武錦沙,楊樹(shù)文,2,3,李軼鯤,2,3,趙志威,鄭 耀,付昱凱

(1. 蘭州交通大學(xué)測(cè)繪與地理信息學(xué)院,甘肅 蘭州 730070; 2. 地理國(guó)情監(jiān)測(cè)技術(shù)應(yīng)用國(guó)家地方聯(lián)合工程研究中心,甘肅 蘭州 730070; 3. 甘肅省地理國(guó)情監(jiān)測(cè)工程實(shí)驗(yàn)室,甘肅 蘭州 730070)

變化檢測(cè)是分析不同時(shí)相遙感圖像變化的過(guò)程,如地物位置、范圍、性質(zhì)、狀態(tài)的變化,被廣泛應(yīng)用于城市規(guī)劃、環(huán)境監(jiān)測(cè)、農(nóng)業(yè)調(diào)查和災(zāi)害評(píng)估等方面[1-4]。災(zāi)害應(yīng)急條件下難以及時(shí)獲得同源影像,且同源影像變化檢測(cè)難以應(yīng)對(duì)復(fù)雜的實(shí)際場(chǎng)景,因此,異源影像變化檢測(cè)已成為目前備受關(guān)注的研究方向[5]。

異源影像由于成像機(jī)理不同,可能具有不同的空間分辨率、光譜、紋理特征等,復(fù)雜的外部環(huán)境容易造成地物的亮度、對(duì)比度等差異,這些差異加重了同物異譜、異物同譜現(xiàn)象,造成變化檢測(cè)結(jié)果出現(xiàn)噪聲現(xiàn)象[6-7]。為了提高影像變化檢測(cè)精度,一些學(xué)者從抑制斑點(diǎn)噪聲角度出發(fā)進(jìn)行了相關(guān)研究。文獻(xiàn)[8]將模糊C均值聚類(lèi)(fuzzy C-means, FCM)和馬爾可夫隨機(jī)場(chǎng)(Markov random field,MRF)模型進(jìn)行結(jié)合,減弱了椒鹽噪聲,生成較為精確的變化檢測(cè)結(jié)果,但計(jì)算時(shí)間較長(zhǎng)。文獻(xiàn)[9]通過(guò)實(shí)現(xiàn)半監(jiān)督FCM聚類(lèi)生成差分圖,有助于降低噪聲,但是該方法與標(biāo)準(zhǔn)的FCM類(lèi)似,忽略了一些重要的變化。

上述方法對(duì)像素的光譜特征依賴(lài)性大,容易造成變化檢測(cè)錯(cuò)誤,將對(duì)象作為基本處理單元有利于圖像信息的識(shí)別。此外,固定尺度的地物識(shí)別易受影像光譜等差異的影響,而多尺度目標(biāo)用于變化檢測(cè)可更準(zhǔn)確地反映地物的變化信息[10]。文獻(xiàn)[11]使用影像分割來(lái)獲取對(duì)象,考慮多種對(duì)象特征,變化檢測(cè)精度高,但是僅僅在單個(gè)分割尺度上進(jìn)行變化檢測(cè),不同類(lèi)型地物其尺度可能存在較大差別,得到的對(duì)象無(wú)法滿足所有變化類(lèi)型的需求。文獻(xiàn)[12]進(jìn)行對(duì)象多尺度分割,考慮不同尺度大小的地物變化,避免了變化檢測(cè)時(shí)易受光譜差異的問(wèn)題,但易受閾值判定的影響。

異源影像變化檢測(cè)可以通過(guò)深度學(xué)習(xí)技術(shù)解決,如條件生成對(duì)抗網(wǎng)絡(luò)[13]、無(wú)監(jiān)督對(duì)稱(chēng)卷積耦合網(wǎng)絡(luò)[14]。分類(lèi)后比較法是異源影像變化檢測(cè)的一種可行性方案,不需要大型的訓(xùn)練集,而圖像分類(lèi)誤差累積容易導(dǎo)致變化檢測(cè)時(shí)出現(xiàn)誤檢。已有研究表明后驗(yàn)概率空間變化向量分析法(change vector analysis in posterior probability space,CVAPS)可以減少誤差累積[15-16]。

為了減少變化檢測(cè)的錯(cuò)檢、漏檢問(wèn)題,本文充分利用后驗(yàn)概率空間變化向量分析法的優(yōu)勢(shì),提出一種面向異源影像的FCM-SBN-CVAPS多尺度變化檢測(cè)方法。該方法通過(guò)圖像增強(qiáng)處理異源影像,改善圖像質(zhì)量,利用復(fù)合樣本和子類(lèi)樣本實(shí)現(xiàn)大、小目標(biāo)變化檢測(cè),以處理不同尺度地物的變化,從而取得較高的變化檢測(cè)精度。

