基于密度引力和多尺度多特征融合的遥感影像变化检测 下载: 883次
1 引言
遥感影像变化检测是指利用同一地区不同时期的遥感影像,通过图像处理技术分析和判断影像间的变化[1]。由于遥感影像变化检测方法可以动态监测和分析地表覆盖变化趋势,从而广泛应用于土地利用/覆盖、城市扩展和灾害监测等领域[2]。变化检测方法根据是否需要先验信息可分为监督变化检测和无监督变化检测,理论上,监督变化检测通过利用标记样本获得更详尽的变化描述,从而优于无监督变化检测。但是,当有少量标记样品可用时,监督变化检测的性能将会很差[3]。因此,无监督变化检测得到了更为广泛的研究。
一般来说,无监督变化检测方法有两个关键点。
一是双时相影像间变化信息的表达。遥感影像变化检测时,变化信息提取是变化检测的核心,影像中包含的各种特征是承载变化信息的载体,例如光谱、纹理、空间结构和空间上下文特征等[4],因此,有效地提取不同时相遥感影像中包含不同信息的特征数据,是变化检测的关键环节。传统的变化检测方法主要是依靠光谱特征,检测结果较为零碎,并且容易丢失边缘信息,导致了检测结果准确性和完整性欠缺[5]。近年来,许多学者已提出多特征融合的变化检测方法,杜培军等[5]将光谱特征、空间特征、纹理特征等多个特征融合后用于变化检测。赵敏等[6]通过多尺度分割图像,然后提取像斑的光谱特征、纹理特征及形状特征,并构造特征矢量,最后用于变化检测。以上的多特征融合的变化检测方法,都是给予各个特征相同的权重,没有考虑不同特征对于变化检测的贡献和作用不同,未能自适应地将不同特征融合。此外,也没有考虑到不同尺度纹理特征对于变化检测的影响。因此,需要更有效的变化检测方法将不同特征融合。
另一个关键点是需要一个评判标准来判断像元是否发生变化,其核心是阈值分割[7]。阈值分割是通过设定一个阈值来区分差异图像中的变化区域和未变化区域。由于遥感成像过程不稳定,且包含复杂的地物,很难选择一个最优的阈值用于变化检测,此外该方法抗噪性能差。为了解决这些问题,已经提出了许多对噪声具有稳健性的变化检测方法,例如改进的模糊C均值聚类(FCM)算法[8],基于马尔可夫随机场(MRF)的方法[9],基于最大期望(EM)的方法[10]。其中,基于MRF的变化检测方法由于其完整的数学理论而受到广泛关注。MRF模型不仅具有很强的抗噪性能,而且充分考虑了图像像元之间的空间邻域关系。然而MRF模型中邻域像元对中心像元的影响相同,对于均匀区域的变化检测结果较好,而边缘区域会产生过平滑现象。此外忽略像元的各向异质性,不能较好地保持图像细节。Tso等[11]通过在MRF中引入多尺度线特征以限制过度平滑的分类,提高了分类精度。王冬雪等[12]通过在MRF的能量函数中加入边缘系数以保持图像边缘信息。Zhang等[13]通过邻域像元和中心像元之间的距离,定义了MRF的空间信息权重。以上方法虽然一定程度上改善了变化信息的分类精度,但是仍然对噪声敏感。此外,仅利用距离改变空间信息权重而忽略图像局部统计特性,并不合理,因此需要更有效的变化检测方法在解决空间信息权重的同时保留图像边缘细节。
为了解决上述问题,本文先利用信息熵融合获得不同尺度的纹理特征,然后利用标准差融合纹理特征和光谱特征,从而保留了更多有用的特征数据,提高了变化检测精度。同时,将密度引力模型引入到MRF模型中,改变MRF模型的各向同性的性质,使其能够更好地描述像元之间的空间邻域关系,从而改善了变化信息的分类效果。
2 算法流程
3 基本原理
3.1 Gabor纹理特征提取
Gabor滤波器[15-16]可以获得较高的时域和频域分辨率,它和人类视觉系统中简单细胞的视觉刺激响应相似。此外,可以同时在空间域和频率域获得最优的局部化特性,并且具有良好的方向选择和尺度选择,几乎不受光照变化的影响,因而非常适合用于提取和表征图像的纹理信息。
二维Gabor函数本质上是复正弦调制的高斯核函数,可以表示为
式中:(
二维Gabor变换提取纹理特征实际上就是用二维Gabor函数
3.2 纹理差异图像
距离相似度是度量两类样本相似性的主要表现方式之一,包括绝对值距离、欧氏距离和卡方距离等多种形式。Li等[17]提出一种局部相似性度量法,用于提取纹理相似性图像,通过利用八邻域系统来充分考虑纹理特征的空间相关性,可以描述为
