馮文卿,眭海剛,涂繼輝,孫開敏

武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室, 湖北 武漢 430079

馮文卿,眭海剛,涂繼輝,等.聯(lián)合像素級和對象級分析的遙感影像變化檢測[J].測繪學(xué)報，2017,46(9)：1147-1155.

10.11947/j.AGCS.2017.20160606.

FENG Wenqing,SUI Haigang,TU Jihui,et al.Remote Sensing Image Change Detection Based on the Combination of Pixel-level and Object-level Analysis[J]. Acta Geodaetica et Cartographica Sinica,2017,46(9):1147-1155. DOI:10.11947/j.AGCS.2017.20160606.

聯(lián)合像素級和對象級分析的遙感影像變化檢測

馮文卿,眭海剛,涂繼輝,孫開敏

武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室, 湖北 武漢 430079

為改善高空間分辨率遙感影像的變化檢測精度，提出一種聯(lián)合像素級和對象級分析的變化檢測新框架。首先將多時相影像進(jìn)行疊合，對疊加影像進(jìn)行主成分分析，并利用基于熵率的方法對第一主成分影像進(jìn)行分割，通過改變超像素數(shù)目來獲取多層次不同尺寸大小的超像素區(qū)域。同時，對多時相影像進(jìn)行光譜差異和紋理差異分析，采用自適應(yīng)PCNN神經(jīng)網(wǎng)絡(luò)方法進(jìn)行圖像融合，利用水平集(CV)方法對融合后的影像進(jìn)行分割獲取像素級變化檢測結(jié)果。最后，結(jié)合多尺度區(qū)域標(biāo)記矩陣對檢測結(jié)果進(jìn)行變化強(qiáng)度等級量化和決策級融合，作為變化檢測的后處理部分，以獲取最終的對象級變化檢測結(jié)果。采用SPOT-5多光譜影像進(jìn)行試驗(yàn)。結(jié)果表明這種新框架可以有效集成基于像素和基于對象兩種圖像分析方法的優(yōu)勢，能夠進(jìn)一步提高變化檢測過程的穩(wěn)定性和適用性。

像素級；對象級；變化檢測；超像素；PCNN神經(jīng)網(wǎng)絡(luò)；決策級融合

遙感影像變化檢測是遙感圖像應(yīng)用中的一個重要研究內(nèi)容，尤其在軍事、建筑用地監(jiān)測、土地利用變化和災(zāi)害評估等方面[1-2]。隨著影像空間分辨率的提高，同類地物內(nèi)部光譜差異逐漸增大，基于像元光譜統(tǒng)計的自動變化檢測技術(shù)已經(jīng)不能滿足當(dāng)前遙感圖像變化信息提取的要求，成為制約高分辨率遙感圖像廣泛應(yīng)用的主要瓶頸[3]。面向?qū)ο蠹夹g(shù)的出現(xiàn)，為高分辨率遙感影像分析提供了新的思路，變化檢測的基本單元也由像素逐漸過渡到對象[2]。由于對象級變化檢測算法比像素級變化檢測算法更具優(yōu)勢，因此近年來得到了廣泛關(guān)注和發(fā)展[3-7]。

在像素級水平上利用多時相遙感影像進(jìn)行地表覆蓋變化檢測，其中文獻(xiàn)[8—9]結(jié)合模糊c均值聚類(FCM)和馬爾科夫隨機(jī)場(Markov random field,MRF)模型，提出了一種非監(jiān)督的變化檢測算法，相較于只利用單一方法，確實(shí)能夠提高檢測精度。文獻(xiàn)[10—12]通過考慮影像上區(qū)域之間的鄰接限制關(guān)系，分別利用水平集(level set)模型及條件隨機(jī)場(conditional random field，CRF)模型來進(jìn)行變化/未變化區(qū)域的提取。文獻(xiàn)[6]則提出了一種尺度驅(qū)動的面向?qū)ο笞兓瘷z測模型，對分割結(jié)果存在的尺度不確定性進(jìn)行分析，減弱了分割不確定性對變化檢測結(jié)果的影響。文獻(xiàn)[7]利用自適應(yīng)權(quán)重的變化向量分析(change vector analysis，CVA)方法，通過提取變化強(qiáng)度信息和變化方向信息，來達(dá)到面向?qū)ο笸恋乩脠D斑變化檢測的目的，但是對象特征和閾值的選取對最終結(jié)果的影響較大。針對單一尺度上進(jìn)行變化信息提取，較容易出現(xiàn)漏檢現(xiàn)象，有學(xué)者提出了基于多尺度分割與融合的變化檢測方法，與單尺度相比，能夠顯著改善檢測精度[5,28]。此外，文獻(xiàn)[13—14]分別利用基于視覺詞袋模型(bag of visual word，BOVW)和隱狄利克雷分配模型(latent Dirichlet allocation,LDA)，進(jìn)行基于場景分析的變化檢測，與常規(guī)遙感變化檢測方法相比，這些新模型能有效地減少錯漏判，提高檢測的總體正確率，為遙感影像變化檢測提供了新的思路。但是，這些新模型更適用于基于場景的變化檢測，而場景的類別往往需要人的先驗(yàn)知識來構(gòu)建。文獻(xiàn)[15—17]分別將深度學(xué)習(xí)(deep learning)算法和智能學(xué)習(xí)算法用于遙感影像的變化檢測過程中，并與傳統(tǒng)的變化檢測方法進(jìn)行對比，也進(jìn)一步表明這些新算法的優(yōu)越性。雖然已經(jīng)有很多學(xué)者從基于像素和基于對象的角度，針對不同的應(yīng)用目的，提出了大量的變化檢測方法和理論模型，但是卻較少有人將基于像素和基于對象的變化檢測過程結(jié)合起來進(jìn)行分析。其中，文獻(xiàn)[18—20]分別嘗試將兩種圖像分析方法進(jìn)行有效集成，并應(yīng)用在土地利用分類、建筑區(qū)提取和SAR洪水變化檢測應(yīng)用研究上，并取得了不錯的試驗(yàn)效果。從這些研究中可以看出，集成兩種圖像分析方法的優(yōu)勢，可以進(jìn)一步獲取更好的圖像分析結(jié)果。

