王守峰，楊學(xué)志，董張玉，石聰聰

?

基于Relief-PCA特征選擇的遙感圖像變化檢測

王守峰1,2，楊學(xué)志1,2，董張玉1,2，石聰聰1,2

(1. 合肥工業(yè)大學(xué)計算機與信息學(xué)院，安徽 合肥 230009；2. 工業(yè)安全與應(yīng)急技術(shù)安徽省重點實驗室，安徽 合肥 230009)

面向?qū)ο蟮淖兓瘷z測技術(shù)在高分辨率遙感圖像領(lǐng)域已經(jīng)得到廣泛地應(yīng)用。由于遙感圖像受光照、大氣環(huán)境等成像條件的影響，圖像特征的質(zhì)量也參差不齊，篩選出高質(zhì)量的特征成為對象級遙感圖像變化檢測的關(guān)鍵。針對此問題，提出了一種基于Relief-PCA特征選擇的對象級遙感圖像變化檢測方法。首先，對原始圖像進行多尺度分割獲得目標(biāo)對象，并提取對象的光譜特征與紋理特征；然后，利用對數(shù)比值法獲得變化矢量，再使用Relief-PCA特征選擇的方法對圖像的對象特征進行篩選與降維；最后，計算并生成CVA變化強度圖，利用Otsu方法對變化強度圖進行閾值分割得到最終的變化檢測結(jié)果。實驗表明：與已有方法相比，該方法的變化檢測精度更高，誤檢率和漏檢率更低。

遙感圖像；Relief-PCA；變化檢測；圖像特征

遙感圖像具有覆蓋面積大、重訪周期短的特點，被廣泛應(yīng)用于土地覆蓋變化檢測，是遙感應(yīng)用研究的重要課題之一。根據(jù)變化檢測的基本單位，可將變化檢測方法分為面向像素和面向?qū)ο蟮?類。傳統(tǒng)的遙感圖像變化檢測技術(shù)主要是面向像素的方法，常用的有圖像差值法、比值法、相關(guān)系數(shù)法、回歸分析法等。

隨著傳感器技術(shù)的發(fā)展，遙感圖像的空間分辨率得到了很大地提高。由于缺乏對像元鄰域信息的考慮，傳統(tǒng)的面向像素的遙感圖像變化檢測技術(shù)在高分辨率圖像中變得不再適用。而面向?qū)ο蟮姆椒ǜm用于高分辨率圖像[1]，其檢測方法大致可以分為：①先進行面向?qū)ο蠓诸悾缓筮M行變化檢測，即分類后比較法；②先對圖像進行多尺度分割以生成圖斑，然后提取圖斑特征，獲得對應(yīng)的變化向量，并對其進行量化分類，得出變化檢測結(jié)果，即直接比較法。由于分析的單位是對象，面向?qū)ο蟮姆椒梢杂行У匾种聘叻直媛蕡D像中的椒鹽噪聲，但對象圖斑特征的質(zhì)量可直接影響遙感圖像變化檢測結(jié)果的精確性。王文杰等[2]利用eCognition提取圖像光譜特征、紋理特征以及形狀特征并引入到對象級的變化檢測中，然后對各種特征圖像進行差值處理，利用人工判讀的方法分析對比，得出結(jié)論；該方法相對全面地引入了圖像的多種信息，但是人工判讀難以量化特征的質(zhì)量，且工作量繁重。2007年，BOVOLO和BRUZZONE[3]首先將經(jīng)典變化向量分析法引入面向?qū)ο蟮倪b感影像變化檢測。

