多特征混合核SVM模型的遙感影像變化檢測

劉義志， 賴華榮， 張丁旺， 劉飛鵬， 蔣小蕾， 曹慶安

(1.中國地質(zhì)大學(xué)(武漢)計算機(jī)學(xué)院，武漢 430074； 2.江西核工業(yè)測繪院，南昌 330038； 3.廣東聯(lián)合金地不動產(chǎn)評估勘測設(shè)計有限公司，韶關(guān) 512100； 4.東莞湞江產(chǎn)業(yè)轉(zhuǎn)移工業(yè)園管理委員會，韶關(guān) 512100)

0 引言

變化檢測是從多時相的遙感數(shù)據(jù)中分析并確定地表覆蓋變化的過程與特征，檢測的是某2個時期影像像元的地表光譜響應(yīng)隨時間變化所發(fā)生的變化[1]。遙感影像變化檢測已經(jīng)在資源和環(huán)境監(jiān)測、地理國情監(jiān)測、自然災(zāi)害評估以及地圖更新等方面得到廣泛應(yīng)用。傳統(tǒng)的單像素、單一特征的變化檢測，如光譜特征[2-4]、紋理特征[5]和空間特征[6]等，容易出現(xiàn)漏檢或誤檢，不能滿足變化目標(biāo)檢測的準(zhǔn)確性和完整性[7]，因此目前普遍采用面向?qū)ο蠖嗵卣魅诤线M(jìn)行變化檢測[8]。由于不同的核函數(shù)具有不同的特性，從而使得不同特征采用相同的核函數(shù)的性能差別很大。為了克服單一核函數(shù)不能有效表達(dá)多特征空間的問題，近年來，出現(xiàn)了大量關(guān)于核組合的方法。這方面的研究已經(jīng)成為遙感圖像處理中一個新的研究熱點[9]。

支持向量機(jī)(support vector machine，SVM)是目前被廣泛使用的一種監(jiān)督分類器，建立在統(tǒng)計學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上，可解決少量樣本的缺陷，實現(xiàn)高維度模式識別。在遙感圖像分類、變化檢測的應(yīng)用中，與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)、最小距離分類方法相比，該方法具有精度高、效率高的優(yōu)點[10]。田淞等[11]運(yùn)用SVM的改進(jìn)模型KM-SVM對比值差異影像進(jìn)行聚類，依據(jù)聚類結(jié)果訓(xùn)練SVM模型參數(shù)，獲得了變化檢測結(jié)果，但該方法的變化結(jié)果受聚類結(jié)果影響比較大； 夏晨陽等[12]提出混合核SVM算法，根據(jù)差值影像的直方圖選擇置信度高的樣本做訓(xùn)練樣本，并結(jié)合SVM混合核確定變化檢測結(jié)果； 魏立飛等[7]提出的多特征差分核SVM遙感影像變化檢測方法，利用TM影像數(shù)據(jù)，有效地提取變化信息，但在高空間分辨率遙感影像上存在明顯的“椒鹽現(xiàn)象”，實驗效果較差。

單一類型特征空間下使用單個核函數(shù)來構(gòu)造決策超平面，在影像分類、故障檢測和圖像檢索等領(lǐng)域可行并有效。但是，不同的核函數(shù)具有的特性并不相同，從而使同一特征采用不同的核函數(shù)檢測結(jié)果性能差別較大。當(dāng)組合多種類型的特征空間進(jìn)行變化檢測，而樣本特征含有異構(gòu)信息且規(guī)模很大，或者數(shù)據(jù)高維特征空間分布不平坦時[13]，單一核函數(shù)處理方法并不合理，往往存在局限性[14-15]。

針對上述問題，為了充分利用遙感影像的光譜特征、空間特征以及紋理特征信息，對多特征差分核SVM方法進(jìn)行改進(jìn)，本文提出一種利用面向?qū)ο笏枷氲幕旌虾薙VM融合多特征的變化檢測方法，將不同特征對應(yīng)的最優(yōu)核函數(shù)進(jìn)行組合，以期獲得最優(yōu)的映射關(guān)系。