1 研究方法

本文構(gòu)建的方法整體流程如圖1所示,主要包括3個(gè)步驟: ①異源影像預(yù)處理,完成異源影像配準(zhǔn)等處理,通過(guò)圖像增強(qiáng)改善影像質(zhì)量; ②目標(biāo)后驗(yàn)概率向量計(jì)算,對(duì)兩期影像進(jìn)行FCM-SBN大、小目標(biāo)后驗(yàn)概率向量估計(jì); ③多尺度變化檢測(cè),利用后驗(yàn)概率空間變化向量分析法實(shí)現(xiàn)變化檢測(cè),分為大、小目標(biāo)變化信息提取,獲取多尺度異源影像變化檢測(cè)結(jié)果。

圖1 FCM-SBN-CVAPS多尺度變化檢測(cè)流程

1.1 異源影像圖像增強(qiáng)

衛(wèi)星影像可能存在亮度不高的情況,會(huì)降低影像的可視性,從而使變化檢測(cè)結(jié)果產(chǎn)生一定的噪聲[17]。因此本文實(shí)現(xiàn)了3種圖像增強(qiáng)方法,如圖2所示。

圖2 異源影像增強(qiáng)結(jié)果

(1)Gamma變換。像素間的灰度差異越大,相似性越小,變化幅度越大[18]。根據(jù)Gamma曲線變換原理,當(dāng)γ值小于1時(shí),會(huì)壓縮灰度值較高的區(qū)域,拉伸灰度值較低的區(qū)域[19]。圖2(b)為Gamma變換圖,γ參數(shù)設(shè)置為0.7,整體上與變換前作對(duì)比,影像不再泛灰。

(2)Robust Retinex模型。將圖像轉(zhuǎn)換為HSV空間,分解得到照明分量和反射分量,調(diào)整照明度,利用調(diào)整后的照明度生成增強(qiáng)的結(jié)果,最后轉(zhuǎn)換回RGB顏色空間[20]。圖2(c)為圖像增強(qiáng)結(jié)果,正規(guī)化參數(shù)β、ω、δ、γ分別設(shè)置為0.05、0.01、1、1.5,有效解決了影像可見(jiàn)光譜上的失真,符合地物的真實(shí)光譜,增強(qiáng)后的影像對(duì)比度明顯提高。

(3)微光圖像增強(qiáng)(low-light image enhancement, LIME)。為了保持整體結(jié)構(gòu)和平滑紋理細(xì)節(jié),根據(jù)良好的光照映射實(shí)現(xiàn)圖像增強(qiáng)[21]。圖2(d)為L(zhǎng)IME模型增強(qiáng)結(jié)果,系數(shù)α、γ分別設(shè)置為0.03、0.5。圖像經(jīng)過(guò)處理后,不僅具有豐富的光譜信息,還增強(qiáng)了模糊的邊緣,能夠展現(xiàn)出更多的地物細(xì)節(jié)。因此,本文采用LIME模型進(jìn)行變化檢測(cè)前的增強(qiáng)處理。

1.2 基于FCM-SBN目標(biāo)后驗(yàn)概率向量估計(jì)

通過(guò)FCM方法計(jì)算異源影像每個(gè)像素點(diǎn)隸屬的信號(hào)類(lèi),耦合SBN估計(jì)每個(gè)像素點(diǎn)屬于每種地物的后驗(yàn)概率向量[15]。信號(hào)類(lèi)是具有某種典型光譜或紋理特征的像素,與影像密切相關(guān),本文方法利用復(fù)合類(lèi)型樣本和子類(lèi)樣本實(shí)現(xiàn)信號(hào)類(lèi)的大、小目標(biāo)后驗(yàn)概率向量估計(jì)。

1.2.1 基于FCM-SBN大目標(biāo)后驗(yàn)概率向量估計(jì)

經(jīng)過(guò)圖像增強(qiáng)處理,由于影像拍攝時(shí)的曝光情況或增強(qiáng)過(guò)度導(dǎo)致有的地物光譜仍不具真實(shí)性,且不同地物的分離度不高,進(jìn)而造成分類(lèi)錯(cuò)誤。為了減弱變化檢測(cè)的誤檢,在FCM-SBN方法基礎(chǔ)上,實(shí)現(xiàn)基于FCM-SBN大目標(biāo)后驗(yàn)概率向量估計(jì),流程如圖3所示,具體步驟如下。

圖3 FCM-SBN大目標(biāo)后驗(yàn)概率向量估計(jì)流程

(1)建立不同地物的樣本集,形成子類(lèi)地物樣本。地物顏色存在差異,同一種地物可能表現(xiàn)出兩種以上的顏色,同一顏色可能代表兩種以上類(lèi)型的地物。

