吳一全, 曹照清, 陶飛翔

1 南京航空航天大學(xué)電子信息工程學(xué)院， 南京　211106 2 南京信息工程大學(xué)江蘇省大數(shù)據(jù)分析技術(shù)重點(diǎn)實(shí)驗(yàn)室， 南京　210044 3 城市空間信息工程北京市重點(diǎn)實(shí)驗(yàn)室，北京　100038 4 成都理工大學(xué)國土資源部地學(xué)空間信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，成都　610059 5 江西省數(shù)字國土重點(diǎn)實(shí)驗(yàn)室， 南昌　330013

基于Contourlet變換和ICA的多時(shí)相遙感圖像變化檢測

吳一全1,2,3,4,5, 曹照清1, 陶飛翔1

1 南京航空航天大學(xué)電子信息工程學(xué)院， 南京211106 2 南京信息工程大學(xué)江蘇省大數(shù)據(jù)分析技術(shù)重點(diǎn)實(shí)驗(yàn)室， 南京210044 3 城市空間信息工程北京市重點(diǎn)實(shí)驗(yàn)室，北京100038 4 成都理工大學(xué)國土資源部地學(xué)空間信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，成都610059 5 江西省數(shù)字國土重點(diǎn)實(shí)驗(yàn)室， 南昌330013

摘要為了提高多時(shí)相遙感圖像變化檢測的精確度和運(yùn)算效率，本文提出了一種基于Contourlet變換和獨(dú)立分量分析(ICA-Independent component analysis)的變化檢測算法.利用Contourlet變換多尺度、多方向性和各向異性等性質(zhì)，對圖像數(shù)據(jù)進(jìn)行多尺度分解，再對分解后的數(shù)據(jù)進(jìn)行獨(dú)立分量分析，利用改進(jìn)的基于牛頓迭代的固定點(diǎn)ICA算法分離出互相獨(dú)立的數(shù)據(jù)分量，然后將分離后的數(shù)據(jù)分量轉(zhuǎn)變成圖像分量，最終對變化圖像分量經(jīng)閾值分割實(shí)現(xiàn)變化檢測.實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有的基于PCA、基于ICA、基于小波變換與ICA三種變化檢測算法相比，本文算法能有效地分離出變化信息，減少了計(jì)算的復(fù)雜性，得到的變化圖像具有更高的精確度，且對背景有較強(qiáng)的穩(wěn)健性.

關(guān)鍵詞多時(shí)相遙感圖像； 變化檢測； Contourlet變換； 獨(dú)立分量分析

1引言

隨著人口數(shù)量的快速增長，土地資源變得日益重要，準(zhǔn)確實(shí)時(shí)地掌握土地利用狀況，可更為有效地保護(hù)和合理地開發(fā)土地資源.遙感技術(shù)由于可選用不同波段和遙感器，快速獲取大范圍的地球資源信息，且不受地面條件限制，具有人工實(shí)地測量和航空攝影測量所無法比擬的優(yōu)點(diǎn)，成為了土地利用、變化檢測的重要技術(shù)手段，在地物地層分析、災(zāi)情估計(jì)、道路交通分析、森林采伐等領(lǐng)域有著廣泛的應(yīng)用(范開國等，2012).變化檢測實(shí)質(zhì)上就是提取不同時(shí)相遙感圖像的變化信息.目前多時(shí)相遙感圖像的變化檢測算法主要分為基于代數(shù)運(yùn)算和基于圖像變換兩類.基于代數(shù)運(yùn)算的變化檢測算法包括圖像差值法(范海生等，2001)、比值法(Durucan and Ebrahimi，2001)、圖像回歸分析(Jha and Unni，1994)等.差值法和比值法比較直觀，變化檢測速度快，但算法過于簡單，不能定性地描述目標(biāo)區(qū)的變化，很難考慮到光照、角度、大氣條件等因素的影響；而圖像回歸分析法一定程度上減小了這些因素所帶來的不利影響，但檢測時(shí)需要選擇準(zhǔn)確的回歸方程和合適的波段，所以實(shí)際應(yīng)用精度不高.基于圖像變換的變化檢測算法大都利用主分量分析(PCA-Principal component analysis) (Qiu et al.,2003；張輝和王建國，2008)或獨(dú)立分量分析(Hyvarinen et al.,2004；鐘家強(qiáng)和王潤生，2006)等實(shí)現(xiàn).PCA是建立在二階統(tǒng)計(jì)特性基礎(chǔ)上的多維正交線性變換，變換得到的圖像主分量包含了原始遙感圖像的大部分背景信息，而第二主分量包含了大部分的變化信息.但只有當(dāng)信號(hào)的統(tǒng)計(jì)分布符合高斯分布時(shí)，信號(hào)間的相關(guān)信息才能完全被消除.而遙感圖像的地物光譜特性并不滿足高斯分布，因此PCA不能完全消除各分量間的高階相關(guān)信息，這會(huì)影響變化檢測的精確度.ICA作為近年來提出的一種信源盲分離技術(shù)，不僅可以去除信源之間的二階相關(guān)信息，而且能夠消除高階相關(guān)信息(謝德光等，2001；Berg et al.,2005).因此，在遙感圖像變化檢測中ICA能夠比PCA獲得更好的檢測效果.