1 原理與方法

1.1 混合核SVM理論

混合核通過多個核函數(shù)描述不同的特征空間，解決單個核函數(shù)不能有效描述不同的特征空間的問題，可以充分融合多特征信息，為多特征融合提供新思路。

多特征混合核SVM變化檢測模型的構(gòu)建，需要討論多核SVM 定義、引理與定理。對于給定的函數(shù)K：X×X，x1,x2,x3,…,xn∈X，稱第i行、第j列的元素Kij=K(xi,xj)為l×l矩陣K關(guān)于x1,x2,x3,…,xn的Gram矩陣。Mercer核的等價定義： 假定K(x,x′)是定義在X×X上的連續(xù)對稱函數(shù)，X為RN上的一個緊集，并且對于任意的x1,x2,x3,…,xn∈X,K(x,x′)都是Gram矩陣半正定，那么K(x,x′)是滿足Merecer條件的核函數(shù)。假設(shè)K1和K2都是X×X上的核，X∈RN，有常數(shù)α≥0，則式(1)—(2)均為核，即

K(x,x′′)=K1(x,x′′)+K2(x,x′′)，

(1)

K(x,x′′)=αK1(x,x′′)。

(2)

根據(jù)上述公式存在有一組常數(shù)βi使得

(3)

(4)

交叉信息混合核是能夠有效地融合光譜特征、空間特征和紋理特征的核函數(shù)信息，能更好地挖掘影像特征空間信息。

1.2 方法步驟

基于多特征混合核SVM模型的高空間分辨率遙感影像變化檢測方法的步驟如下： 首先，運(yùn)用多尺度分割算法分割獲得影像對象，并計算影像光譜特征、紋理特征信息； 然后，對不同特征信息采用獨立的核函數(shù)，組合成多特征空間的多核函數(shù)，構(gòu)建基于面向?qū)ο蟮亩嗵卣骰旌虾薙VM變化檢測模型。變化檢測流程見圖1。

圖1 多特征混合核SVM變化檢測模型流程Fig.1 Flow chart of multi feature hybrid kernel SVM change detection model

1.2.1 影像分割

影像分割是面向?qū)ο笥跋穹治龅幕A(chǔ)，其結(jié)果將對后續(xù)分析產(chǎn)生重要的影響?；诙喑叨确指钏惴?，通過計算各波段的形狀與光譜異質(zhì)性的特征值，根據(jù)各個波段信息自適應(yīng)確定權(quán)重，通過迭代運(yùn)算，直到影像對象的形狀和光譜的綜合加權(quán)值大于給定的閾值，停止迭代，完成影像的多尺度分割。對于任意波段的影像，其異質(zhì)性f為

f=ωhcolor+(1-ω)hshope，

(5)

hshope=(1-ωsm)hcm+ωsmhsm，

(6)

式中：ω為影像的光譜異質(zhì)性hcolor的權(quán)重； 形狀異質(zhì)性hshope通過形狀平滑度的權(quán)重ωsm、形狀平滑度hsm和形狀緊湊度hcm確定。

1.2.2 特征提取

通過廣義的特征提取過程獲得特征數(shù)據(jù)集，即依據(jù)原始影像的光譜特征提取感興趣的特征數(shù)據(jù)，為下一步的變化信息提取提供依據(jù)。本文提取的特征數(shù)據(jù)集包括： ①光譜均值，即原始影像對應(yīng)對象內(nèi)給定波段的均值； ②紋理特征，灰度共生矩陣均值、灰度共生矩陣方差、灰度共生矩陣均勻性和灰度共生矩陣對比度等紋理統(tǒng)計量。面向?qū)ο蟮母呖臻g分辨率影像變化檢測選用多種特征信息組合，為確保構(gòu)建的多源特征影像數(shù)據(jù)集具有合適的權(quán)重，使不同數(shù)據(jù)集歸一化至[0，1]。這樣能有效地避免數(shù)據(jù)的不一致性和不穩(wěn)定性。

1.2.3 多特征差分核SVM模型構(gòu)建

多特征差分核變化檢測時，多時相遙感影像是不同的信息數(shù)據(jù)，本文借鑒差值影像變化檢測方法，依據(jù)上述原理構(gòu)建了一種新的影像混合核來提取變化信息。