(2)更新樣本集。為了提高樣本之間的分離度,將同種色或類(lèi)似色的地物樣本進(jìn)行組合,構(gòu)成復(fù)合類(lèi)型地物樣本。如將代表綠地和水系樣本合并為同一類(lèi),使其成為生態(tài)區(qū)大目標(biāo)的樣本。生態(tài)區(qū)作為復(fù)合類(lèi)型地物,不區(qū)分綠地和水系,但能準(zhǔn)確判斷出生態(tài)區(qū)。

(3)利用FCM-SBN,準(zhǔn)確估計(jì)大目標(biāo)地物后驗(yàn)概率向量。FCM提取的信號(hào)類(lèi)與地物往往沒(méi)有直接建立一一對(duì)應(yīng)的關(guān)系,而SBN可以很好地解決這一問(wèn)題,因此,使用FCM-SBN估計(jì)每個(gè)像素屬于各個(gè)地物的后驗(yàn)概率。根據(jù)SBN的計(jì)算原則,像素pi,j屬于地物L(fēng)v的后驗(yàn)概率可表示為

(1)

根據(jù)貝葉斯公式,P(Lv|wk)可表示為

(2)

因此,可得式(1)的變形公式為

(3)

根據(jù)全概率公式,P(wk)可表示為

(4)

由代表每種地物的樣本計(jì)算條件概率P(wk|Lv), FCM聚類(lèi)計(jì)算的模糊隸屬度可以估計(jì)P(wk|pi,j),并將其代入式(3),可得出像素點(diǎn)pi,j屬于每種地物類(lèi)型Lv的后驗(yàn)概率。

1.2.2 基于FCM-SBN小目標(biāo)后驗(yàn)概率向量估計(jì)

基于FCM-SBN的大目標(biāo)后驗(yàn)概率向量估計(jì),能夠有效減少變化檢測(cè)的錯(cuò)檢。但是,將同種色或類(lèi)似色的不同地物樣本組合成復(fù)合類(lèi)型地物樣本,可能會(huì)導(dǎo)致其子類(lèi)地物之間的變化檢測(cè)效果較差,甚至出現(xiàn)漏檢現(xiàn)象。因此,本文提出了基于FCM-SBN的小目標(biāo)后驗(yàn)概率向量估計(jì)。該方法具體步驟如下。

(1)小目標(biāo)后驗(yàn)概率向量估計(jì)。使用子類(lèi)地物樣本數(shù)據(jù),訓(xùn)練FCM-SBN模型。

(2)提取子類(lèi)樣本所在區(qū)域。將大目標(biāo)復(fù)合類(lèi)型地物樣本中的子類(lèi)地物1和地物2提取,其他地物標(biāo)記為0,得到基于FCM-SBN的小目標(biāo)后驗(yàn)概率向量。例如,進(jìn)行大目標(biāo)后驗(yàn)概率向量估計(jì),將居民地和道路兩種地物劃為一種復(fù)合類(lèi)型地物,可能會(huì)導(dǎo)致變化檢測(cè)結(jié)果無(wú)法反映兩者之間的變化信息。因此,為了減少漏檢現(xiàn)象,針對(duì)居民地和道路兩個(gè)子類(lèi)地物,實(shí)現(xiàn)基于FCM-SBN小目標(biāo)后驗(yàn)概率向量估計(jì),進(jìn)行相應(yīng)的小目標(biāo)變化檢測(cè),對(duì)大目標(biāo)變化檢測(cè)結(jié)果進(jìn)行補(bǔ)充。

1.3 基于CVAPS的多尺度變化檢測(cè)

將對(duì)象劃分為大、小目標(biāo)實(shí)現(xiàn)多尺度變化檢測(cè),減少對(duì)影像光譜特征的依賴(lài)性。光譜變化類(lèi)型有輕微變化、中度變化和劇烈變化3種,其中輕微變化會(huì)造成變化像元的過(guò)高估計(jì)。為了解決這一問(wèn)題,學(xué)者們?cè)谧兓瘷z測(cè)過(guò)程中提出了后驗(yàn)概率空間變化向量分析法[22]。通過(guò)FCM-SBN計(jì)算目標(biāo)像素后驗(yàn)概率向量,采用變化向量分析方法對(duì)兩期結(jié)果進(jìn)行差值運(yùn)算,得到后驗(yàn)概率變化向量,其計(jì)算公式為

Δρ=ρ1-ρ2

(5)

計(jì)算歐式距離獲取后驗(yàn)概率變化向量強(qiáng)度,選擇合適的閾值方法區(qū)分不同變化類(lèi)型,減弱過(guò)高估計(jì)對(duì)變化像元的誤判,凸顯變化區(qū)域和未變化區(qū)域[22]。將大目標(biāo)變化檢測(cè)與小目標(biāo)變化檢測(cè)信息疊加,得到最終的FCM-SBN-CVAPS多尺度變化檢測(cè)結(jié)果。