變化向量分析的方法需同時考慮圖像的多種特征信息，在遙感圖像變化檢測中有廣泛的應(yīng)用[3-6]。佃袁勇等[7]提出了一種基于多尺度分割的遙感影像變化檢測算法，將對象圖斑的灰度均值作為變化矢量特征，取得了一定的效果，但忽略了高分辨率遙感圖像豐富的紋理信息。同時，該方法也未考慮到光譜信息之間的冗余情況[8-9]。王麗云等[10]提出了一種變化矢量檢測(change vector analysis，CVA)與主成分分析(principal component analysis，PCA)相結(jié)合的方法，相比較于傳統(tǒng)的單獨CVA，精度得到了很大地提高，減少了光譜信息的冗余。然而，該方法僅考慮到圖像的光譜信息，在光譜信息不足或質(zhì)量不高的情況下，結(jié)果一般不理想。石善球[11]提出了將光譜、紋理和局部不變特征等引入CVA，并取得了良好的效果，但該方法只是將多特征直接引入變化矢量，未考慮特征質(zhì)量以及特征的冗余。針對高分辨率遙感圖像不同類別地物光譜重疊的問題，本文在充分利用其空間信息的同時，提出了一種基于Relief-PCA特征選擇的遙感圖像變化檢測方法。

1 算法原理

本文算法需對高分辨率遙感圖像進行預(yù)處理；然后，對其進行多尺度分割，提取對象特征并對特征進行選擇，再進行變化強度求解；最后利用Otsu的方法得到二值化變化監(jiān)測結(jié)果。流程如圖1所示。

圖1 基于Relief-PCA特征選擇的遙感圖像變化檢測流程

1.1 特征提取

1.1.1 影像預(yù)處理

圖像預(yù)處理環(huán)節(jié)使用ENVI和eCogntion軟件平臺實現(xiàn)GF-1數(shù)據(jù)預(yù)處理。該環(huán)節(jié)使用ENVI平臺中提供的函數(shù)實現(xiàn)影像融合、正射糾正、影像裁剪；并使用eCogntion軟件的multiresolution segmentation方法對2個時期疊合的影像進行多尺度分割，生成對象圖斑，用于后期分析。

1.1.2 光譜特征

本文算法的光譜特征采用對象的光譜均值計算，即

1.1.3 紋理特征

灰度共生矩陣由于其較強的適應(yīng)能力和魯棒性，在紋理特征提取方面得到了廣泛地應(yīng)用，本文算法采用灰度共生矩陣提取紋理特征[12]。其提供了14種統(tǒng)計量作為紋理特征，包括均值、標(biāo)準(zhǔn)差、對比度等。本文選取其中常用的8種統(tǒng)計量作為紋理特征，見表1。

1.2 基于Relief-PCA特征選擇的遙感圖像變化檢測

1.2.1 變化矢量獲取

通過對1和2時刻的變化特征向量[13-15]取對數(shù)后直接做差，計算第個對象的第個特征，即

表1 灰度共生矩陣特征統(tǒng)計量

第個對象所對應(yīng)的變化矢量為

1.2.2 Relief-PCA特征選擇

Relief算法是一種著名的過濾式特征選擇方法[16-18]，通過引入一個“相關(guān)統(tǒng)計量”來度量不同特征對分類的貢獻度，該統(tǒng)計量為向量。其每個分量分別對應(yīng)一個初始特征，而特征子集的貢獻度則是由子集中每個特征所對應(yīng)的相關(guān)統(tǒng)計分量之和來決定，最后根據(jù)閾值選擇出比其大的相關(guān)統(tǒng)計分量所對應(yīng)的特征。將選出的特征用于PCA降維并計算變化強度圖，通過Ostu的方法獲得變化監(jiān)測結(jié)果。具體步驟如下：

(2) 根據(jù)標(biāo)記向量將特征子空間對象分為M1與M2對象集，其中M1包含1個對象，M2包含2個對象，1+2=，計算所有對象兩兩之間變化矢量的歐式距離，即