一般而言，面向?qū)ο蟮膱D像分析與基于像素的圖像分析是相互補(bǔ)充的關(guān)系。集成兩種圖像分析方法的目的是為了獲得更好的圖像分析結(jié)果。兩種方法的集成也可以分為兩種情況：一種情況是兩種方法并行執(zhí)行，之后再進(jìn)行綜合，從而獲得好的圖像分析結(jié)果；另一種情況是兩種方法串行，這樣使得一種方法獲得結(jié)果作為另一種方法執(zhí)行的前提，最終獲得更好的圖像分析結(jié)果。本文采取第2種串行策略，提出了一種聯(lián)合像素級和對象級分析的遙感影像變化檢測新方法。

1 研究方法

本文所提出的變化檢測算法，其整體流程如圖1所示，主要包括以下步驟：①對兩時相影像進(jìn)行光譜特征和紋理特征差異分析，并對兩種特征的差異影像進(jìn)行自適應(yīng)PCNN圖像融合，對融合后的影像利用Chan-Vese方法進(jìn)行閾值分割，獲取初始的像素級檢測結(jié)果；②將兩時相影像進(jìn)行疊合，對疊加影像進(jìn)行主成分分析，利用基于熵率的超像素分割方法對第一主成分影像進(jìn)行粗、細(xì)尺度上的分割；③在像素級變化檢測結(jié)果基礎(chǔ)之上，利用多尺度區(qū)域標(biāo)記矩陣對檢測結(jié)果進(jìn)行變化強(qiáng)度等級量化和決策級融合，作為變化檢測的后處理部分，以獲取最終的對象級檢測結(jié)果。

1.1 光譜差異與紋理差異分析

1.1.1 光譜差異圖計算

(1)

圖1 變化檢測算法整體流程Fig.1 The flowchart of change detection algorithm

1.1.2 紋理差異圖計算

灰度共生矩陣(gray-level co-occurrence matrix,GLCM)是通過研究灰度的空間相關(guān)特性來描述紋理的方法，作為重要特征被廣泛應(yīng)用于遙感影像分類、變化檢測中。該矩陣中的元素值代表灰度級之間聯(lián)合條件概率密度p(i,j/d,θ)，其中，p(i,j/d,θ)表示在給定空間距離d和方向θ時，統(tǒng)計以灰度i為起始點(diǎn)，出現(xiàn)灰度級j的概率[21]。常用于遙感影像紋理信息提取的特征統(tǒng)計量有8種，本文選取了其中的4種：能量(energy)、相關(guān)性(correlation)、對比度(contrast)、同質(zhì)性(homogeneity)，用于計算遙感影像的紋理特征圖。本文將試驗(yàn)數(shù)據(jù)集的原始RGB影像轉(zhuǎn)為灰度影像，分別以3×3、5×5、7×7像元窗口提取T1時相和T2時相灰度影像的紋理特征數(shù)據(jù)，然后對紋理特征圖進(jìn)行差值運(yùn)算，形成紋理差值影像N2。試驗(yàn)結(jié)果證明相關(guān)性(correlation)統(tǒng)計量能夠較好地反映出T1時相和T2時相影像中紋理信息的差異，并且紋理提取窗口設(shè)置為3×3像元時能夠獲取更多的紋理差異細(xì)節(jié)信息。因此，本文最終以3×3像元窗口分別獲取兩期影像的紋理相關(guān)性特征數(shù)據(jù)fcorre，計算公式如下

(2)

式中，quantk為灰度量化等級；p(i,j)為聯(lián)合條件概率密度；μi為共生矩陣第i行的均值；μj為共生矩陣第j行的均值；σi為共生矩陣第i行的標(biāo)準(zhǔn)差；σj為共生矩陣第j行的標(biāo)準(zhǔn)差。為了使紋理數(shù)據(jù)和光譜數(shù)據(jù)具有相同的取值區(qū)間，需要對這兩種數(shù)據(jù)進(jìn)行歸一化處理[21]，計算公式如下

