基于水平集演化和支持向量機(jī)分類的 高分辨率遙感圖像自動(dòng)變化檢測(cè)

嚴(yán)明　曹國(guó)　夏夢(mèng)

摘要：提出了基于水平集演化和支持向量機(jī)（SVM）分類的高分辨率遙感圖像變化檢測(cè)方法，該方法將像素級(jí)的和對(duì)象級(jí)的變化檢測(cè)方法相結(jié)合，運(yùn)用了像素特征和對(duì)象特征以提高變化類和非變化類的準(zhǔn)確率。在像素級(jí)上，變化檢測(cè)問題轉(zhuǎn)化為水平集演化的圖像分割問題。在對(duì)象級(jí)上，本文可以從分割結(jié)果中為SVM分類器自動(dòng)地選擇潛在的訓(xùn)練樣本。最終將基于像素級(jí)的變化和基于對(duì)象級(jí)的變化相結(jié)合得到最終的變化結(jié)果。所提出的方法的主要優(yōu)勢(shì)在于可以自動(dòng)選擇合適的樣本進(jìn)行SVM分類器訓(xùn)練。此外，提出的方法可以有效的提高精確度和自動(dòng)化水平。通過SPOT5圖像和航空?qǐng)D像進(jìn)行實(shí)驗(yàn)，結(jié)果表明該方法是有效的。

關(guān)鍵詞：

變化檢測(cè);水平集演化;支持向量機(jī)（SVM）;多分辨率分析;圖像分割

DOI：10.15938/j.jhust.2019.01.013

中圖分類號(hào)： TP752

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 1007-2683（2019）01-0078-07

Automatic Change Detection of High Resolution Remote

Sensing Images Based on Level Set Evolution

and Support Vector Machine Classification

YAN Ming，CAO Guo，XIA Meng

（School of Computer Science and Technology， Nanjing University of Science and Technology， Nanjing 210094， China）

Abstract：We propose a method for change detection in high?resolution remote sensing images by means of level set evolution and Support Vector Machine （SVM） classification， which combined both pixel?level method and object?level method?Both pixel?based change features and object?based ones are extracted to improve the discriminability between the changed class and the unchanged class?At the pixel?level， the change detection problem is formulated as a segmentation issue using level set evolution in the difference image?At the object?level， potential training samples are selectedfrom the segmentation results without manual intervention into SVM classifier?Thereafter， the final changes are obtained by combining the pixel?based changes and the object?based changes?A chief advantage of our approach is being able to select appropriate samples for SVM classifier training?Furthermore， our proposed method helps improving the accuracy and the degree of automation?We systematically evaluated it with a variety of SPOT5 images and aerial images?Experimental results demonstrated the accuracy of our proposed method

Keywords：change detection; level set evolution; support vector machine （SVM）; multi?resolution analysis; image segmentation

0引言

變化檢測(cè)（CD）是許多遙感應(yīng)用中的一個(gè)重要手段，例如城市發(fā)展研究，自然災(zāi)害損害評(píng)估，環(huán)境監(jiān)測(cè)。在已有的文獻(xiàn)中已經(jīng)提出了不同的方法來(lái)解決自動(dòng)或半自動(dòng)化變化檢測(cè)問題。經(jīng)典的變化檢測(cè)技術(shù)使用單個(gè)像素作為它們的基本分析單位（基于像素的變化檢測(cè)）。已有不同的基于像素的變化檢測(cè)技術(shù)，包括后分類[1-3]，圖像差分，變化向量分析[4-6]，主成分分析[7]。圖像分割[8-9]，機(jī)器學(xué)習(xí)[10]和基于地理信息系統(tǒng)（GIS）的方法都已被用于變化檢測(cè)研究當(dāng)中。其中的很多方法都已經(jīng)成功的被用在低、中空間分辨率圖像的變化檢測(cè)當(dāng)中。然而，基于像素的方法在超高分辨率（VHR）圖像上的研究少之又少。在VHR圖像中由于異物同譜以及同物異譜，會(huì)導(dǎo)致椒鹽效應(yīng)。經(jīng)典的基于像素級(jí)方法的變化檢測(cè)的另一個(gè)重要的局限性是難以對(duì)上下文信息建模。近年來(lái)，高性能計(jì)算系統(tǒng)和高效軟件算法為多光譜和多尺度遙感圖像的分割和特征提取提供了便利。這些發(fā)展使得能夠?qū)崿F(xiàn)稱為基于對(duì)象的變化檢測(cè)。