式中:
图 3. 邻域系统及距离示意图。(a)以(i,j)为中心的邻域系统;(b)中心像元(i,j)与其邻域的距离
Fig. 3. Schematic of neighborhood system and distance. (a) Neighborhood system centered at (i, j); (b) distance between center pixel (i, j) and its neighborhood
通过(4)式得到的不同尺度不同方向的相似性图像包含的纹理信息内容不同,变化检测时,如果将所有尺度和方向的相似性图像都等同对待,将会使得数据的冗余信息较大,进而使得变化检测的效果不好。此外,不同尺度不同方向的相似性图像对于变化检测的贡献也不同。因此,为了能够更加充分地利用不同尺度不同方向的相似性图像,利用信息熵把不同尺度和方向的相似性图像加权融合。
根据灰度信息熵来定义每个尺度和方向相似性图像的权重。影像的灰度分布的聚集特性可以利用图像的信息熵来描述,图像中包含的信息量即纹理信息越丰富,信息熵就越大,因此,第
式中:
信息熵可以用来衡量相似性图像所包含的信息量,信息量越大的相似性图像,其对应的权重越大。
因此,纹理差异图像可以表示为
式中:
3.3 光谱差异图像
同一区域不同时相的多光谱遥感图像
式中:
3.4 自适应融合光谱差异和纹理差异图像
光谱差异图像和纹理差异图像进行结合,使得图像变化检测在充分考虑遥感图像光谱特征的同时考虑到图像的纹理特征。通过将光谱差异信息和纹理差异信息加权融合,从而获得异质性图像Δ
式中:
式中:
3.5 基于密度引力的MRF变化检测
3.5.1 紧密程度
与中心像元
式中:
式中:
3.5.2 基于密度引力模型的MRF
式中:
最大化 (13)式的后验概率等价于最小化每个像元的能量函数,即
式中:
在高斯模型中,像元的光谱能量函数
式中:
式中:
从(17)式可以看出,邻域像元对中心像元的影响相同,并没有考虑像元之间的距离、局部图像的统计特性和邻域像元是否为边界像元等因素[18]。由地理学第一定理可知,图像的像元之间存在引力,距离越近的像元之间同属于一个类别的概率越大。由于MRF模型是各向同性的,并不符合实际问题,而DAMRF是在传统的MRF模型中引入密度引力模型[19],可自适应地确定空间信息权重,改善变化检测结果的分类效果。因此,(17)式可以重新描述为
(16)式可以描述为
式中:
文献[
19]中考虑的是数据点之间的密度引力,而本文考虑的是图像像元之间的密度引力。此外,本文考虑像元之间紧密程度时,利用的是与中心像元类别相同的邻域像元个数。密度引力模型有效地表达了图像像元之间的空间相关性,其描述了中心像元与邻域像元距离越近,紧密程度越高,密度引力越大,反之越小。因此,两个像元之间的密度引力与其紧密程度成正比,与像元之间的空间距离成反比。因此,对于两个像元
式中:
DAMRF的贡献有:1) 考虑到中心像元和邻域像元之间的距离;2) 在密度引力模型中使用紧密程度来更好地描述邻域像元对中心像元的不同影响。因此,DAMRF在一定程度上可以解决边界像元错误分类的问题。
4 实验结果与分析
4.1 实验数据
利用2组高分辨率遥感影像来验证本文算法在遥感影像变化检测中的性能,第1组是使用西安地区2014年7月和2018年4月的高分二号遥感影像,通过空间分辨率为0.8 m的全色影像和空间分辨率为3.2 m的多光谱影像融合得到多光谱遥感影像,影像大小为322 pixel×217 pixel。2014年和2018年的多时相遥感影像如
图 4. 第1组实验的遥感影像数据和参考变化图。(a) 2014年;(b) 2018年;(c)参考变化图
Fig. 4. Remote sensing image data and reference change map in first set of experiments. (a) 2014; (b) 2018; (c) reference change map
图 5. 第2组实验的遥感影像数据和参考变化图。(a) 2016年;(b) 2018年;(c)参考变化图