(3)

1.2 自適應(yīng)PCNN神經(jīng)網(wǎng)絡(luò)圖像融合算法

為了綜合利用光譜特征變化信息和紋理特征變化信息，本文采用自適應(yīng)PCNN神經(jīng)網(wǎng)絡(luò)方法對這兩種差異信息進(jìn)行融合[22]。該方法能夠很好地克服兩種特征差異信息的不足之處，融合后的影像能夠有效地抑制背景信息，增強(qiáng)并突出變化的部分，有利于進(jìn)行下一步的閾值分割操作，能夠更加準(zhǔn)確地提取影像中的變化信息。

用自適應(yīng)PCNN圖像融合算法來獲取新的融合影像。其基本原理是：將變化影像中的像素的EOL和SD值分別作為PCNN神經(jīng)網(wǎng)絡(luò)對應(yīng)神經(jīng)元的連接強(qiáng)度值，其中，EOL值反映了圖像局部的清晰度，SD值反映了圖像灰度局部的對比度變化程度[22]。為了得到參與融合影像的每一個特征對應(yīng)的點(diǎn)火映射圖，需要通過PCNN點(diǎn)火來實(shí)現(xiàn)，并利用加權(quán)函數(shù)來構(gòu)造參與融合影像的新點(diǎn)火映射圖。最后通過對各個圖像對應(yīng)的新點(diǎn)火映射圖進(jìn)行比較，融合后的該像素點(diǎn)的像素值取為點(diǎn)火次數(shù)的最大者[22]。在每個像素(x,y)處，EOL和SD值分別定義為

(4)

(5)

fuu+fvv=-f(u-1,v-1)-4f(u-1,v)-

f(u-1,v+1)-4f(u,v-1)+

20f(u,v)-4f(u,v+1)-f(u+1,

v-1)-4f(u+1,v)-f(u+1,v+1)

(6)

(7)

(8)

1.3 超像素分割

本文首先將多時相影像進(jìn)行疊合，對疊加影像進(jìn)行主成分分析，并對提取的第一主成分影像進(jìn)行熵率超像素(entropy rate super-pixel segmentation)分割[24]。在分割過程中，具體使用多少個超像素為宜，即平衡性的問題，是提高影像分割質(zhì)量的關(guān)鍵。

對于面向?qū)ο筮b感信息提取方法中的多尺度分割來說，每一種地物的最優(yōu)分割尺度是相對的，通常在一個數(shù)值范圍內(nèi)。遙感影像分割的理想結(jié)果是分割所得到的對象內(nèi)部具有良好的同質(zhì)性，同時相鄰對象之間具有良好的異質(zhì)性[25]。本文采用超像素個數(shù)評價指數(shù)(evaluation index of super-pixel number)來衡量分割結(jié)果的好壞。該指數(shù)定義指地類能用一個或幾個超像素來表達(dá)，超像素大小與地物目標(biāo)大小接近，超像素多邊形不會太破碎，超像素邊界比較分明，內(nèi)部異質(zhì)性盡量小，不同類別之間的異質(zhì)性盡量大。而且超像素能夠表達(dá)某種地物的基本特征，其中內(nèi)部同質(zhì)性保證超像素的純度，而超像素之間的異質(zhì)性保證超像素的可分性[25]。在試驗(yàn)過程中，本文通過設(shè)置不同的超像素個數(shù)，獲取多層次不同尺寸大小的超像素區(qū)域。分割的試驗(yàn)?zāi)康氖潜M可能將同一種類型的地物分割在一起，最終形成一系列緊湊、區(qū)域一致性較強(qiáng)的同質(zhì)區(qū)域。利用超像素個數(shù)評價指數(shù)，來獲取粗、細(xì)尺度上的分割結(jié)果，有效降低人為試錯的時間成本，避免人工選取超像素個數(shù)的主觀性。

1.3.1 對象內(nèi)部的同質(zhì)性

本文采用超像素的標(biāo)準(zhǔn)差表示其內(nèi)部同質(zhì)性，計算公式如式(9)。其中ak表示超像素k的面積大小，實(shí)際以超像素內(nèi)部像元個數(shù)表示；vk表示超像素k的標(biāo)準(zhǔn)差；n為影像分割時超像素的總個數(shù)。計算公式相當(dāng)于加入面積權(quán)重，面積比較大的超像素具有較大的權(quán)重，這樣能夠降低小超像素引起的不穩(wěn)定性。H越大，超像素內(nèi)部同質(zhì)性越高。

(9)

1.3.2 對象之間的異質(zhì)性

空間自相關(guān)性是遙感圖像數(shù)據(jù)特有的屬性，并且是空間對象可分性的一個強(qiáng)指示器[25]。本文利用Moran’s I指數(shù)來表示超像素之間的異質(zhì)性，計算公式如下

(10)

1.3.3 全局分割質(zhì)量函數(shù)

本文采用文獻(xiàn)[26]提出的公式(11)來表示超像素個數(shù)評價指數(shù)。它是利用超像素的同質(zhì)性指數(shù)和異質(zhì)性指數(shù)來構(gòu)建衡量分割好壞的質(zhì)量函數(shù)，其公式如下