(7)

(8)

為了提取變化信息，還需要構(gòu)建一種新的影像混合核。設(shè)t1時相的特征向量為xt1，t2時相的特征向量為xt2，第i個樣本的2個時相特征向量為xt1i和xt2i(i=1,2,3,…,l,l為樣本個數(shù))，將原始特征的數(shù)據(jù)集映射到高維特征空間，樣本差值作為新的輸入樣本，即

φ(x)={φ1(x),φ2(x)，…}={φ1(x(t1))-φ1(x(t2)),φ2(x(t1))-φ2(x(t2))，…}。

(9)

相應(yīng)的點積核函數(shù)及混合核函數(shù)可以分別表示為

K(x,x′)=φ(x)φ(x′)=φ(x(t1))φ(x′(t1))+φ(x(t2))φ(x′(t2))-φ(x(t1))φ(x′(t2))-φ(x(t2))φ(x′(t1)) ，

(10)

K(x,x′)=K(x(t1),x′(t1))+K(x(t2),x′(t2))-K(x(t1),x′(t2))-K(x(t2),x′(t1))。

(11)

當(dāng)不同時相的樣本特征都包含光譜、紋理信息時，首先對多特征使用交差信息核函數(shù)，然后再構(gòu)建不同時相的混合核，得到基于多特征空間的不同時相混合核函數(shù)，即

(12)

至此，SVM優(yōu)化問題的對偶形式可以進(jìn)一步表達(dá)為

(13)

式中：C為懲罰系數(shù)；y為所屬類別。

將式(12)帶入式(13)，可以獲得基于多特征混合核函數(shù)的SVM變化檢測模型，即

(14)

2 實驗與分析

2.1 研究區(qū)數(shù)據(jù)

本文采用的實驗數(shù)據(jù)為2013年3月和2015年10月高分二號衛(wèi)星遙感影像，空間分辨率為1 m，由藍(lán)光、綠光、紅光和近紅外4個波段組成，影像首先進(jìn)行影像配準(zhǔn)和直方圖匹配等預(yù)處理。實驗數(shù)據(jù)為某城區(qū)，影像大小為1 800像素×1 500像素，如圖2(a)和(b)所示； 圖2(c)為通過人工目視解譯綜合獲得的標(biāo)準(zhǔn)變化檢測結(jié)果。

(a) 2013年(b) 2015年(c) 標(biāo)準(zhǔn)變化結(jié)果(d) 分割結(jié)果

圖2某城區(qū)影像

Fig.2Cityimages

2.2 實驗分析

實驗采用多尺度分割算法對預(yù)處理后的多時相遙感影像進(jìn)行分割，獲得具備光譜和形狀同質(zhì)性的對象，然后將前后2個時相的分割結(jié)果進(jìn)行疊加生成最終的矢量文件，如圖2(d)所示。

采用半自動人機(jī)交互方式選取變化地物、未變化地物的部分樣本數(shù)據(jù)占驗證區(qū)總量的8.28%，選取樣本的原則為： 樣本在整幅影像上均勻分布且變化類別與未變化類別訓(xùn)練樣本的比例符合影像本身變化像元較少而未變化像元較多的特點，充分考慮變化地物與未變化地物的光譜結(jié)構(gòu)與紋理特征，從而使選擇的樣本具有代表性，并且樣本盡可能包括建筑區(qū)、道路、耕地、水域和裸地等多種地物覆蓋類型。隨機(jī)選擇70%樣本作為訓(xùn)練樣本，其余作為檢驗樣本。

為了驗證多特征融合的有效性，將單一光譜特征、紋理特征和本文方法進(jìn)行了比較。不同特征組合的變化檢測結(jié)果如圖3所示，圖中橢圓為漏檢區(qū)域，矩形為虛檢區(qū)域。表1為不同變化檢測結(jié)果的精度評定。

(a) 光譜特征(b) 紋理特征(c) 光譜特征+紋理特征

圖3不同特征組合的SVM檢測結(jié)果
Fig.3DetectionresultsofSVMwithdifferentfeaturecombinations

表1 不同特征組合的SVM檢測結(jié)果精度評價Tab.1 Accuracy assessment of detection results of SVM with different feature combinations