(4) 計算相關(guān)統(tǒng)計量獲得每個特征f對應(yīng)的權(quán)重，即

(5) 根據(jù)實驗測定，按照相關(guān)統(tǒng)計量大小，篩選出對分類貢獻最大的5個特征向量的序號，并帶入到原變化矢量集合，得到集合。

(6) 利用PCA對矩陣進行特征降維，計算如下

其中，變換矩陣T是的協(xié)方差矩陣的特征向量矩陣的轉(zhuǎn)置矩陣，變換之后的變化特征矩陣_各個特征之間將具有很小的相關(guān)性。

第級第個對象的變化強度為

(7)2表示經(jīng)過PCA[19-21]后的特征向量維度。最后，通過Otsu的方法，對變化強度圖進行閾值分割，得到變化檢測結(jié)果。

2 實驗結(jié)果與分析

2.1 實驗數(shù)據(jù)

實驗選取2組圖像，分別是2014年和2015年合肥市某區(qū)域預(yù)處理后的高分一號圖像集，包含4個波段，分辨率1 m。第1組實驗圖像的大小為432×446，圖像中的變化差異主要體現(xiàn)在水利施工區(qū)域，該研究區(qū)域在兩年間有較大的地表變化。同時，該區(qū)域包含豐富的水體、裸地、植被、建筑物等信息，影像分辨率較高。第2組實驗圖像為1408×1411，該組圖像主要覆蓋農(nóng)田、道路、河道等信息，圖像中的變化差異體現(xiàn)在農(nóng)田作物的種植情況。2組圖像分辨率較高，基本涵蓋了遙感圖像常見的地物信息。

圖2 原始數(shù)據(jù)

2.2 實驗過程

實驗首先對經(jīng)過預(yù)處理的高分一號圖像進行多尺度分割，獲得對象圖斑，并計算每個對象圖斑4個波段所對應(yīng)的光譜特征與紋理特征。然后，根據(jù)1.2.2節(jié)中描述的Relief-PCA特征選擇算法，輸出特征權(quán)重，2組數(shù)據(jù)得到的權(quán)重結(jié)果如圖3所示。

圖3 相關(guān)統(tǒng)計量計算結(jié)果

根據(jù)特征的權(quán)重，每組實驗均選取5個特征，將篩選出的特征序號輸入到原始特征空間，得到權(quán)重最大的5個變化特征。對選出的變化特征進行PCA降維，得到最終優(yōu)選的特征變化矢量。并計算CVA變化強度圖，利用Otsu方法[22-23]進行閾值分割，實驗結(jié)果如圖4所示，其中黑色部分表示變化區(qū)域，白色部分表示未變化區(qū)域。

2.3 結(jié)果分析

為了驗證多特征變化檢測相對于單一光譜特征變化檢測的優(yōu)越性，方案1為僅采用單一光譜信息的對象級PCA變化檢測方法；同時，為了驗證對象級變化檢測相對于傳統(tǒng)像素級變化檢測的優(yōu)越性，方案2為傳統(tǒng)的僅使用光譜特征的像素級CVA變化檢測方法。為進行定量分析，特通過人工解譯的方式得到變化發(fā)生的圖像，作為參考變化影像，并利用總體精度，Kappa系數(shù)等對變化檢測精度進行分析。

圖4 基于Relief-PCA特征優(yōu)化的對象級變化檢測結(jié)果

2組實驗的結(jié)果如圖5所示，其中，圖5 (a)~(d)為第1組實驗的圖像。

從表2和表3可知，本文所提出的基于Relief-PCA特征優(yōu)選的對象級遙感圖像變化檢測方法，Kappa系數(shù)在2組實驗圖像中分別達到0.838 0和0.884 1，總體精度則分別達到92.48%和94.48%。相比于方案1中使用單一光譜特征進行PCA降維后的CVA方法，本文方法引入了紋理特征信息，從實驗結(jié)果可以看出，總體精度超過方案1的10%左右，Kappa系數(shù)顯著高于方案1。表明本文方法對特征進行選擇后，不僅引入了高質(zhì)量的空間信息，還剔除了光譜特征中的冗余信息，變化檢測效果明顯改善。同時，相比較于方案2中出現(xiàn)的較為嚴(yán)重的“椒鹽”現(xiàn)象，本文方法未出現(xiàn)該現(xiàn)象。主要原因是本文方法基于對象級的變化檢測具有很好地抗“椒鹽”噪聲的能力。