F(H,I)=(1-ρ)F(H)+ρF(I)

(11)

式中，F(xiàn)(H)表示同質(zhì)性評價指數(shù)；F(I)表示異質(zhì)性評價指數(shù)；ρ為異質(zhì)性權(quán)重，同質(zhì)性權(quán)重為1-ρ，ρ∈[0,1]，本文取ρ=0.5。綜合同質(zhì)性指數(shù)和異質(zhì)性指數(shù)對超像素個數(shù)進(jìn)行評價前，需要將它們進(jìn)行歸一化處理，如下式

(12)

(13)

在此基礎(chǔ)上通過三次樣條函數(shù)插值的方法就可以得到一個超像素個數(shù)選取的計算模型

(14)

當(dāng)函數(shù)s3(x)在超像素個數(shù)區(qū)間[xmin,xmax]取得極大值時，所對應(yīng)的超像素個數(shù)x，即為最優(yōu)的超像素個數(shù)。通常x具有多個值，本文選取了粗尺度和細(xì)尺度上的分割結(jié)果，來進(jìn)行后續(xù)的變化檢測試驗(yàn)。

1.4 決策級融合(decision level fusion)

由于像素級的變化檢測結(jié)果較容易出現(xiàn)“椒鹽現(xiàn)象”，導(dǎo)致最終的變化檢測結(jié)果會出現(xiàn)很多孤立的點(diǎn)。針對此現(xiàn)象，本文將帶有區(qū)域標(biāo)記的多尺度超像素分割結(jié)果應(yīng)用在像素級的變化檢測結(jié)果之上，進(jìn)行決策級融合。

假設(shè)每個超像素Si內(nèi)包含的像素總個數(shù)為Numt，其中屬于變化像素的個數(shù)為Numc，未變化像素的個數(shù)為Numu，顯然Numc+Numu=Numt。本文根據(jù)每個超像素區(qū)域內(nèi)的變化像素比例w(其中w=Numc/Numt)，定義了以下變化強(qiáng)度W以便將初始變化差異圖量化為-2～2之間，采用下面的分段函數(shù)形式

(15)

式中，-2、-1、0、1、2分別代表未變化、微弱變化、中等變化、明顯變化、強(qiáng)烈變化的區(qū)域值[27-28]。

本文采用多尺度超像素分割技術(shù)，獲取不同大小的超像素區(qū)域，使得不同尺寸的地物目標(biāo)能對應(yīng)較優(yōu)的分割尺度，從而保證了信息提取的精度[27]。為了綜合粗尺度和細(xì)尺度下的變化檢測結(jié)果，本文通過多值邏輯建立決策融合規(guī)則，將兩個尺度下的檢測結(jié)果融合成一幅變化強(qiáng)度圖，以便于綜合性地檢測變化發(fā)生的位置以及變化的強(qiáng)度。圖2對應(yīng)了一個五值的多值邏輯函數(shù)F(x,y)，具體的決策級融合規(guī)則如表1所示。當(dāng)兩個尺度(x,y)的變化強(qiáng)度大時，那么融合的變化強(qiáng)度也應(yīng)較大，反之亦然[27-28]。例如：當(dāng)F(x,y)=2時，此時x+y=3或x+y=4，說明兩個尺度(x,y)中至少有一個超像素區(qū)域?yàn)閺?qiáng)烈變化，另一個超像素區(qū)域至少為明顯變化的區(qū)域，決策級融合規(guī)則定義合成的強(qiáng)度就應(yīng)該為強(qiáng)烈變化，這樣才能充分體現(xiàn)兩個尺度上的變化強(qiáng)度信息。如果將決策級融合后的變化強(qiáng)度影像中的未變化與微弱變化區(qū)域視為不變化，其余視為變化的區(qū)域，就可以得到最終的二值化檢測結(jié)果。

圖2 邏輯函數(shù)F(x，y)Fig.2 Logical function F(x，y)

細(xì)尺度粗尺度未變化微弱變化中等變化明顯變化強(qiáng)烈變化未變化未變化未變化未變化微弱變化中等變化微弱變化未變化微弱變化微弱變化中等變化明顯變化中等變化未變化微弱變化中等變化明顯變化明顯變化明顯變化微弱變化中等變化明顯變化強(qiáng)烈變化強(qiáng)烈變化強(qiáng)烈變化中等變化明顯變化明顯變化強(qiáng)烈變化強(qiáng)烈變化

2 試驗(yàn)結(jié)果與分析

為了綜合驗(yàn)證所提方法的可行性和有效性，本文采用的試驗(yàn)數(shù)據(jù)為2006年和2007年獲取的廣州市SPOT 5多光譜彩色影像，空間分辨率為2.5 m，主要包含紅、綠、藍(lán)3個波段，影像大小為1871×1774像素，測試區(qū)主要由水體、聚落群、工廠建筑物、耕地、裸地等地物構(gòu)成，兩期影像分別如圖3(a)和圖3(b)所示(見文后)。

