(LF算法)、基于改進(jìn)的對(duì)數(shù)比算子和直方圖統(tǒng)計(jì)的算法[13](LH算法)、結(jié)合差分圖像和K-means聚類的算法[41](CDI-K算法)。其中LF算法即構(gòu)造對(duì)數(shù)比算子差異圖，再利用FCM聚類分析得到變化檢測(cè)圖。LH算法即利用鄰域?qū)?shù)比算子和像素級(jí)對(duì)數(shù)比算子相結(jié)合構(gòu)造差異圖，再利用直方圖統(tǒng)計(jì)把第1個(gè)相鄰灰度值像素?cái)?shù)比值作為閾值進(jìn)行處理。CDI-K算法將差分圖像和對(duì)數(shù)差分圖像融合，再利用K-means分析。4種算法均采用改進(jìn)的增強(qiáng)型Lee濾波進(jìn)行SAR影像預(yù)處理，如圖8所示。其中白色表示變化，黑色表示未變化。3個(gè)數(shù)據(jù)集的定量評(píng)價(jià)分別見(jiàn)表1、表2、表3。

圖8 3組數(shù)據(jù)集的檢測(cè)結(jié)果Fig.8 The detection results of three datasets

由圖8可以看出，本文方法檢測(cè)得到的結(jié)果最接近真實(shí)標(biāo)注圖，可以有效抑制噪聲對(duì)變化區(qū)域檢測(cè)的影響，減少了孤立點(diǎn)，例如在第2組數(shù)據(jù)集上，LF、LH、CDI-K算法明顯不能很好抑制由于噪聲造成的偽變化，尤其圖像底部區(qū)域受噪聲影響較為嚴(yán)重，利用本文方法可以將這部分區(qū)域作為非顯著性區(qū)域檢測(cè)為未變化區(qū)域來(lái)盡可能抑制噪聲的影響，而利用其他算法進(jìn)行檢測(cè)對(duì)于該區(qū)域噪聲抑制效果不明顯，從而出現(xiàn)了大面積的虛警。并且利用本文方法可以較好地保持變化區(qū)域內(nèi)部的一致性，在視覺(jué)效果上優(yōu)于其他算法。

由表1—表3可知，針對(duì)3組數(shù)據(jù)集，本文方法在OE、PCC、Kappa系數(shù)指標(biāo)上均優(yōu)于其他方法，相比于LF、LH和CDI-K算法，針對(duì)Bern地區(qū)數(shù)據(jù)集上，本文方法在Kappa系數(shù)指標(biāo)上分別提升了0.067 7、0.034 9和0.110 6；針對(duì)黃河地區(qū)數(shù)據(jù)集，本文方法在Kappa系數(shù)指標(biāo)上分別提升了0.235 5、0.168 3和0.173 1；針對(duì)北京地區(qū)數(shù)據(jù)集，本文方法在Kappa系數(shù)指標(biāo)上分別提升了0.035 6、0.110 4和0.266 9。定量結(jié)果與圖8所示的定性分析結(jié)果一致，綜上可知，本文方法與其他方法相比具有一定優(yōu)越性。

表1 Bern地區(qū)數(shù)據(jù)集的變化檢測(cè)評(píng)價(jià)

表2 黃河地區(qū)數(shù)據(jù)集的變化檢測(cè)評(píng)價(jià)

表3 北京地區(qū)SAR影像數(shù)據(jù)集的變化檢測(cè)評(píng)價(jià)

利用本文方法對(duì)3組數(shù)據(jù)集獲取的差異圖的超像素分割圖、前景排序圖及排序圖與對(duì)數(shù)差異圖點(diǎn)乘結(jié)果如圖9所示。圖9中的前景特征排序圖(b)、(e)、(h)表明本文方法強(qiáng)化了部分變化區(qū)域并弱化了大部分未變化區(qū)域，但是存在強(qiáng)化了變化區(qū)域的邊界區(qū)域(實(shí)際是未變化區(qū)域)的問(wèn)題。單像素對(duì)數(shù)差異圖具有保留變化細(xì)節(jié)的特性，將前景特征排序圖與單像素對(duì)數(shù)差異圖進(jìn)行點(diǎn)乘，可以實(shí)現(xiàn)強(qiáng)化變化區(qū)域并抑制未變化區(qū)域內(nèi)的噪聲，從而提高變化檢測(cè)的精度。通過(guò)對(duì)圖9(c)、(f)、(i)做OTSU閾值分割即可得到最終變化檢測(cè)結(jié)果(圖8(d)、(i)、(n))。