圖5 基于Relief-PCA特征選擇的變化檢測方法與其他方法對比

表2 第1組實驗精度評價指標(biāo)

表3 第2組實驗精度評價指標(biāo)

3 結(jié) 論

本文提出了一種基于Relief-PCA特征選擇的對象級遙感圖像變化檢測方法，通過與使用單一光譜特征進行PCA降維的對象級變化檢測方法以及基于傳統(tǒng)的像素級CVA變化檢測方法進行了實驗對比和分析，驗證了本文方法更具有效性。本方法的優(yōu)勢有：

(1) 選擇出高質(zhì)量的特征應(yīng)用于遙感圖像變化檢測，提高了變化檢測精度。

(2) 利用PCA降維消除特征冗余，充分利用了高分辨率遙感圖像的空間信息。

本文的變化檢測方法通過相關(guān)統(tǒng)計量，量化對象特征對變化分類的貢獻率，但是通過實驗以及經(jīng)驗選取權(quán)重較大的幾個特征，存在主觀誤差，并沒有一個量化的方案確定相應(yīng)的閾值，因此針對該閾值確定方法的改進有待進一步研究。

[1] BOVOLO F. A multilevel parcel-based approach to change detection in very high resolution multitemporal images [J]. IEEE Geoscience and Remote Sensing Letters, 2009, 6(1): 33-37.

[2] 王文杰, 趙忠明, 朱海青. 面向?qū)ο筇卣魅诤系母叻直媛蔬b感圖像變化檢測方法[J]. 計算機應(yīng)用研究, 2009, 26(8):3149-3151.

[3] BOVOLO F, BRUZZONE L. A theoretical framework for unsupervised change detection based on change vector analysis in the polar domain [J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(1): 218-236.

[4] JOHNSON R D, KASISCHKE E S. Change vector analysis: A technique for the multispectral monitoring of land cover and condition [J]. International Journal of Remote Sensing, 1998, 19(3): 411-426.

[5] CARVALHO JúNIOR O A, GUIMARAES R F, Gillespie A R, et al. A new approach to change vector analysis using distance and similarity measures [J]. Remote Sensing, 2011, 3(11): 2473-2493.

[6] RADKE R J, ANDRA S, AL-KOFAHI O, et al. Image change detection algorithms: A systematic survey [J]. IEEE Transactions on Image Processing, 2005, 14(3): 294-307.

[7] 佃袁勇, 方圣輝, 姚崇懷. 多尺度分割的高分辨率遙感影像變化檢測[J]. 遙感學(xué)報, 2016, 20(1): 129-137.

[8] MOHANAIAH P, SATHYANARAYANA P, Gurukumar L. Image texture feature extraction using GLCM approach [J]. International Journal of Scientific and Research Publications, 2013, 3(5): 1-5.

[9] HUSSAIN M, CHEN D, CHENG A, et al. Change detection from remotely sensed images: From pixel-based to object-based approaches [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 80: 91-106.

[10] 王麗云, 李艷, 汪禹芹. 基于對象變化矢量分析的土地利用變化檢測方法研究[J]. 地球信息科學(xué)學(xué)報, 2014, 16(2): 307-313.

[11] 石善球. 一種面向?qū)ο蟮腃VA變化檢測方法[J]. 測繪與空間地理信息, 2017, 40(11): 80-82.

[12] MATEOS C J B, RUIZ C P, CRESPO R G, et al. Relative radiometric normalization of multitemporal images [J]. International Journal of Interactive Multimedia and Artificial Intelligence, 2010, 1(3): 53-58.

[13] LIANG L, YING G, WEN X, et al. Object-oriented change detection based on spatiotemporal relationship in multitemporal remote-sensing images [J]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sclences, 2015, XL-7/W3(7): 1241-1248.