基于ICA的變化檢測算法對圖像背景比較敏感，在檢測變化區(qū)域時(shí)，因輻射差異易將背景變化作為目標(biāo)區(qū)域的變化，導(dǎo)致變化檢測不夠精確.因此，小波變換被應(yīng)用于變化檢測(黃世奇等，2010；黎萍，2011)，通過小波變換對圖像數(shù)據(jù)進(jìn)行分解，降低了圖像中的噪聲，同時(shí)保護(hù)了圖像中的邊緣和紋理細(xì)節(jié)結(jié)構(gòu)，由此提高檢測的精確度和運(yùn)算效率.然而，小波變換不是圖像的最優(yōu)稀疏表示，缺乏方向性，僅僅限于水平、垂直和對角線三個(gè)方向，在一定程度上損失了圖像的有效信息，無法準(zhǔn)確地反映圖像的邊緣輪廓和紋理細(xì)節(jié).而Contourlet變換作為小波變換的一種新擴(kuò)展，具有多分辨率、局部性、方向性和各向異性等特性，它對圖像中邊緣輪廓和紋理細(xì)節(jié)的表達(dá)具有獨(dú)特優(yōu)勢.因此，若將Contourlet變換用于變化檢測可望改善檢測精確度. 另一方面，現(xiàn)有的ICA算法存在計(jì)算量大、收斂速度慢等缺點(diǎn)，對其改進(jìn)后，相比現(xiàn)有的ICA算法可以提高收斂的速度，滿足實(shí)時(shí)處理要求，且無需調(diào)整學(xué)習(xí)速率因子等其他動(dòng)態(tài)參數(shù)，進(jìn)而增強(qiáng)可靠性.

基于上述分析，本文提出了一種基于Contourlet變換和ICA算法的多時(shí)相遙感圖像變化檢測算法.首先通過Contourlet變換對多時(shí)相遙感圖像數(shù)據(jù)進(jìn)行多尺度分解，利用它的特性更好地實(shí)現(xiàn)圖像塊的優(yōu)化分割，以減少ICA算法的復(fù)雜程度；然后再利用改進(jìn)的ICA算法對分解后的數(shù)據(jù)進(jìn)行處理，提高變化檢測的準(zhǔn)確性和運(yùn)算效率.文中給出了實(shí)驗(yàn)結(jié)果，并與現(xiàn)有的基于PCA、基于ICA、基于小波變換與ICA三種變化檢測算法進(jìn)行了比較，分別依據(jù)主觀視覺和變化像元錯(cuò)判誤差、非變化像元誤判誤差、總體精度和運(yùn)行時(shí)間等客觀定量指標(biāo)，對上述算法進(jìn)行了評價(jià)，顯示了本文算法的優(yōu)越性.

2獨(dú)立分量分析原理和Contourlet 變換

獨(dú)立分量分析是近年來由盲源信號(hào)分離技術(shù)發(fā)展起來的一種多維信號(hào)處理算法(余先川等，2010；Khaparde，2012).其基本原理是依據(jù)等獨(dú)立性度量準(zhǔn)則建立目標(biāo)函數(shù)，使分離出的獨(dú)立分量最大程度地逼近各源信號(hào).設(shè)一組觀測信號(hào)X=[x1, x2,…, xm]T，相互獨(dú)立的源信號(hào)S=[s1, s2,…, sn]T，則第i個(gè)觀測信號(hào)xi由n個(gè)獨(dú)立源信號(hào)線性混合形成：

(1)

式中，aij是信號(hào)的混合系數(shù).觀測信號(hào)X可表示為源信號(hào)S和線性混合矩陣A的乘積：

(2)

式中，線性混合矩陣A=[a1, a2,…, an]，aj是混合矩陣基向量.ICA就是在混合矩陣A和源信號(hào)S未知的條件下，根據(jù)觀測信號(hào)X來恢復(fù)源信號(hào)S.現(xiàn)定義解混矩陣H，使通過矩陣H解混后的輸出信號(hào)Y=HX=HAS有最強(qiáng)的獨(dú)立性.ICA的原理框圖如圖1所示：

圖1　ICA原理框圖Fig.1　The principle diagram of ICA

ICA算法需要做如下假設(shè)(MarchesiandBruzzone，2009)：源信號(hào)S為相互獨(dú)立的平穩(wěn)隨機(jī)過程；觀測信號(hào)的數(shù)目不少于源信號(hào)的數(shù)目；源信號(hào)中至多有一個(gè)服從高斯分布.ICA實(shí)際上是一個(gè)優(yōu)化問題，因?yàn)闆]有唯一解，只能在某一衡量獨(dú)立性的判據(jù)下尋求其近似解，使Y中各分量盡可能互相獨(dú)立.