2 試驗(yàn)結(jié)果與分析

2.1 試驗(yàn)數(shù)據(jù)

試驗(yàn)采用的兩組異源影像數(shù)據(jù)均經(jīng)過(guò)輻射校正、圖像配準(zhǔn)等預(yù)處理工作,如圖4和圖5所示,數(shù)據(jù)由全色和多光譜數(shù)據(jù)融合而成,包括紅、綠、藍(lán)3個(gè)波段,詳細(xì)信息見(jiàn)表1。

表1 數(shù)據(jù)詳情

表2 試驗(yàn)1變化檢測(cè)結(jié)果評(píng)價(jià)指標(biāo)

表3 試驗(yàn)2變化檢測(cè)結(jié)果評(píng)價(jià)指標(biāo)

圖4 試驗(yàn)1的高分一和高分二影像

圖5 試驗(yàn)2的高分二和GEOVIS影像

2.2 變化檢測(cè)試驗(yàn)與分析

為了驗(yàn)證本文提出的面向異源影像FCM-SBN-CVAPS多尺度變化檢測(cè)方法的有效性,將其與SVM-PCC[15]、SVM-CVAPS[15]、SVM-CVAPS多尺度變化檢測(cè)、FCM-SBN-PCC[15]、FCM-SBN-CVAPS[15]方法分別進(jìn)行對(duì)比。試驗(yàn)1、試驗(yàn)2的變化檢測(cè)結(jié)果分別如圖6、圖7所示,其中,白色代表變化區(qū)域,黑色代表未變化區(qū)域。通過(guò)計(jì)算錯(cuò)檢率、漏檢率、總體精度及Kappa系數(shù)指標(biāo)實(shí)現(xiàn)方法的定量評(píng)估[23],各評(píng)價(jià)指標(biāo)是在多次試驗(yàn)下取平均值。

圖6 試驗(yàn)1變化檢測(cè)結(jié)果

圖7 試驗(yàn)2變化檢測(cè)結(jié)果

SVM-PCC方法相比于SVM-CVAPS、SVM-CVAPS多尺度變化檢測(cè)方法,漏檢情況最低,而錯(cuò)檢率最高,因此Kappa系數(shù)較低,且FCM-SBN-PCC方法類(lèi)似于SVM-PCC方法。由變化檢測(cè)效果可看出,FCM-SBN-CVAPS多尺度變化檢測(cè)方法整體效果較好,針對(duì)不同尺度目標(biāo)計(jì)算對(duì)象內(nèi)部像素變化,減少異源影像變化檢測(cè)的錯(cuò)檢,降低漏檢率。試驗(yàn)1的FCM-SBN-CVAPS多尺度變化檢測(cè)錯(cuò)檢率為20.79%,漏檢率為17.05%,Kappa系數(shù)達(dá)到0.786 7;試驗(yàn)2的FCM-SBN-CVAPS多尺度變化檢測(cè)錯(cuò)檢率為24.61%,漏檢率為4.74%,Kappa系數(shù)達(dá)到0.818 8。與FCM-SBN-CVAPS方法相比,FCM-SBN-CVAPS多尺度變化檢測(cè)總體精度提高4%～5%,由于使用FCM-SBN-CVAPS方法進(jìn)行變化檢測(cè),兩組試驗(yàn)錯(cuò)檢率、漏檢率都較高,而FCM-SBN-CVAPS多尺度變化檢測(cè)可以同時(shí)降低錯(cuò)檢率和漏檢率,因此總體精度和Kappa系數(shù)都有所提高。總體上,與其他5種比較方法相比,FCM-SBN-CVAPS多尺度變化檢測(cè)方法可以減少錯(cuò)檢、漏檢情況,檢測(cè)出較小的變化區(qū)域,具有更高的精度。

3 結(jié) 語(yǔ)

本文提出了一種面向異源影像的FCM-SBN-CVAPS多尺度變化檢測(cè)方法。通過(guò)實(shí)現(xiàn)大目標(biāo)變化檢測(cè),減少了異源影像變化檢測(cè)時(shí)的錯(cuò)檢;同時(shí)進(jìn)行的小目標(biāo)變化檢測(cè),可檢測(cè)出漏檢的小目標(biāo),降低了漏檢率;相比FCM-SBN-CVAPS方法,在精度上有所提高。試驗(yàn)結(jié)果驗(yàn)證了本文方法的可靠性,無(wú)須大型的訓(xùn)練集,即可降低錯(cuò)檢率、漏檢率,且總體精度和Kappa系數(shù)均高于對(duì)比算法。對(duì)照人工變化檢測(cè)圖,本文方法未能檢測(cè)出部分小目標(biāo)變化信息,未來(lái)可進(jìn)一步引入空間信息,進(jìn)而獲取更低的錯(cuò)檢率和漏檢率。