Fig. 5. Remote sensing image data and reference change map for second set of experiments. (a) 2016; (b) 2018; (c) reference change map
4.2 实验结果
为了验证所提算法的有效性,通过单一特征与MRF、固定不同的权重与MRF、自适应权重与MRF、自适应权重与DAMRF进行对比实验,2组遥感影像的变化检测结果如
4.3 实验分析
图 6. 第1组实验中不同权重及分类方法的变化检测结果。(a) WS=0,WT=1,MRF;(b) WS=0.4,WT=0.6,MRF;(c) WS=0.6,WT=0.4,MRF;(d) WS=1,WT=0,MRF;(e)自适应权重,MRF;(f)自适应权重,DAMRF
Fig. 6. Results of change detection under different weights and classification methods for first set of experiments. (a) WS=0, WT=1, MRF; (b) WS=0.4, WT=0.6, MRF; (c) WS=0.6, WT=0.4, MRF; (d) WS=1, WT=0, MRF; (e) adaptive weight, MRF; (f) adaptive weight, DAMRF
图 7. 第2组实验中不同权重及分类方法的变化检测结果。(a) WS=0,WT=1,MRF;(b) WS=0.4,WT=0.6,MRF;(c) WS=0.6,WT=0.4,MRF;(d) WS=1,WT=0,MRF;(e)自适应权重,MRF;(f)自适应权重,DAMRF
Fig. 7. Results of change detection under different weights and classification methods for second set of experiments. (a) WS=0, WT=1, MRF; (b) WS=0.4, WT=0.6, MRF; (c) WS=0.6, WT=0.4, MRF; (d) WS=1, WT=0, MRF; (e) adaptive weight, MRF; (f) adaptive weight, DAMRF
目视解译
表 1. 图6变化检测结果的定量评价
Table 1. Quantitative evaluation of change detection results for Fig. 6
|
从
表 2. 图7变化检测结果的定量评价
Table 2. Quantitative evaluation of change detection results for Fig. 7
|
图 8. 第1组实验中检测精度的连续曲线图
Fig. 8. Continuous graph of detection accuracy for first set of experiments
图 9. 第2组实验中检测精度的连续曲线图
Fig. 9. Continuous graph of detection accuracy for second set of experiments
根据实验结果,可以得出以下结论:
1) 仅利用光谱特征进行变化检测的结果较为零碎,产生了虚检现象和一定的漏检现象,并且变化结果中包含较多孤立的像元点,这是由于遥感影像地物复杂,存在大量的混合像元,并且会有“同物异谱”和“同谱异物”现象,从而导致检测结果出现虚检。仅利用纹理特征则虚检率减少,但是容易出现漏检现象,这是因为纹理特征反映了地物的内部结构信息,其克服了同类地物呈现的光谱异质性带来的影响,但是对于不同地物则无法作为主要的区分依据。当分别固定光谱特征权重和纹理特征权重时,虽然变化检测总体精度有所提高,但是不能自适应地确定不同特征的贡献,而所提方法能自动调节权重,可以更加合理地利用不同特征,检测结果中地物完整性和准确性都有所提高。
