姜?dú)g歡, 楊學(xué)志, 董張玉, 胡志勇

(合肥工業(yè)大學(xué) 計(jì)算機(jī)與信息學(xué)院,安徽 合肥 230009)

基于差異圖組合的遙感圖像變化檢測(cè)

姜?dú)g歡, 楊學(xué)志, 董張玉, 胡志勇

(合肥工業(yè)大學(xué) 計(jì)算機(jī)與信息學(xué)院,安徽 合肥 230009)

針對(duì)傳統(tǒng)差異圖抗噪性差、檢測(cè)精度低的缺點(diǎn),文章提出了一種基于差異圖組合的遙感圖像變化檢測(cè)算法。該方法通過(guò)傅里葉變換得到差值圖的相位和對(duì)數(shù)比值圖的幅值,對(duì)其組合后進(jìn)行傅里葉反變換生成新差異圖,最后用模糊C均值(fuzzyC-means,FCM)進(jìn)行聚類。該文采用全色圖像和合成孔徑雷達(dá)(synthe tic aperture radar,SAR)圖像進(jìn)行驗(yàn)證,并與使用單一類型的差異圖對(duì)比,結(jié)果表明,該方法由于利用差值圖相位保留了圖像中的弱變化信息,提高了檢測(cè)準(zhǔn)確率,且由于利用對(duì)數(shù)比值圖幅值抑制了圖像中的噪聲,具有一定的抗噪性能。

遙感圖像;變化檢測(cè);相位;差值圖;比值圖;模糊C均值(FCM)聚類

遙感是在遠(yuǎn)離目標(biāo)和非接觸目標(biāo)物體條件下探測(cè)目標(biāo)地物,獲取其反射、輻射或散射的電磁波信息(如電場(chǎng)、磁場(chǎng)、電磁波、地震波等信息),并進(jìn)行提取、判定、加工處理、分析與應(yīng)用的一門(mén)科學(xué)和技術(shù)。作為遙感應(yīng)用研究的熱點(diǎn),遙感圖像變化檢測(cè)技術(shù)發(fā)展迅速。遙感圖像變化檢測(cè)是指分析同一地區(qū)不同時(shí)期的遙感圖像從而確定地物變化信息的過(guò)程。目前遙感圖像變化檢測(cè)技術(shù)已被廣泛應(yīng)用在國(guó)民經(jīng)濟(jì)建設(shè)領(lǐng)域,如土地利用和土地覆蓋監(jiān)測(cè)[1]、城鎮(zhèn)的變化分析、農(nóng)作物的變化監(jiān)測(cè)、地表植被的變化分析[2]、災(zāi)害分析評(píng)估及天氣預(yù)報(bào)、地形勘探、地形測(cè)繪、海洋探測(cè)等[3]方面都已經(jīng)有了許多成熟的應(yīng)用。在國(guó)防軍事領(lǐng)域,如目標(biāo)的偵查、監(jiān)視與摧毀效果評(píng)估等[4]方面,遙感圖像變化檢測(cè)技術(shù)也發(fā)揮著重要作用。

變化檢測(cè)可被看作是將遙感圖像劃分為變化類與非變化類的分類問(wèn)題。傳統(tǒng)的變化檢測(cè)算法可分為監(jiān)督與非監(jiān)督2類。監(jiān)督變化檢測(cè)需要先標(biāo)記含有變化區(qū)域真實(shí)值的樣本,用樣本集訓(xùn)練分類器再進(jìn)行變化檢測(cè),常用的方法有決策樹(shù)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(support vector machine,SVM)等;而非監(jiān)督變化檢測(cè)直接利用2幅遙感圖像得到變化信息,常用的方法有聚類法、閾值法等。在實(shí)際應(yīng)用中由于獲取先驗(yàn)信息較難,且需要分析大面積區(qū)域,因此需要自動(dòng)變化檢測(cè)技術(shù)以減少圖像手動(dòng)分析工作,這使得非監(jiān)督變化檢測(cè)比監(jiān)督變化檢測(cè)研究的范圍更廣,本文采用非監(jiān)督變化檢測(cè)。