基于對(duì)象的變化檢測(cè)方法可以根據(jù)光譜屬性、形狀、文理、大小以及拓?fù)浣Y(jié)構(gòu)將圖像細(xì)分為有意義的均勻區(qū)域，然后將它們組織為圖像對(duì)象，并且進(jìn)一步將對(duì)象分為變化的和未變化的類。許多研究人員針對(duì)VHR圖像一直在研究基于對(duì)象的變化檢測(cè)方法。Huo等[11]提出了一種基于SVM的方法，主要是通過動(dòng)態(tài)調(diào)整訓(xùn)練樣本和逐漸調(diào)整分類超平面。 為了應(yīng)對(duì)VHR圖像中的高內(nèi)部差異性，Volpi等[12]采用SVM非線性分類器進(jìn)行變化檢測(cè)。 Im等[13]引進(jìn)了基于對(duì)象/鄰域相關(guān)圖像分析和圖像分割技術(shù)的變化檢測(cè)方法。Su 等[14]應(yīng)用紋理分析提高分類的準(zhǔn)確性。 Hussian[15]和Chen等[16]通過比較不同技術(shù)的優(yōu)點(diǎn)和缺點(diǎn)，給出了相應(yīng)的變化檢測(cè)概述?；趯?duì)象的變化檢測(cè)方法的主要優(yōu)點(diǎn)是對(duì)象的直接比較，還有助于算法實(shí)現(xiàn)。在對(duì)象級(jí)變化檢測(cè)中對(duì)象差分和在基于像素級(jí)變化檢測(cè)中的圖像差分操作類似。然而，由于對(duì)象具有不同的大小和形狀，變化檢測(cè)的結(jié)果很大程度上取決于分割的準(zhǔn)確性。基于對(duì)象的變化檢測(cè)的另一個(gè)挑戰(zhàn)是要求選擇適當(dāng)?shù)拈撝?。由于閾值通常由研究人員直觀地定義，可能因此引入偏差。

針對(duì)VHR，盡管基于對(duì)象的變化檢測(cè)具有獨(dú)特的優(yōu)勢(shì)，但基于像素的變化檢測(cè)仍然是遙感應(yīng)用中的重要研究課題。 近年來(lái)，Bazi[8，17]和Celik等作者[9]應(yīng)用水平集方法來(lái)處理變化檢測(cè)。 該方法的主要優(yōu)點(diǎn)是能夠避免閾值選擇問題，而在基于像素的變化檢測(cè)方法中很難選擇最佳閾值。在基于對(duì)象的變化檢測(cè)方法中，由于SVM在處理高維數(shù)據(jù)中的強(qiáng)大能力，許多研究者選擇SVM分類器來(lái)分類特定對(duì)象的特征變化。盡管SVM在分類中具有優(yōu)勢(shì)，但它需要預(yù)先標(biāo)記訓(xùn)練樣本，這限制了SVM用于自動(dòng)變化檢測(cè)的應(yīng)用。

為了解決上述問題，本文通過水平集演化和SVM分類將基于像素的方法和基于對(duì)象的方法結(jié)合在一起，以提高變化檢測(cè)的準(zhǔn)確性。首先，提取出基于像素的和基于對(duì)象的變化特征;然后，使用多分辨率方法在不同的圖像上進(jìn)行水平集演化，以將變化的與未變化的像素區(qū)分開;接下來(lái)，用SVM分類器自動(dòng)選擇滿足變化率條件的訓(xùn)練樣本;最終實(shí)現(xiàn)了水平集演化和SVM方法相結(jié)合的變化檢測(cè)。

1變化檢測(cè)方法

首先介紹兩種現(xiàn)有的基于像素和基于對(duì)象的變化檢測(cè)方法，然后分析這兩種方法的優(yōu)缺點(diǎn)，將基于像素的方法和基于對(duì)象的方法結(jié)合在一起，提出本論文的方法。