Contourlet變換(白蕊等，2009；Li et al.，2012)是在繼承小波多尺度分析思想基礎(chǔ)上提出的一種多方向多尺度分析算法.它通過LP(Laplacian Pyramid)變換對圖像進(jìn)行多尺度分解，以捕獲奇異點(diǎn)；然后由方向?yàn)V波器組(DFB)將分布在同方向上的奇異點(diǎn)合成為一個(gè)系數(shù).Contourlet變換具有多分辨率、局部定位、多方向性、近鄰界采樣和各向異性等性質(zhì)，能更好地捕獲二維圖像中的線和面奇異，用更少的系數(shù)捕捉圖像中的邊緣輪廓和方向性紋理信息.

3基于Contourlet變換和ICA的變化檢測算法

3.1基于改進(jìn)ICA的變化檢測算法

對于多時(shí)相遙感圖像來說，每個(gè)像元由與之對應(yīng)的多種地物信息混合而成.其中每個(gè)信號(hào)源(各種物質(zhì)的光譜信息)彼此獨(dú)立，這些信號(hào)源有些是靜止的，有些是變化的.可以認(rèn)為靜止的信號(hào)源構(gòu)成了背景圖像，變化的信號(hào)源則構(gòu)成變化圖像.在ICA模型里，前后時(shí)相的遙感圖像構(gòu)成的混合信號(hào)由背景圖像和變化圖像兩個(gè)獨(dú)立信號(hào)源混合而成，分離的具體過程如下：

(1) 首先通過按行掃描的方式將每幅遙感圖像轉(zhuǎn)化為一維信號(hào)xi(i=1,2,…,n)，n為遙感圖像的數(shù)目，由此構(gòu)成觀測信號(hào)X=[x1, x2,…, xn]T.

(2) 解混過程分兩步實(shí)現(xiàn)(MaandWang，2010)：球化過程(W)和正交變換(U)，如圖2所示.球化過程是對觀測信號(hào)X進(jìn)行白化預(yù)處理，使球化后向量z=[z1,z2,…,zn]T，其方差為1，期望值為0，以降低數(shù)據(jù)計(jì)算復(fù)雜度，減少噪聲；而正交變換U可使得輸出數(shù)據(jù)Y=[y1,y2,…,yn]T盡可能互相獨(dú)立.

圖2　ICA的解混框圖Fig.2　The unmixing diagram of ICA

(3) 解混后得到源信號(hào)的估計(jì)Y，再將分離后的信號(hào)分量yi(i=1, 2,…,n)轉(zhuǎn)化為圖像，從中選擇出變化圖像，經(jīng)閾值分割轉(zhuǎn)化為二值圖像后，得到最終的變化結(jié)果.

(3)

式中，y為解混后的輸出數(shù)據(jù)yi的簡記，pc(y)為標(biāo)準(zhǔn)高斯分布，F(xiàn)(i)(y)為選定的滿足矩消失性和正交歸一性的非多項(xiàng)式函數(shù)，ci為非多項(xiàng)式函數(shù)的系數(shù).為了簡化計(jì)算可令式(3)中N=2，由概率密度函數(shù)的對稱性可得y的負(fù)熵為

(4)

式中，v是服從N(0,1)分布的隨機(jī)變量.基于負(fù)熵的固定點(diǎn)算法每次投影得到一個(gè)分量.設(shè)第i次投影得到的分量yi的負(fù)熵為

(5)

(6)

式中，γ=E[F(yi)]-E[F(v)]，f(yi)為F(yi)的導(dǎo)數(shù).正交系統(tǒng)需對ui不斷調(diào)節(jié)，然后進(jìn)行歸一化，直到ui為穩(wěn)定值，并由最終的ui分離出一個(gè)獨(dú)立分量(Pham and Cardoso，2001).再由牛頓迭代算法可得

(7)

Jac(u)=E[z zTf′(uTz)]-βI≈E[f′(uTz)]-βI.