非監(jiān)督變化檢測(cè)方法主要分為圖像預(yù)處理、生成差異圖、差異圖分析與處理3個(gè)步驟[5]。其中,圖像預(yù)處理主要包括幾何校正與配準(zhǔn)、大氣校正、輻射校正等。生成差異圖的方法有很多,常用的有差值法、變化向量分析法(change vector analysis,CVA)和比值法。差值法可保留弱變化區(qū)域的細(xì)節(jié)信息,但受噪聲影響較大;CVA可以利用遙感圖像多個(gè)波段的信息,當(dāng)圖像為單波段時(shí)得到的差異圖與差值法相同;比值法可以在一定程度上抑制噪聲,卻會(huì)夸大低灰度區(qū)域的變化[6],如灰度值從3變到6與從100變到200在比值差異圖上是同樣的值,可見(jiàn)單一類型的差異圖存在檢測(cè)精度低以及適用范圍窄等問(wèn)題。文獻(xiàn)[7]采用圖像融合方法構(gòu)造差異圖,但該方法只適用單類圖像,不具有普遍性；文獻(xiàn)[8]將差值圖和比值圖線性組合,但濾波后圖像細(xì)節(jié)信息損失嚴(yán)重。差異圖分析與處理主要是將差異圖分為變化區(qū)域與非變化區(qū)域,傳統(tǒng)的方法有K均值(K-means)聚類[9]、模糊C均值(fuzzyC-means,FCM)聚類[10]、EM-Bayes[11]等。

針對(duì)上述傳統(tǒng)生成差異圖方法的不足,本文提出了一種基于差值圖相位和對(duì)數(shù)比值圖幅值組合的遙感圖像變化檢測(cè)方法。首先用差值法和對(duì)數(shù)比值法生成差異圖,然后進(jìn)行傅里葉變換得到各圖的幅值和相位,將差值圖相位和對(duì)數(shù)比值圖幅值組合并進(jìn)行傅里葉反變換生成新差異圖,最后用FCM進(jìn)行聚類。差異圖組合不僅利用了圖像的幅值信息,還利用了圖像的相位信息,與使用單一類型差異圖的變化檢測(cè)方法相比,本文方法具有較好的抗噪性能,進(jìn)一步提高了檢測(cè)準(zhǔn)確率。

1 遙感圖像變化檢測(cè)

設(shè)X1和X2為已經(jīng)過(guò)校正和配準(zhǔn)的2幅在不同時(shí)刻從同一地區(qū)獲取的遙感圖像,大小均為M×N。采用基于差異圖組合的變化檢測(cè)主要分為如下3個(gè)步驟:

(1) 通過(guò)X1和X2構(gòu)造差值圖和對(duì)數(shù)比值圖,得到2幅初始差異圖。

(2) 分別對(duì)差值圖和對(duì)數(shù)比值圖進(jìn)行傅里葉變換,求得各差異圖的幅值與相位,并將差值圖相位和對(duì)數(shù)比值圖幅值進(jìn)行組合,通過(guò)傅里葉反變換生成新差異圖。

(3) 對(duì)生成的新差異圖進(jìn)行FCM聚類，獲得最終變化檢測(cè)結(jié)果。

具體實(shí)現(xiàn)流程如圖1所示。

圖1 基于差異圖組合的變化檢測(cè)流程

1.1 差值圖和對(duì)數(shù)比值圖

差值法和比值法是生成差異圖像的2種基本方法,分別通過(guò)對(duì)X1和X2逐像素相減和相除來(lái)獲得差異圖。文獻(xiàn)[12]提出使用對(duì)數(shù)比的方法構(gòu)造差異圖,這是目前用比值法構(gòu)造差異圖的主要采用形式,對(duì)數(shù)比值法就是對(duì)比值法取對(duì)數(shù)。

差值圖XS和對(duì)數(shù)比值圖XL的計(jì)算公式為:

XS=|X1-X2|

(1)

|lg(X2+1)-lg(X1+1)|

(2)

在求對(duì)數(shù)比值圖XL的過(guò)程中用Xi+1(i=1,2)代替Xi(i=1,2),避免Xi的值為0,使(2)式無(wú)意義。然后對(duì)差值圖XS、對(duì)數(shù)比值圖XL進(jìn)行中值濾波,可以去除孤立的噪聲點(diǎn)并更好地保留邊緣信息。本文實(shí)驗(yàn)中濾波窗口大小為3×3。