1?1多分辨率水平集（MLS）算法

水平集方法是解決許多圖像和視頻分析問題的有效方法。在圖像分割應(yīng)用中最著名的是Chan?Vese模型[11]。 Bazi等[17]首先將其擴(kuò)展到變化檢測(cè)應(yīng)用當(dāng)中。 他們采用多分辨率水平集演化過程（MLS），通過2因子連續(xù)向下的對(duì)圖像采樣來(lái)分析從低分辨率到高分辨率的差分圖像。 相關(guān)的歐拉-拉格朗日方程在等式（1）中給出：

Φt=δ（Φ）?（X-c?2）?2-?（X-c?1）?2+v?div?（Φ|Φ|）?（1）

首先，使用Chan?Vese模型將低分辨率的差分圖像分割成變化的和未變化的區(qū)域，然后將從低分辨率獲得的分割結(jié)果放大2倍，用作下一階段更高分辨率下的變化檢測(cè)的初始分割估計(jì)，對(duì)下一更高分辨率級(jí)重復(fù)上述過程，直到最終分割結(jié)果到達(dá)原始圖像分辨率級(jí)。有關(guān)算法的詳細(xì)信息，請(qǐng)參考文[17]。該方法巧妙地避免了通過選擇閾值將改變的類與未改變的類分開，這在許多現(xiàn)有方法中通常是十分關(guān)鍵的問題。圖1，（a），（b）是在不同時(shí)間獲取的兩個(gè)有條紋的圖像，（c）是差分圖像，（d）顯示了由 MLS方法檢測(cè)到的變化區(qū)域。

1?2基于SVM的變化檢測(cè)

SVM分類器已在變化檢測(cè)應(yīng)用中得到有效應(yīng)用，一些研究[12，18]通過SVM對(duì)像素或特征進(jìn)行分類進(jìn)行變化檢測(cè)。 Huo等[11]提出了一種對(duì)象級(jí)的基于SVM的自動(dòng)逐級(jí)分類方法。這些方法的主要難點(diǎn)是為SVM分類器選擇標(biāo)記訓(xùn)練樣本。正如Huo 等[11]所描述的，?D?i?越高，變化的概率也就越大。?D?i?是指兩幅圖像中對(duì)象?i?的特征差異。因此，第一個(gè)?α×N?最大部分D（對(duì)象特征集）對(duì)應(yīng)的樣本被視為正樣本。同樣的，與第一個(gè)?α×N?最小部分D對(duì)應(yīng)的樣本可以被視為負(fù)樣本，?N?是對(duì)象的數(shù)量。這里本文給出兩個(gè)（如圖2）使用ISVM和變換TSVM[12]的例子，其中參數(shù)?α?設(shè)置為0?3。使用ISVM和TSVM分類的結(jié)果相似。但它們與地面真實(shí)圖相比并不相符。后處理或重新優(yōu)化分類可以改進(jìn)初始分類結(jié)果。值得注意的是，訓(xùn)練樣本僅基于相對(duì)變化。無(wú)論重新優(yōu)化分類的過程是什么，訓(xùn)練樣本的不確定性不會(huì)改變。當(dāng)變化或未變化區(qū)域復(fù)雜或包含不同類型的變化時(shí)，這方法可能失效。

1?3變化檢測(cè)方法的提出

上述MLS算法為本文提供了一種新的變化檢測(cè)方法。值得注意的是，MLS方法在處理VHR遙感圖像中會(huì)產(chǎn)生大量噪聲，如圖1（d）所示。 為了解決該問題，本文提出了一個(gè)改進(jìn)型的添加鄰域約束的MLS方法。Chan?Vese模型假設(shè)相鄰像素的標(biāo)簽是獨(dú)立的，這在大多數(shù)圖像分割任務(wù)中是不相符的。通過考慮每個(gè)像素的鄰近標(biāo)簽關(guān)系對(duì)Chan?Vese[16]模型改進(jìn)，添加懲罰項(xiàng)?P（x|N?x）：