為了綜合利用前、后時相影像的光譜信息，本文采用影像疊合的方式形成疊加影像(共6波段)，并對疊加影像進(jìn)行主成分分析，提取的第一主成分影像結(jié)果如圖3(c)所示。本文在綜合提取光譜變化強(qiáng)度影像和紋理差值影像之后(圖3(d)和圖3(e)所示)，對這兩種差異影像采用自適應(yīng)PCNN神經(jīng)網(wǎng)絡(luò)融合，形成新的差異融合影像(圖3(f))。從結(jié)果中可以看出，新的融合影像在充分利用光譜變化強(qiáng)度信息基礎(chǔ)之上，能夠?qū)⒓y理差異信息進(jìn)行有效融合，降低了由于輻射差異造成的諸多虛假差異。然后，本文在區(qū)間[1000,5000]內(nèi)對第一主成分影像進(jìn)行熵率超像素分割，步長為200，并計算分割后每個尺度下的總體評價指數(shù)值F(H,I)，然后對其進(jìn)行三次樣條函數(shù)插值，插值結(jié)果如圖4所示。從圖中可以看出：函數(shù)在超像素個數(shù)區(qū)間[1000,5000]內(nèi)，具有多個極大值，進(jìn)一步說明遙感影像的最優(yōu)分割尺度其實(shí)是相對的，通常在一個數(shù)值范圍內(nèi)。本文根據(jù)三次樣條函數(shù)插值的結(jié)果，選取超像素個數(shù)nC=1800，作為粗尺度上的分割結(jié)果，選取nC=4200作為細(xì)尺度上的分割結(jié)果。在這兩個尺度上，超像素個數(shù)評價指數(shù)F(H,I)都為區(qū)間上的極大值；在粗尺度上，當(dāng)分割的超像素總數(shù)為1800時，此時F(H,I)值最大，即整體上來說，在這個尺度上，超像素內(nèi)部多呈現(xiàn)均質(zhì)，不同超像素之間多呈現(xiàn)異質(zhì)。同理，當(dāng)分割的超像素數(shù)量逐漸增大時，此時F(H,I)值呈上升的趨勢，分割得到的區(qū)域數(shù)越來越多；當(dāng)分割的超像素總數(shù)為4200時，此時F(H,I)值在鄰域區(qū)間內(nèi)最大，即在細(xì)尺度上此時得到的分割效果較佳。

接著，本文將帶有區(qū)域標(biāo)號的粗尺度分割圖及細(xì)尺度分割圖與像素級變化檢測結(jié)果進(jìn)行聯(lián)合分析，采用變化強(qiáng)度等級量化和決策級融合，來獲取最終的對象級變化檢測結(jié)果。圖5(a)是根據(jù)目視解譯結(jié)果和實(shí)地調(diào)繪相結(jié)合而制作的標(biāo)準(zhǔn)變化檢測影像，黑色區(qū)域表示未變化的區(qū)域，白色區(qū)域表示變化的區(qū)域；圖5(b)、5(c)、5(d)、5(e)分別為初始分割閾值T=40、T=60、T=80、T=100下，利用Chan-Vese方法對PCNN差異融合影像進(jìn)行二值化分割，所獲取的變化檢測結(jié)果；圖5(i)為本文采用決策級融合規(guī)則所獲取的檢測結(jié)果。

圖5 不同方法之間的變化檢測結(jié)果Fig.5 The change detection results by different methods

與此同時，將本文方法與文獻(xiàn)[29]中所用的距離規(guī)則水平集演化(distance regularized level set evolution,DRLSE)模型進(jìn)行對比(利用DRLSE模型進(jìn)行變化區(qū)域提取時，初始分割閾值為T=75)，所得到的結(jié)果如圖5(f)所示。此外，本文還與基于對象的變化向量分析[30](object-based change vector analysis,CVA-OB)、基于對象的卡方變換分析[30](object-based chi-square transformation,chisquare-OB)等方法進(jìn)行了對比分析，并選取了細(xì)尺度上的分割結(jié)果。當(dāng)超像素個數(shù)為4200時，本文選取每個超像素在不同波段的光譜均值、標(biāo)準(zhǔn)差構(gòu)成它們的特征向量，利用最大類間方差法(OSTU)來進(jìn)行自動閾值分割并提取變化區(qū)域，所得到的結(jié)果如圖5(g)、5(h)所示。為了對所提出的方法性能進(jìn)行定量評估，本文通過構(gòu)建混淆矩陣，來計算變化檢測結(jié)果的精度。試驗(yàn)采用虛檢率、漏檢率、總體正確率以及ROC曲線下面積(area under curve,AUC)等4個指標(biāo)來衡量變化檢測精度，試驗(yàn)得到的變化檢測評定結(jié)果如圖6和表2所示。