1.2 差異圖組合

差值法常用于光學(xué)遙感圖像差異圖的構(gòu)造,得到的差值圖變化信息明顯,方便對(duì)弱變化信息進(jìn)行更精確地檢測(cè),但其對(duì)噪聲比較敏感,圖像中常含有很多噪聲點(diǎn)。而對(duì)數(shù)比值法常用于合成孔徑雷達(dá)(synthetic aperture radar,SAR)圖像差異圖的構(gòu)造,這是由于SAR圖像中的相干斑噪聲為乘性噪聲,通過(guò)對(duì)數(shù)比值法不僅將乘性噪聲轉(zhuǎn)化為加性噪聲,還壓縮了圖像的變化范圍,削弱了噪聲的影響,然而對(duì)數(shù)比值法不能真實(shí)地反映低灰度區(qū)域的變化信息。由此可見(jiàn),只利用單一類型差異圖的灰度信息會(huì)造成變化檢測(cè)精度低及方法適用范圍窄等問(wèn)題。

綜合考慮上述因素,本文將差值圖和對(duì)數(shù)比值圖的相位信息運(yùn)用到差異圖的構(gòu)造中。相位體現(xiàn)了圖像的邊緣信息,并具有良好的穩(wěn)定性[13-14]。差值圖幅值變化范圍大,變化區(qū)域邊緣的相位特征明顯,而對(duì)數(shù)比值圖幅值變化范圍小,噪聲幅值低,因此將差值圖相位與對(duì)數(shù)比值圖幅值組合不僅保留了圖像的弱變化信息,還抑制了噪聲的影響。

本文采用傅里葉變換獲得差值圖和對(duì)數(shù)比值圖的幅值和相位,并將差值圖相位和對(duì)數(shù)比值圖幅值組合通過(guò)傅里葉反變換生成新的差異圖。具體方法如下。

對(duì)差值圖XS和對(duì)數(shù)比值圖XL進(jìn)行傅里葉變換,得到各圖的幅值和相位,即

(3)

X(ω)描述了x(t)的頻率結(jié)構(gòu),其指數(shù)形式為:

X(ω)=|X(ω)|ejφ(ω)

(4)

其中,|X(ω)|為幅值;φ(ω)為相位。由(4)式可得差值圖相位φS(ω)和對(duì)數(shù)比值圖幅值|XL(ω)|。將φS(ω)和|XL(ω)|組合,并對(duì)組合后的幅值和相位進(jìn)行傅里葉反變換,計(jì)算公式為:

即可得到組合差異圖X。

1.3 模糊C均值聚類

得到組合差異圖X后,有多種方法可對(duì)其進(jìn)行變化檢測(cè),本文采用經(jīng)典的FCM算法。

FCM是用隸屬度確定每個(gè)數(shù)據(jù)點(diǎn)屬于某個(gè)聚類程度的一種聚類算法。FCM把圖像xij分為C個(gè)模糊類,并求每類的聚類中心,使得目標(biāo)函數(shù)達(dá)到最小。模糊劃分結(jié)果用隸屬矩陣U=[uij]表示,取值范圍為[0,1],加上歸一化規(guī)定,則一個(gè)數(shù)據(jù)集的隸屬度的和總是等于1，即

?j=1,…,n

(6)

FCM通過(guò)迭代和更新隸屬度矩陣U和聚類中心F使目標(biāo)函數(shù)達(dá)到最小,其目標(biāo)函數(shù)如下:

其中,uij介于0～1之間;Fi為模糊類i的聚類中心,dij=‖F(xiàn)i-x(i,j)‖為第i個(gè)聚類中心與像素間的歐幾里德距離;且m∈[1,∞)是一個(gè)加權(quán)指數(shù),通常取2。

FCM聚類過(guò)程如下:

(1) 采用值在0～1間的隨機(jī)數(shù)初始化隸屬矩陣U,使其滿足(6)式中的約束條件。

(2) 計(jì)算C個(gè)聚類中心Fi(i=1,…,C),即

(3) 根據(jù)(7)式計(jì)算目標(biāo)函數(shù)。若它小于某個(gè)確定的閥值,或相對(duì)上次價(jià)值函數(shù)值的改變量小于某個(gè)閥值,則算法停止。

(4) 計(jì)算新的U矩陣,返回步驟(2)。計(jì)算公式為:

通過(guò)FCM將組合差異圖聚為2類,得到最終的變化檢測(cè)結(jié)果。

2 實(shí)驗(yàn)結(jié)果與分析

本文選擇2組遙感圖像進(jìn)行變化檢測(cè),驗(yàn)證本文算法的有效性,并與CVA[15]、差值法、對(duì)數(shù)比值法、小波融合法[7]和線性組合法[8]所構(gòu)造的差異圖進(jìn)行比較,然后用FCM聚類方法進(jìn)行差異圖分析對(duì)比實(shí)驗(yàn),用誤檢數(shù)、漏檢數(shù)、總錯(cuò)誤數(shù)、正確率和kappa系數(shù)作為評(píng)價(jià)指標(biāo)[16]。

2.1 實(shí)驗(yàn)數(shù)據(jù)描述

第1組實(shí)驗(yàn)數(shù)據(jù)如圖2所示,為墨西哥地區(qū)的2幅Landsat7 ETM+第4波段圖像,時(shí)間分別為2000 年4 月和2002 年5 月,分辨率為512×512,發(fā)生變化的原因?yàn)榛馂?zāi)。

圖2 墨西哥Landsat7 ETM+圖像

第2組實(shí)驗(yàn)數(shù)據(jù)如圖3所示,為伯爾尼地區(qū)的2幅SAR圖像,時(shí)間為1999年4月和5月,分辨率為301×301,發(fā)生變化的原因?yàn)樗疄?zāi)。

圖3 伯爾尼SAR圖像

2.2 變化檢測(cè)結(jié)果與分析

2.2.1 墨西哥地區(qū)變化檢測(cè)結(jié)果與分析

墨西哥地區(qū)5種對(duì)比方法生成的差異圖如圖4所示,各差異圖經(jīng)過(guò)FCM聚類后的變化檢測(cè)結(jié)果如圖5所示。因?yàn)閷?shí)驗(yàn)采用單波段圖像,CVA與差值法得到的差異圖相同,變化檢測(cè)結(jié)果也相同,所以本文將其結(jié)果合并表示。由圖4和圖5可以看出,圖4a差值圖變化信息明顯,但含有較多噪聲,變化檢測(cè)結(jié)果中(見(jiàn)圖5a)有較多雜點(diǎn);圖4b噪聲較少但變化信息的強(qiáng)度被抑制,因此圖5b中漏檢信息較多;圖4c和圖4d中變化信息得到了增強(qiáng),但圖5c、圖5d圖像細(xì)節(jié)信息損失嚴(yán)重;而圖4e中本文算法由于利用差值圖相位與對(duì)數(shù)比值圖組合,變化信息比對(duì)數(shù)比值圖明顯,并且相對(duì)于差值圖噪聲灰度值較低,有效地保留了變化信息并抑制了噪聲的影響(見(jiàn)圖5e)。

墨西哥地區(qū)各方法變化檢測(cè)精度評(píng)價(jià)結(jié)果見(jiàn)表1所列。由于光學(xué)遙感圖像中的噪聲為加性噪聲,可以看出差值法檢測(cè)效果優(yōu)于對(duì)數(shù)比值法,線性組合法檢測(cè)效果優(yōu)于小波融合法;而本文方法利用對(duì)數(shù)比值圖幅值抑制噪聲降低了誤檢,又用差值圖相位保留弱變化信息提高了總體變化檢測(cè)精度,將檢測(cè)正確率、kappa系數(shù)分別提升到98.21%、0.891 7,相比于小波融合法和線性組合法具有更好的變化檢測(cè)結(jié)果。