P（x∈w?i|N?x）=?exp?-N?L（N?1+N?2）·σ?2，

L=1，i=2?2i=1（2）

其中：N?1和N?2分別是標(biāo)簽不變和標(biāo)簽改變的相鄰像素的數(shù)量。N?x表示像素x的鄰域。w?i表示類標(biāo)簽（包括已變化類和未變化類）。對(duì)于分段常數(shù)情況，能量函數(shù)的推到為：

Φt=δ（Φ）?（X-c?2）?2-（X-c?1）?2+η（β?2（X）-

β?1（X））+v?div?（g（X，α）Φ|Φ|）（3）

其中：Φ為水平集函數(shù);δ為狄拉克δ函數(shù);β為懲罰項(xiàng)的對(duì)數(shù)概率;η為可以控制懲罰項(xiàng)影響的參數(shù);c?1和c?2分別為變化和未變化類的平均值; v≥0，g（X，α）在均勻區(qū)域?yàn)檎?，在邊緣為??div?表示散度運(yùn)算符。改進(jìn)的?MLS（MLSNC）?的一般過程如下：

步驟1：設(shè)置分辨率級(jí)L的數(shù)量，并且通過因子2i（i=0，1，...，L）向下采樣差分圖像?X?來(lái)生成低分辨率圖像。

步驟2：設(shè)置i=L和演化迭代的次數(shù)N?iter?，并初始化水平集。

步驟3：在級(jí)別i上運(yùn)行?Chan?Vese?算法以獲得

粗略輪廓。

步驟4：運(yùn)行改進(jìn)的演化模型以獲得精細(xì)輪廓。

步驟5：取樣分割結(jié)果，設(shè)置i=i-1并重復(fù)步驟3和4，直到i=0。

步驟6：在像素級(jí)上生成變化檢測(cè)結(jié)果。

圖1給出了在VHR圖像上由MLS和改進(jìn)的MLS算法檢測(cè)到的變化。從圖1（d）可以看出，MLS方法存在很多噪聲，例如孤立噪聲，變化區(qū)域中的孔或鋸齒邊界，這是由于在曲線演化階段不考慮像素之間空間關(guān)系的結(jié)果。從圖1（e）可以看出，通過對(duì)差分圖像應(yīng)用鄰域約束可以提高M(jìn)LS算法的性能。

雖然改進(jìn)的MLS算法可以獲得變化區(qū)域并降低對(duì)噪聲的影響，但是在VHR圖像中還是會(huì)存在太多的噪聲，如圖1（e）所示。基于SVM的分類方法為高維數(shù)據(jù)集分類提供了一種途徑，并描述類之間的非線性決策邊界。然而，SVM分類器需要適當(dāng)?shù)挠?xùn)練樣本。為了解決這些問題，本文將它們組合在一起以改善變化檢測(cè)性能。本文提出的方法過程如下：

步驟1：運(yùn)行改進(jìn)的MLS算法，得到像素級(jí)的變化信息。

步驟2：計(jì)算每個(gè)對(duì)象?CR?i的變化率，基于閾值T?max?獲得初始變化圖M?L。其中CR?i≥T??max?的區(qū)域被認(rèn)為是改變的對(duì)象。

步驟3：選擇訓(xùn)練樣本以訓(xùn)練?SVM?分類器。滿足CR?i≥T??max?的對(duì)象為正樣本，相反，滿足CR?i≤T??min?的對(duì)象為負(fù)樣本。

步驟4：通過分類整個(gè)特征集得到變化圖M?S。

步驟5：通過融合M?L和M?S的結(jié)果獲得最終變化圖。

與基于像素的變化指標(biāo)不同，特征的消失或出現(xiàn)經(jīng)常發(fā)生在對(duì)象內(nèi)，這意味著對(duì)象可以部分地改變（例如，小的，中等的或主要的變化）。閾值T??max?和T??min?將對(duì)象集分成3個(gè)類，如圖3所示。滿足條件CR?i≥T??max?的對(duì)象會(huì)發(fā)生大的或完全的變化。這樣的類被標(biāo)記為變化類。滿足條件CR?i≤T??min??的對(duì)象將沒有變化或只有微小的變化。本文假定這些對(duì)象是不變的。理論上落入閾值之間的對(duì)象所在的區(qū)域被認(rèn)為是不確定區(qū)域。如何對(duì)不確定區(qū)域中的對(duì)象進(jìn)行分類成為一個(gè)關(guān)鍵問題。幸運(yùn)的是，本文有來(lái)自改進(jìn)的基于像素的MLS算法的正和負(fù)樣本。將SVM分類器應(yīng)用到訓(xùn)練樣本，可以得到整個(gè)集合的改變圖。