(8)

上述過程每次提取一個(gè)獨(dú)立源之后，需在下次提取前再次正交化，以保證每次提取的都是尚未提取的信源.由于計(jì)算Jacobi矩陣過程中涉及到矩陣求逆，計(jì)算量較大，所以一般將所有的Jacobi矩陣均取值Jac(u0)，以減少運(yùn)算量，但收斂速度較小，可能導(dǎo)致算法不能最終收斂.

針對上述問題，現(xiàn)給出改進(jìn)的基于牛頓迭代的固定點(diǎn)ICA算法(曾生根等，2003;李芳芳等，2010).假定已經(jīng)求得ui(k)，則ui(k+1)可通過下面過程得到：

(9)

改進(jìn)后的算法計(jì)算一次Jacobi矩陣可以實(shí)現(xiàn)n次迭代，相比通常的ICA算法具有更快的收斂速度，因此可以滿足實(shí)時(shí)處理要求，且無需調(diào)整學(xué)習(xí)速率因子等其他動(dòng)態(tài)參數(shù)，可靠性增強(qiáng).

3.2基于Contourlet變換和ICA的變化檢測算法流程

由于圖像數(shù)據(jù)矩陣的龐大和ICA算法的復(fù)雜性，往往在獨(dú)立分量提取之前對圖像數(shù)據(jù)進(jìn)行預(yù)處理，優(yōu)化數(shù)據(jù)塊的組合，使后續(xù)數(shù)據(jù)處理算法更高效.本文通過Contourlet變換將圖像矩陣分塊，然后對分塊后圖像數(shù)據(jù)進(jìn)行獨(dú)立分量分析，得到互相獨(dú)立的分量，最后利用Contourlet反變換重構(gòu)圖像數(shù)據(jù)矩陣，以獲得變化圖像.具體實(shí)現(xiàn)框圖如圖3所示.

具體實(shí)現(xiàn)步驟如下：

其中，j表示分解的層數(shù).

步驟2：將Contourlet變換后的數(shù)據(jù)向量作為ICA算法的輸入信號(hào)，然后通過獨(dú)立分量分析實(shí)現(xiàn)變化區(qū)域向量的提取，即

圖3　基于Contourlet變換和ICA的變化檢測流程圖Fig.3　Flowchart of change detection based on contourlet transform and ICA

步驟3：將變化區(qū)域的數(shù)據(jù)向量轉(zhuǎn)化為矩陣，然后進(jìn)行Contourlet逆變換得到變化圖像，再經(jīng)閾值分割后獲得最終的變化檢測結(jié)果.

Contourlet變換分解數(shù)據(jù)塊，使得分解后的數(shù)據(jù)塊保留了原始數(shù)據(jù)在各頻率點(diǎn)及各方向上的特征，優(yōu)化了ICA對源信號(hào)的估計(jì)，能夠更真實(shí)地反映出圖像塊的變化.

4實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的效果，分別利用本文算法及基于PCA、基于ICA、基于小波變換與ICA三種算法對大量多時(shí)相遙感圖像進(jìn)行了變化檢測實(shí)驗(yàn).實(shí)驗(yàn)環(huán)境為Intel(R) Core(TM)2，2.0 GHz，1GB內(nèi)存，Matlab R2007b.在小波變換部分采用的是Daubechies正交規(guī)范小波基，分解到第三層.現(xiàn)選取其中兩組實(shí)際的遙感圖像數(shù)據(jù)集加以說明.第1組遙感圖像真實(shí)數(shù)據(jù)集是分別于1996年8月和1998年8月拍攝的越南紅河的圖像，兩幅圖像為ERS-2遙感器獲得的SAR圖像，分別如圖4a和圖4b所示.兩幅遙感圖像的灰度級(jí)均為256，尺寸為512×512像素，變化區(qū)域主要為洪水淹沒所致.

第二組遙感圖像數(shù)據(jù)集是Erlas8.5中自帶的樣品數(shù)據(jù)，由某地區(qū)的1987年和1992年的SPOT圖像組成，分別如圖5a和圖5b所示.該地區(qū)的多個(gè)地方發(fā)生了變化，且變化類型復(fù)雜.兩幅遙感圖像的灰度級(jí)均為256，尺寸為512×512像素.

圖4　第一組實(shí)際遙感圖像(a) 1996年8月越南紅河洪水前圖像； (b) 1996年8月越南紅河洪水后圖像.Fig.4　The first group of real remote sensing images(a) Image before the flood in the red river, Vietnam, in August 1996; (b) Image after the flood in the red river, Vietnam, in August 1996.

圖5　第二組實(shí)際遙感圖像(a) 1987年SPOT影像數(shù)據(jù)； (b) 1992年SPOT影像數(shù)據(jù).Fig.5　The second group of real remote sensing images(a) SPOT imagery data in 1987; (b) SPOT imagery data in 1992.