圖3 試驗(yàn)數(shù)據(jù)集Fig.3 Datasets used in the experiment

圖4 超像素個數(shù)評價指數(shù)Fig.4 The evaluation index of super-pixel number

圖6 試驗(yàn)數(shù)據(jù)的ROC曲線對比Fig.6 ROC curve comparison in the study area

變化檢測方法正確率虛檢率漏檢率ROC曲線下面積CV，T=400．91740．60380．25970．8045CV，T=600．94800．43990．41240．8235CV，T=800．95430．32390．55350．7747CV，T=1000．95290．25230．68420．7260DRLSE0．95900．29410．52310．7352CVA?OB0．96120．31320．51030．7701chisquare?OB0．96390．22600．46040．8080decisionlevelfusion0．96500．19570．35640．8373

從試驗(yàn)結(jié)果可以看出：在利用CV水平集方法對差異影像進(jìn)行分割時，當(dāng)初始閾值設(shè)置為T=60時，此時ROC曲線下面積最大，變化檢測的總體精度較高，且好于其他3個初始閾值下的檢測結(jié)果。因此，本文將此閾值下的分割結(jié)果作為初始像素級變化檢測結(jié)果，用于后續(xù)的決策級融合分析。此外，利用DRLSE模型進(jìn)行演化分割時，變化檢測結(jié)果精度也較低，雖然其總體正確率和虛檢率要優(yōu)于閾值T=60時利用CV方法所獲取的結(jié)果，但是其漏檢率要明顯高于CV方法，而且其迭代演化的時長要明顯長于傳統(tǒng)的CV方法。而基于對象的變化向量分析(CVA-OB)、基于對象的卡方變換分析(chisquare-OB)，其結(jié)果從ROC曲線下面積來看，并沒有明顯優(yōu)于閾值T=60下的檢測結(jié)果，而且虛檢率和漏檢率也較大。這主要是由于其僅在單一尺度上來提取變化信息且過分依賴閾值分割結(jié)果的好壞，以及對象的灰度均值信息，而未能有效利用其灰度分布信息，導(dǎo)致最終的檢測效果不佳。本文將粗尺度上的變化強(qiáng)度等級量化結(jié)果與細(xì)尺度上的結(jié)果進(jìn)行聯(lián)合分析，并采用決策級規(guī)則進(jìn)行融合，作為變化檢測的后處理部分。相較于兩種基于對象的分析方法，確實(shí)能夠有效降低變化檢測的虛檢率和漏檢率，提高了總體正確率，其ROC曲線下面積在所有方法中也是最大的，這也進(jìn)一步證明了本文融合策略的有效性和可行性。

綜上所述，在實(shí)際的變化檢測應(yīng)用中，可以根據(jù)不同的檢測目的，將基于像素和基于對象的變化檢測過程有機(jī)結(jié)合起來，這樣得到的檢測結(jié)果不僅較為規(guī)整，而且檢測對象都對應(yīng)著實(shí)際意義的地理實(shí)體，可以有效集成兩種方法的優(yōu)勢，以獲取最佳的檢測精度。

3 結(jié) 論

本文提出了一種聯(lián)合像素級和對象級分析的遙感影像變化檢測算法。該方法克服了基于像素的變化檢測方法所造成的椒鹽現(xiàn)象，通過引入基于熵率的超像素分割方法，獲取多尺度超像素區(qū)域，利用帶有區(qū)域標(biāo)號的多尺度分割結(jié)果與像素級變化檢測結(jié)果進(jìn)行聯(lián)合分析，采用變化強(qiáng)度等級量化和決策級融合，作為變化檢測的后處理部分，從而有效降低了變化檢測的虛檢率和漏檢率。但是，本文方法也仍然存在一定的不足之處，從熵率超像素分割算法的角度來講，其僅考慮了影像的光譜特征進(jìn)行分割，與優(yōu)秀的分割算法相比，其對遙感影像的分割質(zhì)量確實(shí)存在一定程度的劣勢。因此，在今后的研究中，可以考慮對超像素分割算法進(jìn)行改進(jìn)，通過引入梯度和邊緣等特征信息，并對分割結(jié)果進(jìn)行區(qū)域合并，來進(jìn)一步提高影像分割的質(zhì)量。

[1] JIA Lu, LI Ming, ZHANG Peng, et al. Remote-sensing Image Change Detection with Fusion of Multiple Wavelet Kernels[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(8): 3405-3418.

[2] HUSSAIN M, CHEN Dongmei, 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.

[3] WANG Chao, XU Mengxi, WANG Xin, et al. Object-oriented Change Detection Approach for High-resolution Remote Sensing Images Based on Multiscale Fusion[J]. Journal of Applied Remote Sensing, 2013, 7(1): 173696.

[4] 王琰, 舒寧, 龔龑. 利用馬爾柯夫隨機(jī)場圖模型的變化像斑類別判定方法[J]. 武漢大學(xué)學(xué)報(信息科學(xué)版), 2012, 37(5): 542-545.

WANG Yan, SHU Ning, GONG Yan. Determination of New Class Properties of the Changed Image Segments Using MRF Graph Model[J]. Geomatics and Information Science of Wuhan University, 2012, 37(5): 542-545.

[5] 佃袁勇, 方圣輝, 姚崇懷. 一種面向地理對象的遙感影像變化檢測方法[J]. 武漢大學(xué)學(xué)報(信息科學(xué)版), 2014, 39(8): 906-912.