2數(shù)據(jù)集介紹和實(shí)驗(yàn)設(shè)計(jì)

2?1遙感數(shù)據(jù)

在實(shí)驗(yàn)中，本文采用了多種不同時(shí)間獲得的遙感圖像數(shù)據(jù)集。第1個(gè)數(shù)據(jù)集包含2006年和2007年12月獲得的高分辨率（6407×5521像素）SPOT5多光譜圖像。運(yùn)用該影像數(shù)據(jù)的部分區(qū)域進(jìn)行了第1和第2個(gè)實(shí)驗(yàn)。第2個(gè)數(shù)據(jù)集是分別在2000年和2005年獲得的大小為492×394像素的兩幅航空?qǐng)D像。

2?2預(yù)處理

遙感圖像的圖像配準(zhǔn)和輻射標(biāo)準(zhǔn)化是非常必要的預(yù)處理步驟，在本文中，不同時(shí)間的圖像數(shù)據(jù)通過配準(zhǔn)算法[19]進(jìn)行自動(dòng)配準(zhǔn)，配準(zhǔn)誤差小于0?5像素（RMSE）。通過使用直方圖匹配法來(lái)實(shí)現(xiàn)相對(duì)輻射校正。選擇具有大相關(guān)系數(shù)的像素作為用于輻射校正的不變類。最后，計(jì)算每波段的直方圖，并且將累積直方圖相對(duì)于參考直方圖作調(diào)整。

2?3分割和變化特征提取

在基于對(duì)象的變化檢測(cè)任務(wù)中，通常對(duì)遙感圖像進(jìn)行分割，用以產(chǎn)生可以從中生成圖像對(duì)象的“區(qū)域”或超像素，從而使得遙感圖像分析對(duì)于配準(zhǔn)誤差不敏感，也對(duì)噪聲更魯棒。本文選擇Felzenszwalb和Huttenlocher[20]中提出的基于圖的分割方法來(lái)將雙時(shí)間圖像劃分為有意義的對(duì)象。在對(duì)共同配準(zhǔn)圖像作分割后，再根據(jù)Huo等提出的比較后處理獲得最終對(duì)象。

像素級(jí)變化特征圖通常稱為“差分圖像”，其可以用于共同配準(zhǔn)的多光譜圖像?D（x，y）來(lái)表示。

D（x，y）=1C·∑?C?i=1?（I?1?（i）?（x，y）-I?2?（i）?（x，y））?2（4）

對(duì)象R?j基于對(duì)象的變化幅度由D?j描述[11]：

D?j=1‖R?j‖×C·∑?C?i=1?∑（x，y）∈R?j（I?1?（i）?（x，y）-I?2?（i）?（x，y））?2（5）

其中：C為光譜帶的數(shù)量;I?1?（i）?（x，y）為在第?i?個(gè)帶的位置（x，y）處的光譜值，‖R?j‖為區(qū)域R?j內(nèi)的像素?cái)?shù)。一般來(lái)說，只有對(duì)象級(jí)差異D?j不能足以提取?VHR?圖像中包含的變化，因此將原始光譜值相加以形成變化特征向量。