圖4 墨西哥地區(qū)差異圖

圖5 墨西哥地區(qū)變化檢測(cè)結(jié)果

方法誤檢數(shù)漏檢數(shù)總錯(cuò)誤數(shù)正確率/%kappa系數(shù)差值法+FCM16174118573597．810．8701比值法+FCM17066686839296．800．8010小波融合法+FCM28662482534897．960．8849線性組合法+FCM22562771502798．080．8902本文方法+FCM6394065470498．210．8917

2.2.2 伯爾尼地區(qū)變化檢測(cè)結(jié)果與分析

伯爾尼地區(qū)5種對(duì)比方法生成的差異圖如圖6所示,變化檢測(cè)結(jié)果如圖7所示。從圖6和圖7可以看出,圖6a差值圖突出了變化信息但含有較多噪聲,變化檢測(cè)結(jié)果中(見(jiàn)圖7a)有較多誤檢;圖6b和圖6d中變化信息較不明顯,使得圖7b、圖7d中存在較多漏檢;圖6c中變化信息得到了增強(qiáng),但同時(shí)也增強(qiáng)了噪聲,在變化檢測(cè)結(jié)果中(見(jiàn)圖7c)含有一定的噪聲點(diǎn);而圖6e中本文所得差異圖相對(duì)于對(duì)數(shù)比值圖和差值圖對(duì)噪聲具有更好的抑制性,同時(shí)提高了差異圖的可分性,經(jīng)過(guò)FCM聚類后更好地削弱了噪聲的影響(見(jiàn)圖7e)。

圖6 伯爾尼地區(qū)差異圖

圖7 伯爾尼地區(qū)變化檢測(cè)結(jié)果

伯爾尼地區(qū)各方法變化檢測(cè)精度評(píng)價(jià)結(jié)果見(jiàn)表2所列。

表2 伯爾尼地區(qū)變化檢測(cè)結(jié)果

SAR圖像中的噪聲為乘性噪聲,可以看出對(duì)數(shù)比值法、小波融合法、線性組合法檢測(cè)效果遠(yuǎn)好于差值法,而本文方法結(jié)合了差值圖相位和對(duì)數(shù)比值圖幅值的優(yōu)勢(shì),將變化檢測(cè)總錯(cuò)誤數(shù)從568、551降低至542,與小波融合法、線性組合法相比更好地抑制了噪聲，且總錯(cuò)誤數(shù)最少,將檢測(cè)正確率提升至99.40%,相比于其他方法更有效地提取出了變化信息。

3 結(jié) 論

綜合考慮差值法和對(duì)數(shù)比值法差異圖的優(yōu)缺點(diǎn),本文提出了一種基于差異圖組合的遙感圖像變化檢測(cè)算法。該方法對(duì)差值法和對(duì)數(shù)比值法生成的差異圖進(jìn)行傅里葉變換,獲取各自的幅值和相位,并將差值圖相位和對(duì)數(shù)比值圖幅值進(jìn)行組合生成新的差異圖,而后利用FCM聚類得到最終變化檢測(cè)結(jié)果。相位信息被運(yùn)用到差異圖的生成中,差值圖變化區(qū)域邊緣的相位特征明顯,對(duì)數(shù)比值圖噪聲幅值低,兩者組合更好地保留了變化區(qū)域,并抑制了噪聲的影響。從2組不同類型實(shí)驗(yàn)的精度評(píng)價(jià)效果來(lái)看,差異圖組合的變化檢測(cè)精度優(yōu)于小波融合法及線性組合法差異圖,具有較好的抗噪性能,方法適用范圍更廣。

[1] EL-KAWY O R A,ROD J K,ISMAIL H A,et al.Land use and land cover change detection in the western Nile delta of Egypt using remote sensing data[J].Applied Geography,2011,31(2):483-494.

[2] VARSHNEY A.Improved NDBI differencing algorithm for built-up regions change detection from remote-sensing data:an automated approach[J].Remote Sensing Letters,2013,4(5):504-512.

[3] LHERMITTE S,VERBESSELT J,VERSTRAETEN W W,et al.A comparison of time series similarity measures for classification and change detection of ecosystem dynamics[J].Remote Sensing of Environment,2011,115(12):3129-3152.

[4] CARLOTTO M J.A cluster-based approach for detecting man-made objects and changes in imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(2):374-387.