DIAN Yuanyong, FANG Shenghui, YAO Chonghuai. The Geographic Object-based Method for Change Detection with Remote Sensing Imagery[J]. Geomatics and Information Science of Wuhan University, 2014, 39(8): 906-912.

[6] HAO Ming, SHI Wenzhong, ZHANG Hua, et al. A Scale-driven Change Detection Method Incorporating Uncertainty Analysis for Remote Sensing Images[J]. Remote Sensing, 2016, 8(9): 745.

[7] CHEN Qiang, CHEN Yunhao.Multi-feature Object-based Change Detection Using Self-adaptive Weight Change Vector Analysis[J]. Remote Sensing, 2016, 8(7): 549.

[8] HAO Ming, ZHANG Hua, SHI Wenzhong, et al. Unsupervised Change Detection Using Fuzzy c-means and MRF from Remotely Sensed Images[J]. Remote Sensing Letters, 2013, 4(12): 1185-1194.

[9] SHAO Pan, SHI Wenzhong, HE Pengfei, et al. Novel Approach to Unsupervised Change Detection Based on a Robust Semi-supervised FCM Clustering Algorithm[J]. Remote Sensing, 2016, 8(3): 264.

[10] CAO Guo, LIU Yazhou, SHANG Yanfeng. Automatic Change Detection in Remote Sensing Images Using Level Set Method with Neighborhood Constraints[J]. Journal of Applied Remote Sensing, 2014, 8(1): 083678.

[11] ZHOU Licun, CAO Guo, LI Yupeng, et al. Change Detection Based on Conditional Random Field with Region Connection Constraints in High-resolution Remote Sensing Images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(8): 3478-3488.

[12] CAO Guo, ZHOU Licun, LI Yupeng. A New Change-detection Method in High-resolution Remote Sensing Images Based on A Conditional Random Field Model[J]. International Journal of Remote Sensing, 2016, 37(5): 1173-1189.

[13] WU Chen, ZHANG Lefei, ZHANG Liangpei. A Scene Change Detection Framework for Multi-temporal Very High Resolution Remote Sensing Images[J]. Signal Processing,2016(124): 184-197.

[14] 李楊, 江南, 侍昊, 等. LandSat-8影像的LDA模型變化檢測[J]. 地球信息科學(xué)學(xué)報, 2015, 17(3): 353-360.

LI Yang, JIANG Nan, SHI Hao, et al. Change Detection and Analysis of LandSat-8 Image Based on LDA Model[J]. Journal of Geo-Information Science, 2015, 17(3): 353-360.

[15] ZHANG Hui, GONG Maoguo, ZHANG Puzhao, et al. Feature-level Change Detection Using Deep Representation and Feature Change Analysis for Multispectral Imagery[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(11): 1666-1670.

[16] 戴芹, 劉建波, 劉士彬. 微粒群優(yōu)化方法的遙感影像變化檢測研究[J]. 測繪學(xué)報, 2012, 41(6): 857-863, 885.

DAI Qin, LIU Jianbo, LIU Shibin. Remote Sensing Image Change Detection Using Particle Swarm Optimization Algorithm[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(6): 857-863, 885.

[17] ZHANG Puzhao, GONG Maoguo, SU Linzhi, et al. Change Detection Based on Deep Feature Representation and Mapping Transformation for Multi-spatial-resolution Remote Sensing Images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016(116): 24-41.

[18] XIAO Pengfeng, ZHANG Xueliang, WANG Dongguang, et al. Change Detection of Built-up Land: A Framework of Combining Pixel-based Detection and Object-based Recognition[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016(119): 402-414.

[19] LU Jun, LI J, CHEN Gang, et al. Improving Pixel-based Change Detection Accuracy Using an Object-based Approach in Multitemporal SAR Flood Images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(7): 3786-3496.

[20] AGUIRRE-GUTIéRREZ J, SEIJMONSBERGEN A C, DUIVENVOORDEN J F. Optimizing Land Cover Classification Accuracy for Change Detection, A Combined Pixel-based and Object-based Approach in A Mountainous Area in Mexico[J]. Applied Geography, 2012(34): 29-37.

[21] 王東廣, 肖鵬峰, 宋曉群, 等. 結(jié)合紋理信息的高分辨率遙感圖像變化檢測方法[J]. 國土資源遙感, 2012(4): 76-81.

WANG Dongguang, XIAO Pengfeng, SONG Xiaoqun, et al. Change Detection Method for High Resolution Remote Sensing Image in Association with Textural and Spectral Information[J]. Remote Sensing for Land & Resources, 2012(4): 76-81.

[22] 彭鋼, 賈振紅, 覃錫忠, 等. 自適應(yīng)PCNN和改進(jìn)C-V結(jié)合的遙感圖像變化檢測[J]. 計算機(jī)工程與設(shè)計, 2015, 36(6): 1581-1585.

PENG Gang, JIA Zhenhong, QIN Xizhong, et al. Remote Sensing Image Change Detection Based on Adaptive PCNN and Improved C-V Model[J]. Computer Engineering and Design, 2015, 36(6): 1581-1585.