2) 利用MRF的变化检测方法,虽然变化检测结果可以有较好的分类精度,但是却不能很好地保持变化检测结果的边缘细节,原因是MRF是各向同性的,邻域像元对中心像元有相同的影响。DAMRF的变化检测结果优于传统MRF,这是因为DAMRF利用密度引力模型,可以自适应地确定空间信息权重,改变了传统MRF固定权重的方式,符合实际情况,更好地描述了邻域像元对中心像元的影响,减少了变化检测结果的边缘损失的情况。
5 结论
提出了基于密度引力和多尺度多特征融合的变化检测方法,该方法首先考虑到了不同特征的贡献不同,实现了光谱特征和纹理特征的自适应加权组合,并且利用信息熵将不同尺度不同方向的纹理特征自适应融合。该方法充分利用了影像的光谱特征和纹理特征,使得融合后的结果保留了更多的特征信息。将密度引力模型与传统MRF相结合,构建了自适应权重的MRF,DAMRF能够自适应地计算中心像元和邻域像元之间的密度引力,根据距离和紧密相关程度确定邻域像元对中心像元的影响,改变传统MRF空间权重相同的问题,并且能够更好地保持变化图的边缘细节和克服噪声的影响。实验结果表明,该方法提高了变化结果的准确性和完整性。该方法适用于同类地物但是光谱异质性明显的高分遥感影像。能够较好地检测出影像中地物的变化,但是没有考虑到形状特征对于变化检测的影响,并且DAMRF对于线状的地物分类效果并不是很理想。下一步工作将考虑到形状特征对于变化检测的影响,从而将其应用到更为复杂的高分遥感影像中。
[1] 杜培军, 柳思聪, 郑辉. 基于支持向量机的矿区土地覆盖变化检测[J]. 中国矿业大学学报, 2012, 41(2): 262-267.
[2] 李亮, 舒宁, 王凯, 等. 融合多特征的遥感影像变化检测方法[J]. 测绘学报, 2014, 43(9): 945-953, 959.
[4] 王光辉, 李建磊, 王华斌, 等. 基于多特征融合的遥感影像变化检测算法[J]. 国土资源遥感, 2018, 30(2): 93-99.
[5] 杜培军, 柳思聪. 融合多特征的遥感影像变化检测[J]. 遥感学报, 2012, 16(4): 663-677.
[6] 赵敏, 赵银娣. 面向对象的多特征分级CVA遥感影像变化检测[J]. 遥感学报, 2018, 22(1): 119-131.
[7] 佟国峰, 李勇, 丁伟利, 等. 遥感影像变化检测算法综述[J]. 中国图象图形学报, 2015, 20(12): 1561-1571.
[10] 牛鹏辉, 李卫华, 李小春. 基于贪心EM算法的HMRF遥感影像变化检测[J]. 光电工程, 2011, 38(11): 50-56.
[12] 王冬雪, 李姚. 基于改进马尔科夫分类模型的高光谱图像分类方法[J]. 信息通信, 2016, 29(1): 16-17.
[14] 彭晏飞, 宋晓男, 訾玲玲, 等. 基于卷积神经网络和改进模糊C均值的遥感图像检索[J]. 激光与光电子学进展, 2018, 55(9): 091008.
[15] 张庆春, 佟国峰, 李勇, 等. 基于多特征融合和软投票的遥感图像河流检测[J]. 光学学报, 2018, 38(6): 0628002.
[16] 叶珍, 白璘, 粘永健. 基于Gabor特征与局部保护降维的高光谱图像分类算法[J]. 光学学报, 2016, 36(10): 1028003.
[19] 温晓芳, 杨志翀, 陈梅. 数据点的密度引力聚类新算法[J]. 计算机科学与探索, 2018, 12(12): 1996-2006.
Article Outline
金秋含, 王阳萍, 杨景玉. 基于密度引力和多尺度多特征融合的遥感影像变化检测[J]. 激光与光电子学进展, 2019, 56(12): 121003. Qiuhan Jin, Yangping Wang, Jingyu Yang. Remote Sensing Image Change Detection Based on Density Attraction and Multi-Scale and Multi-Feature Fusion[J]. Laser & Optoelectronics Progress, 2019, 56(12): 121003.