針對上述兩組實(shí)際遙感圖像，分別利用基于PCA、基于ICA、基于小波變換與ICA以及本文算法分離出圖像分量，如圖6和圖7所示.其中，a圖是基于PCA算法分離出的圖像分量，左圖為圖像的第一主分量，右圖為圖像的第二主分量；(b)是基于ICA算法分離出的圖像分量；(c)是基于小波變換與ICA算法分離出的圖像分量；(d)為本文算法分離出的圖像分量.

圖6　第一組遙感圖像所分離出的分量(a) 基于PCA分離出的第一主分量和第二主分量； (b) 基于ICA分離出的分量； (c) 基于小波變換與ICA分離出的分量； (d) 本文算法分離出的分量.Fig.6　The separated components of the first group of remote sensing images(a) The first and second separated principal components based on PCA; (b) The separated components based on ICA; (c) The separated components based on wavelet transform and ICA; (d) The separated components based on the proposed algorithm.

圖7　第二組遙感圖像所分離出的分量(a) 基于PCA分離出的第一主分量和第二主分量； (b) 基于ICA分離出的分量； (c) 基于小波變換與ICA分離出的分量； (d) 本文算法分離出的分量.Fig.7　The separated components of the second group of remote sensing images(a) The first and second separated principal components based on PCA; (b) The separated components based on ICA; (c) The separated components based on wavelet transform and ICA; (d) The separated components based on the proposed algorithm.

由圖6a和圖7a可以看出，經(jīng)過PCA分離出的第一主分量為背景圖像，第二主分量為變化圖像.從分離出的分量圖像上可以看出圖像中的地物信息部分混疊，背景圖像中還包含部分未完全分離出的變化信息，說明PCA并不能完全消除遙感圖像中各分量間的相關(guān)性.而基于ICA算法、基于小波變換與ICA算法和本文算法都能夠較好地分離出變化圖像，這說明ICA算法比PCA算法具有更好的去相關(guān)性和分離圖像的能力.再比較圖6b、圖6c和圖6 d，可以看出圖6b和圖6c的背景圖像中還有部分變化區(qū)域的輪廓，而圖6d的背景圖像中幾乎沒有混疊任何變化信息，變化量較少；圖7b和圖7c的背景圖像中較暗區(qū)域?yàn)樽兓瘏^(qū)域，而圖7d的背景圖像幾乎沒有變化區(qū)域的信息，變化圖像完全從背景圖像中分離出來.因此，相比基于ICA算法、基于小波變換與ICA算法，本文算法能夠更好地分離出變化信息.

為了驗(yàn)證本文算法的有效性，采用Otsu閾值法(陳琪等，2010)分別對圖6和圖7中的變化圖像進(jìn)行分割，所得到的變化檢測結(jié)果如圖8和圖9所示.其中，(a)(b)(c)(d)分別是基于PCA、基于ICA、基于小波變換與ICA三種算法和本文算法的最終變化檢測結(jié)果.可以看出，基于PCA算法的變化檢測結(jié)果存在很多由不同時(shí)相中光照等因素導(dǎo)致的偽變化信息，而基于ICA算法、基于小波變換與ICA算法及本文算法都獲得了較好的變化檢測結(jié)果.此外，對于圖8中標(biāo)出的區(qū)域，本文算法、基于小波變換與ICA算法兩種算法都比基于傳統(tǒng)ICA算法在凹面邊緣輪廓處的檢測更為細(xì)膩，邊緣連續(xù)性較好，說明了通過Contourlet變換和小波變換分解能夠優(yōu)化ICA方法對邊緣細(xì)節(jié)的處理，并且本文算法檢測結(jié)果中的孤立點(diǎn)比基于小波變換與ICA算法少，變化檢測效果更好.對于圖9中標(biāo)出的區(qū)域，由上方的標(biāo)出區(qū)域可以看出，基于傳統(tǒng)ICA算法在此邊緣處存在多個(gè)斷點(diǎn)，而本文算法在邊緣輪廓處比較完整，說明了Contourlet變換更好地保留了圖像的邊緣細(xì)節(jié)特征；此外，由中間的標(biāo)出區(qū)域可以看出，本文算法檢測出了一條完整的直線狀的未變化區(qū)域，這與實(shí)際遙感圖像的變化相吻合，而其他算法卻未完整檢測出來.這是由于本文算法利用Contourlet變換的多尺度、多方向和各向異性等特性，使得分解后的數(shù)據(jù)塊保留了原始數(shù)據(jù)在各頻率點(diǎn)及各方向上的特征，優(yōu)化了ICA對源信號(hào)的估計(jì)，能更準(zhǔn)確地反映變化信息.