[23] 李美麗, 李言俊, 王紅梅, 等. 基于自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像融合新算法[J]. 光電子·激光, 2010, 21(5): 779-782.

LI Meili, LI Yanjun, WANG Hongmei, et al. A New Image Fusion Algorithm Based on Adaptive PCNN[J]. Journal of Optoelectronics·Laser, 2010, 21(5): 779-782.

[24] LIU Mingyu, TUZEL O, RAMALINGAMS S, et al. Entropy Rate Superpixel Segmentation[C]∥Proceedings of 2011 IEEE Conference on Computer Vision and Pattern Recognition. Washington, DC, USA: IEEE Computer Society, 2011: 2097-2104.

[25] 殷瑞娟, 施潤和, 李鏡堯, 等. 一種高分辨率遙感影像的最優(yōu)分割尺度自動選取方法[J]. 地球信息科學(xué)學(xué)報, 2013, 15(6): 902-910.

YIN Ruijuan, SHI Runhe, LI Jingyao, et al. Automatic Selection of Optimal Segmentation Scale of High-resolution Remote Sensing Images[J]. Journal of Geo-Information Science, 2013, 15(6): 902-910.

[26] ESPINDOLA G M, CAMARA G, REIS I A, et al. Parameter Selection for Region-growing Image Segmentation Algorithms Using Spatial Autocorrelation[J]. International Journal of Remote Sensing, 2006, 27(14): 3035-3040.

[27] 吳俊政, 嚴(yán)衛(wèi)東, 倪維平, 等. 基于圖像融合與多尺度分割的目標(biāo)級變化檢測[J]. 電光與控制, 2013, 20(12): 51-55.

WU Junzheng, YAN Weidong, NI Weiping, et al. Object-level Change Detection Based on Image Fusion and Multi-scale Segmentation[J]. Electronics Optics & Control, 2013, 20(12): 51-55.

[28] 馮文卿, 張永軍. 利用多尺度融合進(jìn)行面向?qū)ο蟮倪b感影像變化檢測[J]. 測繪學(xué)報, 2015, 44(10): 1142-1151. DOI: 10.11947/j.AGCS2.0152.0140260.

FENG Wenqing, ZHANG Yongjun. Object-oriented Change Detection for Remote Sensing Images Based on Multi-scale Fusion[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(10): 1142-1151. DOI: 10.11947/j.AGCS2.0152.0140260.

[29] LI Chunming, XU Chenyang, GUI Changfeng, et al. Distance Regularized Level Set Evolution and Its Application to Image Segmentation[J]. IEEE Transactions on Image Processing, 2010, 19(12): 3243-3254.

[30] SUN Kaimin, CHEN Yan. The Application of Objects Change Vector Analysis in Object-level Change Detection[C]. International Conference on Computational Intelligence and Industrial Application (PACIIA), 2010, 15(4): 383-389.

Remote Sensing Image Change Detection Based on the Combination of Pixel-level and Object-level Analysis

FENG Wenqing,SUI Haigang,TU Jihui,SUN Kaimin

State Key Laboratory of Information Engineering in Surveying Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China

In order to improve the change detection accuracy of the high resolution remote sensing image, a novel framework based on the combination of pixel-level and object-level analysis is proposed. Firstly, the two temporal images are superimposed, and the principal component analysis is performed. Then, it is utilized that the entropy rate segmentation algorithm to segment the first principal component image by changing the number of super-pixels to obtain the multi-layer super-pixel regions with different sizes. At the same time, by analyzing the difference of spectral feature and texture feature on two temporal images, it is used that adaptive PCNN neural network algorithm to make a fusion of the two difference images. Afterwards, the level set (CV) method is used to get the pixel-level change detection results. At last, the change intensity level quantization and decision level fusion are used on the initial change detection results with the region labeling matrix, serving as the post-processing part to obtain the changed objects. Experimental results on the sets of SPOT-5 multi-spectral images show that the new framework can effectively integrate the advantages of pixel-based and object-based image analysis methods, which can further improve the stability and applicability of the change detection process.

pixel-level; object-level; change detection; super-pixel; PCNN neural network; decision level fusion

The National Key Research and Development Program of China (No. 2016YFB0502600); The Open Research Fund of State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing (No. 16E01); The National Natural Science Foundation of China(No. 41471354)

FENG Wenqing(1991—), male, PhD candidate, majors in theories and methods of classification and change detection of high resolution remote sensing image.

SUI Haigang

P237

A

1001-1595(2017)09-1147-09

國家重點(diǎn)研發(fā)計劃(2016YFB0502600)；測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室開放基金(16E01)；國家自然科學(xué)基金(41471354)

(責(zé)任編輯：叢樹平)

2016-11-28

修回日期： 2017-05-24

馮文卿(1991—)，男，博士生，研究方向?yàn)楦叻直媛蔬b感影像分類及變化檢測。

E-mail： wq_feng@whu.edu.cn

眭海剛

E-mail： haigang_sui@263.net