F?i=[I?（1）?1（R?i），...I?（c）?1（R?i），I?（1）?2（R?i），...I?（c）?2（R?i），D?i]（6）

3實(shí)驗(yàn)結(jié)果與討論

為了驗(yàn)證本文提出方法的有效性，本文使用不同時(shí)間得到的VHR圖像進(jìn)行實(shí)驗(yàn)。對(duì)于水平集演化，參數(shù)值的設(shè)置為與MLS算法相同[17]。本方法設(shè)置水平集模型的正則化參數(shù)?μ=0?1，時(shí)間和步長(zhǎng)分別為?Δ?t=0?1和η=?（c?1-c?2）?2?。分辨率的數(shù)量固定為3個(gè)級(jí)別（即低、中和高）。低、中和高分辨率的迭代次數(shù)分別固定為400，200和100。在改進(jìn)的MLS分割程序中，3個(gè)分辨率級(jí)別中加權(quán)系數(shù)都為0?5。閾值?T??max?和?T??min?的確定對(duì)于在SVM分類之前選擇訓(xùn)練樣本是非常重要的。如圖4所示，使用圖2中的圖像，對(duì)所提出的方法當(dāng)?T??max?在0?5～0?6之間且?T??min?在0?1～0?3之間時(shí)可以獲得良好的性能。在以下實(shí)驗(yàn)中，設(shè)置?T??max?=0?5和?T??min?=0?1，采用高斯徑向基函數(shù)內(nèi)核?K?（a，b）=e?‖ a-b ‖?2?為SVM內(nèi)核模型，通過實(shí)驗(yàn)參數(shù)?γ?=10。本文采用SVMlight軟件，SVM分類器包括TSVM和ISVM。為了簡(jiǎn)化不同方法的描述，本文將MLS（MLSNC）與ISVM組合的方法命名為MLS_ISVM（MLSNC_ISVM）。ISVM_CD（TSVM_CD）表示使用具有0?3×?N?最大和最小對(duì)象特征集的樣本分別用于訓(xùn)練ISVM（TSVM）的方法，并且所有對(duì)象被分類為變化和未變化類。

第1個(gè)數(shù)據(jù)集是2006年和2007年12月獲取的高分辨率（6407×5521像素）SPOT5多光譜圖像。在拍攝時(shí)間內(nèi)一些草地變?yōu)槁懵锻恋?，一些新建筑物出現(xiàn)。選擇750×1000像素的小區(qū)域進(jìn)行實(shí)驗(yàn)。通過MLS和MLSNC算法獲得的變化檢測(cè)結(jié)果如圖5所示，其驗(yàn)證了基于像素的方法檢測(cè)VHR圖像變化的局限性。圖5（a）顯示不同顏色的分割對(duì)象。圖5（b）和5（c）分別是ISVM_CD和TSVM_CD的結(jié)果。由圖可見，許多道路區(qū)域和建筑物被錯(cuò)誤地歸類為變化區(qū)域。 MLSNC_ISVM方法給出的結(jié)果與手工標(biāo)注的較為接近。實(shí)驗(yàn)表明，本文所提出的方法比MLS算法和基于SVM的分類方法效果要好。

實(shí)驗(yàn)二中，本文選擇了512×512像素大小的區(qū)域，如圖6所示。在兩個(gè)不同的拍攝日期，水域和草地部分成為裸露土地。圖6（a）和（b）分別示出了MLS和改進(jìn)的MLS方法的變化檢測(cè)結(jié)果。從結(jié)果中可知，兩種算法都可以檢測(cè)變化的區(qū)域。此外，通過對(duì)差分圖像應(yīng)用鄰域約束，提高了MLS抗噪聲的性能。顯然，這兩種方法會(huì)產(chǎn)生許多小的噪聲區(qū)域。MLS_ISVM和MLS_TSVM方法生成類似的結(jié)果，由于輸入數(shù)據(jù)是基于對(duì)象的，所以消除了許多噪聲區(qū)域。與上述方法相比，MLSNC_TSVM方法具有最佳的變化檢測(cè)性能。實(shí)驗(yàn)證明，MLSNC和SVM的結(jié)合比MLS和SVM的結(jié)合產(chǎn)生更好的變化檢測(cè)結(jié)果。