[5] BRUZZONE L,PRIETO D F.An adaptive semiparametric and context-based approach to unsupervised change detection in multitemporal remote-sensing images[J].IEEE Transactions on Image Processing,2002,11(4):452-466.

[6] GONG M,ZHOU Z,MA J.Change detection in synthetic aperture radar images based on image fusion and fuzzy clustering[J].IEEE Transactions on Image Processing,2012,21(4):2141-2151.

[7] MA J,GONG M,ZHOU Z.Wavelet fusion on ratio images for change detection in SAR images[J].Geoscience and Remote Sensing Letters,2012,9(6):1122-1126.

[8] ZHENG Y,ZHANG X,HOU B,et al.Using combined difference iImage and-means clustering for SAR Image change detection[J].Geoscience and Remote Sensing Letters,2014,11(3):691-695.

[9] YETGIN Z.Unsupervised change detection of satellite images using local gradual descent[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(5):1919-1929.

[10] GHOSH A,MISHRA N S,GHOSH S.Fuzzy clustering algorithms for unsupervised change detection in remote sensing images[J].Information Sciences,2011,181(4):699-715.

[11] HAO M,SHI W,ZHANG H,et al.Unsupervised change detection with expectation-maximization-based level set[J].Geoscience and Remote Sensing Letters,2014,11(1):210-214.

[12] DEKKER R J.Speckle filtering in satellite SAR change detection imagery[J].International Journal of Remote Sensing,1998,19(6):1133-1146.

[13] KOVESI P.Phase congruency detects corners and edges[C]//The Interrational Conference on Digital Imoge Computer:Techniques and Applications.[S.l.]:The Australian Pattern Recognition Society Conference,2003:309-318.

[14] KOVESI P.Image features from phase congruency[J].Journal of Computer Vision Research,1999,1(3):1-26.

[15] SHI W,SHAO P,HAO M,et al.Fuzzy topology-based method for unsupervised change detection[J].Remote Sensing Letters,2016,7(1):81-90.

[16] ROSENFIELD G H,FITZPATRICK-LINS K.A coefficient of agreement as a measure of thematic classification accuracy[J].Photogrammetric Engineering and Remote Sensing,1986,52(2):223-227.

Changedetectionforremotesensingimagesbasedoncombineddifferenceimage

JIANG Huanhuan, YANG Xuezhi, DONG Zhangyu, HU Zhiyong

(School of Computer and Information, Hefei University of Technology, Hefei 230009, China)

In view of the fact that the traditional difference image has poor noise immunity and low detection accuracy, a change detection algorithm based on combined difference image(CDI) is presented for remote sensing images. The subtraction operator and the log ratio operator are used to generate two kinds of difference images. Then the combination of the phase of the subtraction difference image and the amplitude of the log ratio difference image obtained by Fourier transform is processed by inverse Fourier transform to generate CDI. Finally, the change detection image is achieved by clustering CDI using fuzzyC-means(FCM) clustering algorithm. Experiments on panchromatic image and synthe tic aperture radar(SAR) image are conducted and the results show that the proposed method has certain anti-noise performance and improves the detection accuracy when compared with those based on single difference image, for that the phase of the subtraction operator can preserve the weak change signals and the amplitude of the log ratio operator can combat noise.

remote sensing image; change detection; phase; subtraction difference image; log ratio difference image; fuzzyC-means(FCM) clustering

2016-09-08；

2016-11-15

國(guó)家自然科學(xué)基金資助項(xiàng)目(61371154;61271381;61503111);中國(guó)科學(xué)院流域地理學(xué)重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金資助項(xiàng)目(WSGS2015009)和中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(2014HGBZ0362;2015HGQC0193;JZ2016HGTA0704)

姜?dú)g歡(1990-),女,黑龍江綏化人,合肥工業(yè)大學(xué)碩士生;

楊學(xué)志(1970-),男,安徽合肥人,博士,合肥工業(yè)大學(xué)教授,博士生導(dǎo)師,通訊作者，E-mail:xzyang@hfut.edu.cn.

10.3969/j.issn.1003-5060.2017.12.007

TP751.1

A

1003-5060(2017)12-1614-06

(責(zé)任編輯胡亞敏)