圖8　第一組遙感圖像的變化檢測結(jié)果(a) 基于PCA的變化檢測結(jié)果； (b) 基于ICA的變化檢測結(jié)果； (c) 基于小波變換與ICA的變化檢測結(jié)果； (d) 本文算法的變化檢測結(jié)果.Fig.8　Change detection results of the first group of remote sensing images(a) Change detection result based on PCA; (b) Change detection result based on ICA; (c) Change detection result based on wavelet transform and ICA; (d) Change detection result based on the proposed algorithm.

圖9　第二組遙感圖像的變化檢測結(jié)果(a) 基于PCA的變化檢測結(jié)果； (b) 基于ICA的變化檢測結(jié)果； (c) 基于小波變換與ICA的變化檢測結(jié)果； (d) 本文算法的變化檢測結(jié)果.Fig.9　Change detection results of the second group of remote sensing images(a) Change detection result based on PCA; (b) Change detection result based on ICA; (c) Change detection result based on wavelet transform and ICA; (d) Change detection result based on the proposed algorithm.

依據(jù)這兩組實(shí)際遙感圖像的變化像元錯(cuò)判誤差、非變化像元誤判誤差、總體精度和運(yùn)行時(shí)間等客觀定量指標(biāo)對四種算法進(jìn)行了比較，第2組遙感圖像變化檢測結(jié)果如表1所示.本文算法與基于PCA、基于ICA、基于小波變換與ICA算法相比，精確度分別提高了1.8%、0.5%、0.3%，由于Contourlet變換能更好地描述圖像中的輪廓和方向性紋理信息，很好地彌補(bǔ)了小波變換的不足，因此本文算法在邊緣細(xì)節(jié)上處理得更好，錯(cuò)判誤差較少，總體精度更高.在運(yùn)算時(shí)間上，本文算法比其他三種算法分別減少了12 s、5 s、6 s.基于小波變換與ICA算法比基于ICA算法耗時(shí)，是因?yàn)樾〔ㄗ儞Q只是對數(shù)據(jù)進(jìn)行了優(yōu)化排列，再加上小波變換自身所消耗的時(shí)間，整體時(shí)間上就沒有優(yōu)勢.而本文算法通過Contourlet變換對數(shù)據(jù)進(jìn)行多方向多尺度分解和優(yōu)化組合，并采用改進(jìn)的基于牛頓迭代的固定點(diǎn)ICA算法，大大縮短了整體的運(yùn)算時(shí)間.綜上所述，本文算法與基于PCA、基于ICA、基于小波變換與ICA三種算法相比，具有更高的精確度和更快的運(yùn)算速度.

表1　四種變化檢測算法的精確度比較

5結(jié)論

本文提出了利用Contourlet變換和獨(dú)立分量分析的多時(shí)相遙感圖像的變化檢測算法.通過Contourlet變換的多分辨率分解、較好的方向性和各向異性，提高了變化檢測的精確度，降低了計(jì)算的復(fù)雜性，并通過改進(jìn)的ICA算法提高了運(yùn)算效率.實(shí)驗(yàn)結(jié)果表明：本文算法與現(xiàn)有的基于PCA、基于ICA、基于小波變換與ICA三種算法相比，在邊緣細(xì)節(jié)方面處理得更好，獲得的變化圖像具有更高的精確度和較強(qiáng)的穩(wěn)健性，且運(yùn)算時(shí)間較少，可以擴(kuò)展到更多時(shí)相的遙感圖像序列，它是一種準(zhǔn)確高效的多時(shí)相遙感圖像變化檢測算法.

References

Bai R, Yang W H, Zhang Y N. 2009. Remote sensing image fusion algorithm based on contourlet transform.JournalofImageandGraphics(in Chinese), 14(6): 1173-1177.

Berg M, Bondesson E, Low, et al. 2005. A combined on-line PCA-ICA algorithm for blind source separation. Asia-Pacific Conference on Communications, Perth, Western Australia, 969-972.Chen Q, Xiong B L, Lu J, et al. 2010. Improved two-dimensional Otsu image segmentation method and fast recursive realization.JournalofElectronics&InformationTechnology, 32(5): 1100-1104.

Durucan E, Ebrahimi T. 2001. Change detection and background extraction by linear algebra.IEEETransactionsonImageProcessing, 89(10): 1368-1381.

Fan H S, Ma A N, Li J. 2001. Case study on image differencing method for land use change detection using thematic data in Renhe district of Panzhihua.JournalofRemoteSensing(in Chinese), 5(1): 75-80 Fan K G, Huang W G, He M X, et al. 2012. Marine atmospheric boundary layer depth retrieval by SAR in China Sea.ChineseJ.Geophys. (in Chinese), 55(4): 1137-1143.