分析圖3和表1可知，采用單一特征的變化檢測方法，漏檢、虛檢現(xiàn)象比較明顯，單一特征對某一特征變化檢測效果較好，但是漏檢較多。采用單一光譜特征變化檢測的虛檢率為61.83%、漏檢率為12.45%； 采用單一紋理特征變化檢測的虛檢率為43.27%、漏檢率為7.29%，虛檢率和漏檢率都有所下降； 融合光譜特征與紋理特征的變化檢測虛檢率和漏檢率都最低而且正確率最高。這是由于不同時相遙感影像存在受太陽高度角、光照條件和季節(jié)等因素不同程度的影響，使得部分不同地物在影像上具有不同的灰度值，而僅依靠紋理特征反映地物結(jié)構(gòu)信息比較單一。而融合2種特征更能利用單一特征的優(yōu)勢，有利于挖掘更多的影像信息。

為檢驗提出的混合核函數(shù)方法在遙感影像變化檢測中的效果，將混合核的變化檢測結(jié)果與單獨使用多項式核、線性核以及RBF 核函數(shù)的單一核函數(shù)方法加以定性比較和定量分析。得到的數(shù)據(jù)結(jié)果分別如圖4和表2所示。

(a) 多項式核(b) 線性核(c) RBF核(d) 混合核

圖4不同核函數(shù)變化檢測結(jié)果比較
Fig.4Comparisonofdetectionresultsofdifferentkernelfunctions

表2 不同核函數(shù)變化檢測結(jié)果精度比較Tab.2 Comparison of detection results accuracy of different kernel functions

分析圖4和表2可以得出，采用單一核的SVM模型變化檢測方法，正確率等指標(biāo)都比較低，單一核SVM模型只是將不同的特征進(jìn)行簡單的累加，無法準(zhǔn)確、完整地表現(xiàn)變化結(jié)果； 而采用多特征混合核SVM模型的變化檢測的正確率最高，虛檢率和漏檢率都比較低； 多特征混合核SVM模型運(yùn)用組合核，將不同的特征分別輸入不同的核函數(shù)進(jìn)行映射，能有效融合不同的特征信息，最大限度地挖掘影像信息，從而正確率、虛檢率以及漏檢率等指標(biāo)達(dá)到了最好水平； 本文方法對于郊區(qū)光譜特征與紋理特征明顯的道路、建筑物的檢測效果較好，但也將許多未變化的植被覆蓋區(qū)域錯誤判別為變化區(qū)域。這是因為2期影像拍攝季節(jié)差別較大，導(dǎo)致地表植被覆蓋差異較大，相對輻射校正法未能有效減小其差異，從而容易導(dǎo)致虛檢。

為了驗證多特征混合核SVM變化檢測模型的有效性，同具有代表性的變化檢測方法[8，11]進(jìn)行比較分析，2種變化檢測結(jié)果見表3。由于文獻(xiàn)[8]采用基于像素的方法進(jìn)行實驗,檢測結(jié)果的虛檢率和漏檢率都比較高； 文獻(xiàn)[11]采用K均值與SVM結(jié)合的方法，利用K均值方法提取訓(xùn)練樣本，由于K均值提取訓(xùn)練樣本的不穩(wěn)定性造成變化信息提取結(jié)果較差； 實驗結(jié)果表明本文方法的變化檢測精度最高。

表3 不同變化檢測方法精度比較Tab.3 Comparison of the accuracy of change detection algorithms (%)

3 結(jié)論

通過運(yùn)用多核函數(shù)融合光譜、紋理等不同特征，構(gòu)建多時相混合函數(shù)，為多核SVM變化檢測提供了一種思路。研究結(jié)果表明該方法依據(jù)對象的光譜、紋理信息，充分、有效地挖掘不同核函數(shù)對不同特征的檢測優(yōu)勢，降低了虛檢率和漏檢率，提高了變化檢測的正確率。但本文研究還缺少對地物類別信息進(jìn)行變化判斷及變化趨勢的預(yù)測，這些內(nèi)容有待于今后進(jìn)一步研究。