圖9 3組數(shù)據(jù)集本文方法的中間結(jié)果Fig.9 The intermediate results of proposed method on three datasets

2.7 算法定性分析

由于以上3組圖像尺寸均較小，為盡量避免檢測(cè)結(jié)果的主觀性影響，所以基于分辨率為3 m的TerraSAR-X衛(wèi)星提供的兩幅分別于2012年1月11日和2013年1月19日拍攝的SAR影像進(jìn)行變化檢測(cè)的研究，顯示地域均為北京奧林匹克公園中心鳥巢體育館附近，圖像大小均為2420×2240像素，前后時(shí)相SAR影像和利用GoogleEarth得到的光學(xué)遙感影像、變化區(qū)域標(biāo)記圖及選擇合適的超參數(shù)應(yīng)用本文方法得到的變化檢測(cè)圖如圖10所示，將2240×2420像素大小的SAR影像分割為4個(gè)部分分別進(jìn)行檢測(cè)再拼接在一起。由最終SAR影像的變化檢測(cè)圖即圖10(c)與變化區(qū)域標(biāo)記圖即圖10(f)對(duì)比定性分析可以看出檢測(cè)結(jié)果具有一定的可靠性和準(zhǔn)確性，但也存在由于道路區(qū)域等散斑噪聲的干擾而導(dǎo)致的誤檢、漏檢，以及在較大尺寸的SAR影像變化檢測(cè)中不同的數(shù)據(jù)分布對(duì)超參數(shù)選擇具有一定的依賴性，包括對(duì)數(shù)據(jù)的濾波預(yù)處理的選擇。

圖10 一組較大尺寸SAR影像及其變化檢測(cè)Fig.10 A large-size SAR image dataset and its change detection image

3 總結(jié)與展望

針對(duì)流行排序算法的中心先驗(yàn)假設(shè)不適用于SAR影像邊緣變化檢測(cè)以及變化區(qū)域內(nèi)部存在誤檢測(cè)的問(wèn)題，本文設(shè)計(jì)了一種基于超像素分割和前景特征流行排序的SAR變化檢測(cè)方法。該方法構(gòu)造基于單像素和鄰域融合的對(duì)數(shù)比差異圖，并對(duì)差異圖進(jìn)行SLIC超像素分割，利用灰度值構(gòu)造無(wú)向圖，基于前景特征的流行排序得到最終排序結(jié)果即顯著性圖，將顯著性圖與單像素對(duì)數(shù)差異圖點(diǎn)乘的結(jié)果圖進(jìn)行閾值處理后得到最終二值變化檢測(cè)圖。本文在3組數(shù)據(jù)集上與其他算法進(jìn)行了定量分析對(duì)比，驗(yàn)證了本文方法的有效性。尤其是對(duì)不均勻SAR影像的變化檢測(cè)，本文方法整體性能優(yōu)于其他算法。本文方法仍有一些不足：①算法性能依賴SLIC超像素分割結(jié)果，如果分割結(jié)果無(wú)法完全貼合變化區(qū)域的邊界，則會(huì)導(dǎo)致分類錯(cuò)誤。如何得到更精確的邊界分割結(jié)果是今后需要進(jìn)一步研究的方向。②本文方法對(duì)超參數(shù)的選擇具有一定的依賴性，在不同的數(shù)據(jù)集上需要選擇不同的超參數(shù)，實(shí)現(xiàn)超參數(shù)的自適應(yīng)選擇是未來(lái)需要解決的問(wèn)題。