Huang S Q, Liu D Z, Hu M X, et al. 2010. Multi-temporal SAR image change detection technique based on wavelet transform.ActaGeodaeticaetCartographicaSinica(in Chinese), 39(2): 180-186.

Hyvrinen A, Karhunen J, Oja E. 2004. Independent Component Analysis. John Wiley and Sons Inc.

Jha C S, Unni N V M. 1994. Digital change detection of forest conversion of a dry tropical forest region.InternationalJournalofRemoteSensing, 15(13): 2543-2552.

Khaparde 2012. A study of ICA algorithm for separation of mixed images. International Conference on Digital Information and Communication Technology, 82-86.

Li F F, Xiao B L, Zhang Q. 2010. New wetland change detection method based on improved independent component analysis.JournalofComputerApplications(in Chinese), 30(5): 1347-1350

Li P. 2011. Multitemporal remote sensing images change detection based on wavelet transform and ICA[Master′s thesis]. Xidian University.

Li S T, Fang L Y, Yin H T. 2012. Multitemporal image change detection using a detail-enhancing approach with nonsubsampled Contourlet transform.IEEETransactionsonGeosciencesandRemoteSensing, 9(5): 836-840.Ma C. 2010. Review of ICA based fixed-point algorithm for blind separation of mixed images. International Conference on Bioinformatics and Biomedical Engineering, Xi′an, China, 1-3. Marchesi S, Bruzzone L. 2009. ICA and kernel ICA for change detection in multispectral remote sensing images. IEEE International Geoscience and Remote Sensing Symposium, Mantova, Italy, 980-983. Pham D T, Cardoso J F. 2001. Blind separation of instantaneous mixtures of nonstationary sources.IEEETransactionsSignalProcessing, 49(9): 1837-1848.

Qiu B, Prinet V, Perrier E, et al. 2003. Multi-block PCA method for image change detection. Proceedings of the 12th International Conference on Image Analysis and Processing Mantova, Italy, 385-390. Wang C R, Du J, Zhang X L. Research of image separation based on improved independent component analysis.ChineseJournalofScientificInstrument(in Chinese), 27(6): 785-786, 797

Xie D G, Zhang X D, Li X L, et al. 2007. Radar target recognition method based on independent component analysis.SystemsEngineeringandElectronics(in Chinese), 29(2): 164-166.

Yu X C, Cao T T, Hu D, et al. 2010. Blind image separation based on wavelet transformation and sparse component analysis.JournalofBeijingUniversityofPostsandTelecommunications(in Chinese), 33(2): 58-63. Zeng S G, Zhu N B, Bao Y, et al. 2003. A modified fast independent component analysis and its application to image separation.JournalofImageandGraphics(in Chinese), 8(10): 1160-1165. Zhang H, Wang J G. 2008. A SAR image change detection algorithm based on principal component analysis.JournalofElectronics&InformationTechnology(in Chinese), 80(7): 1727-1730.

Zhong J Q, Wang R S. 2006. Multitemporal remote sensing images change detection based on ICA.JournalofElectronics&InformationTechnology(in Chinese), 28(6): 994-998.

附中文參考文獻(xiàn)

白蕊, 楊萬海, 張艷妮. 2009. 基于Contourlet變換的遙感圖像融合. 中國圖象圖形學(xué)報(bào), 14(6): 1173-1177.

陳琪, 熊博蒞, 陸軍等. 2010. 改進(jìn)的二維Otsu圖像分割方法及其快速實(shí)現(xiàn). 電子與信息學(xué)報(bào), 32(5): 1100-1104.

范海生, 馬藹乃, 李京. 2001. 采用圖像差值法提取土地利用變化信息方法—以攀枝花仁和區(qū)為例. 遙感學(xué)報(bào), 5(1): 75-80.

范開國, 黃韋艮, 賀明霞等. 2012. 星載SAR遙感圖像反演海洋大氣邊界層高度. 地球物理學(xué)報(bào), 55(4): 1137-1143.

黃世奇, 劉代志, 胡明星等. 2010. 基于小波變換的多時(shí)相SAR圖像變化檢測技術(shù). 測繪學(xué)報(bào), 39(2): 180-186.

李芳芳, 肖本林, 張謙. 2010. 基于改進(jìn)獨(dú)立分量分析的濕地變化檢測法. 計(jì)算機(jī)應(yīng)用, 30(5): 1347-1350.

黎萍. 2011. 基于小波變換和ICA的多時(shí)相遙感圖像變化檢測[碩士論文]. 西安: 西安電子科技大學(xué).