[14] SWINIARSKI R W, SKOWRON A. Rough set methods in feature selection and recognition [J]. Pattern Recognition Letters, 2003, 24(6): 833-849.

[15] KIRA K, RENDELL L A. A practical approach to feature selection [C]//Proceedings of the 9th International Workshop on Machine Learning. San Francisco: Morgan Kaufmann Publishers Inc, 1992: 249-256.

[16] ZHANG J, LIN H, ZHAO M. A fast algorithm for hand gesture recognition using relief [C]//2009 6th International Conference on Fuzzy Systems and Knowledge Discovery. New York: IEEE Press, 2009, 1: 8-12.

[17] ROBNIK-SIKONJA M, KONONENKO I. Theoretical and empirical analysis of ReliefF and RReliefF [J]. Machine Learning, 2003, 53(1-2): 23-69.

[18] SUN Y. Iterative RELIEF for feature weighting: Algorithms, theories, and applications [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2007, 29(6): 1035-1051.

[19] FARRELL M D, MERSEREAU R M. On the impact of PCA dimension reduction for hyperspectral detection of difficult targets [J]. IEEE Geoscience and Remote Sensing Letters, 2005, 2(2): 192-195.

[20] STEFANO L D, MATTOCCIA S, Mola M. A change-detection algorithm based on structure and colour [C]//IEEE Conference on Advanced Video and Signal Based Surveillance. Washington, DC: IEEE Computer Society Press, 2003: 252.

[21] QIU B, PRINET V, PERRIER E, et al. Multi-block PCA method for image change detection [C]//International Conference on Image Analysis and Processing, 2003.New York: IEEE Press, 2003: 385.

[22] HALL O, HAY G J. A multiscale object-specific approach to digital change detection [J]. International Journal of Applied Earth Observation and Geoinformation, 2003, 4(4): 311-327.

[23] WALTER V. Object-based classification of remote sensing data for change detection [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2004, 58(3-4): 225-238.

Remote Sensing Image Change Detection Based on Relief-PCA Feature Selection

WANG Shou-feng1,2, YANG Xue-zhi1,2, DONG Zhang-yu1,2, SHI Cong-cong1,2

(1. School of Computer and Information, Hefei University of Technology, Hefei Anhui 230009, China; 2. Anhui Province Key Laboratory of Industry Safety and Emergency Technology, Hefei Anhui 230009, China)

Object-oriented change detection technology has been widely used in the field of high-resolution remote sensing images. As the remote sensing images are affected by imaging conditions such as illumination, atmospheric environment and other factors, the quality of image features also varies. Selecting high-quality features becomes the key of the change detection of remote sensing image at the object level. For the above problems, a change detection method of object-level remote sensing images based on Relief-PCA feature selection has been proposed. In the proposed method, first of all, the original image is multi-scaled to obtain the target object. Afterwards, the spectral features and texture features of the object are extracted. Then a logarithmic ratio method is used to obtain the change vector, and the object features of the original image are filtered and dimensioned through the Relief-PCA feature selection method. Finally, the change vector analysis (CVA) variation intensity map is calculated and generated. The Otsu method is used to conduct the threshold segmentation of the variation intensity map to obtain the final change detection result. Experimental results show that compared with other state-of-the-art methods, the proposed method has higher detection accuracy, lower misdetection rate and lower missed detection rate.

remote sensing image; Relief-PCA; change detection; image feature

TP 391

10.11996/JG.j.2095-302X.2019010117

A

2095-302X(2019)01-0117-07

2018-07-07；

2018-07-18

國家自然科學(xué)基金項目(41601452)；安徽省重點研究與開發(fā)計劃項目(1704a0802124)

王守峰(1993-)，男，河南平頂山人，碩士研究生。主要研究方向為遙感信息處理。E-mail：2687888046@qq.com

董張玉(1986-)，男，安徽合肥人，副教授，博士。主要研究方向為遙感信息處理。E-mail：dzyhfut@hfut.edu.cn