王翠茹, 杜鵑, 張鑫林. 2006. 基于改進(jìn)的獨(dú)立分量分析的圖像分離技術(shù). 儀器儀表學(xué)報(bào), 27(6): 785-786, 797.

謝德光, 張賢達(dá), 李細(xì)林等. 2007. 基于獨(dú)立分量分析的雷達(dá)目標(biāo)識(shí)別方法. 系統(tǒng)工程與電子技術(shù), 29(2): 164-166.

余先川, 曹婷婷, 胡丹等. 2010. 基于小波變換和稀疏成分分析的盲圖像分離法. 北京郵電大學(xué)學(xué)報(bào), 33(2): 58-63.

曾生根, 朱寧波, 包曄等. 2003. 一種改進(jìn)的快速獨(dú)立分量分析算法及其在圖象分離中的應(yīng)用. 中國圖象圖形學(xué)報(bào), 8(10): 1160-1165.

張輝, 王建國. 2008. 一種基于主分量分析的SAR圖像變化檢測算法. 電子與信息學(xué)報(bào), 80(7): 1727-1730.

鐘家強(qiáng), 王潤生. 2006. 基于獨(dú)立成分分析的多時(shí)相遙感圖像變化檢測. 電子與信息學(xué)報(bào), 28(6): 994-998.

(本文編輯汪海英)

Change detection of multi-temporal remote sensing images based on contourlet transform and ICA

WU Yi-Quan1,2,3,4,5, CAO Zhao-Qing1, TAO Fei-Xiang1

1CollegeofElectronicandInformationEngineering,NanjingUniversityofAeronauticsandAstronautics,Nanjing211106,China2JiangsuKeyLaboratoryofBigDataAnalysisTechnology/B-DAT,NanjingUniversityofInformationScience&Technology,Nanjing210044,China3BeijingKeyLaboratoryofUrbanSpatialInformationEngineering,Beijing100038,China4KeyLaboratoryofGeoscienceSpatialInformationTechnology,MinistryofLandandResources,ChengduUniversityofTechnology,Chengdu610059,China5DigitalLandKeyLabofJiangxiProvince,Nanchang330013,China

AbstractIn order to improve the accuracy and computational efficiency of change detection of multi-temporal remote sensing images, a change detection algorithm based on contourlet transform and independent component analysis (ICA) is proposed. Firstly, multi-scale decomposition of image data is performed by using contourlet transform with multi-scale, directionality and anisotropy. Then independent component analysis is carried out for the decomposed data. And the independent data components are separated by the improved fixed point ICA algorithm based on Newton iteration. Next the separated data components are transformed into image components. Finally, change detection is achieved by threshold segmentation and filtering for change image components. The experimental results show that compared with the existing three change detection algorithms such as the algorithm based on PCA, the algorithm based on ICA and the algorithm based on wavelet transform and ICA, the proposed algorithm in this paper can more effectively separate change information and reduce computational complexity. The obtained change image has higher accuracy and good robustness to the background.

KeywordsMulti-temporal remote sensing image; Change detection; Contourlet transform; Independent component analysis (ICA)

基金項(xiàng)目國家自然科學(xué)基金項(xiàng)目(61573183)，江蘇省大數(shù)據(jù)分析技術(shù)重點(diǎn)實(shí)驗(yàn)室開放基金(KXK1403)，城市空間信息工程北京市重點(diǎn)實(shí)驗(yàn)室經(jīng)費(fèi)項(xiàng)目(2014203)，國土資源部地學(xué)空間信息技術(shù)重點(diǎn)實(shí)驗(yàn)室開放基金(KLGSIT2015-05)，江西省數(shù)字國土重點(diǎn)實(shí)驗(yàn)室開放研究基金項(xiàng)目(DLLJ201412)，江蘇高校優(yōu)勢學(xué)科建設(shè)工程項(xiàng)目聯(lián)合資助.

作者簡介吳一全，男，1963年生，教授，博士生導(dǎo)師，主要從事遙感圖像處理研究.E-mail:nuaaimage@163.com

doi:10.6038/cjg20160411 中圖分類號(hào)P237

收稿日期2014-03-11,2016-01-13收修定稿

吳一全, 曹照清, 陶飛翔. 2016. 基于Contourlet變換和ICA的多時(shí)相遙感圖像變化檢測. 地球物理學(xué)報(bào)，59(4):1284-1292,doi:10.6038/cjg20160411.

Wu Y Q, Cao Z Q, Tao F X. 2016. Change detection of multi-temporal remote sensing images based on contourlet transform and ICA.ChineseJ.Geophys. (in Chinese),59(4):1284-1292,doi:10.6038/cjg20160411.