在實(shí)驗(yàn)三中本文采用了分別在2000年和2005年拍攝的航空影像，如圖7所示截取492×394區(qū)域。在拍攝圖像期間增加了幾片新建筑物。從圖7可以看出本文提出的算法結(jié)果更接近真實(shí)的變化結(jié)果?；赟VM的分類方法（ISVM_CD，TSVM_CD）產(chǎn)生更多的變化對(duì)象。與其他方法相比，MLS和MLSNC方法有更多的噪聲。在實(shí)驗(yàn)中，比率等于或大于?T?max的白色物體被認(rèn)為是變化的物體（?M?L?），如圖7（j）所示用作正樣本。本文使用訓(xùn)練的SVM模型來(lái)分類所有對(duì)象，圖7（k）顯示最終的分類結(jié)果?M?S。實(shí)驗(yàn)表明，本文的大多數(shù)實(shí)驗(yàn)表明這樣的分類結(jié)果M?S是可行的。并提出使用M?L和M?S?的結(jié)合來(lái)改進(jìn)分類結(jié)果作為最終變化的圖。圖7（i）是依據(jù)本文提出的方法所獲得的最終結(jié)果。值得注意的是，本文所提出的方法通過對(duì)所有圖像對(duì)應(yīng)用相同的水平集初始化和SVM訓(xùn)練參數(shù)可以產(chǎn)生良好的變化檢測(cè)性能，這證明了本文的檢測(cè)算法是有效的。

基于手工標(biāo)注的變化檢測(cè)結(jié)果，本文采用下面3個(gè)指標(biāo)來(lái)評(píng)價(jià)算法性能：①錯(cuò)誤率（PE）;②誤報(bào)率（PF）;③漏報(bào)率（PM）。第一個(gè)指標(biāo)通常是最重要的。表1列出了對(duì)比結(jié)果，對(duì)于TSVM_CD方法，每個(gè)評(píng)價(jià)結(jié)果都比較差。對(duì)于第一數(shù)據(jù)集，確實(shí)存在許多小的變化區(qū)域，因此基于像素（MLSNC）的方法具有好的檢測(cè)性能。由于對(duì)象分割問題，地面真實(shí)圖中的小變化區(qū)域不被分割為對(duì)象，從而導(dǎo)致無(wú)法檢測(cè)出這些區(qū)域。3個(gè)實(shí)驗(yàn)的結(jié)果表明，本文所提出的算法的精度明顯優(yōu)于其他兩種算法。

在實(shí)驗(yàn)中，當(dāng)參數(shù)?η?設(shè)置為0時(shí)與Bazi的方法效果相同。為了引入鄰域約束本文根據(jù)變化和未變化的類的平均值自適應(yīng)地設(shè)置參數(shù)?η?。通過實(shí)驗(yàn)表明這樣的參數(shù)設(shè)置更合理。對(duì)于ISVM_CD和TSVM_CD方法，本方法根據(jù)實(shí)驗(yàn)和Huo等的工作[11]將參數(shù)設(shè)置為：?α?=0?3。盡管本文提出的方法與其他方法相比獲得了更好的結(jié)果，但是當(dāng)差異圖像包含不同類型的變化時(shí)，因?yàn)樗郊瘜?duì)初始化較為敏感，它仍可能會(huì)失效。

4結(jié)語(yǔ)

本文提出了一種通過結(jié)合多分辨率水平集演化和SVM分類的自動(dòng)變化檢測(cè)方法。通過改進(jìn)水平集模型并將其應(yīng)用在像素級(jí)變化檢測(cè)中，進(jìn)而選擇樣本訓(xùn)練SVM分類器。分類后，將像素級(jí)的變化檢測(cè)結(jié)果與對(duì)象級(jí)的結(jié)果相結(jié)合完成最終的變化檢測(cè)。針對(duì)VHR圖像，基于像素的水平集演化由于對(duì)象內(nèi)的差異性存在過多噪聲，而基于SVM的方法需要預(yù)先標(biāo)記訓(xùn)練樣本。本文將這兩種方法結(jié)合在一起，實(shí)驗(yàn)表面可以有效提高變化檢測(cè)精度。然而，與大多數(shù)現(xiàn)有的基于對(duì)象的變化檢測(cè)方法一樣，本文所提出的方法仍然依賴于圖像分割的精度。將圖像分割成合適的有意義的對(duì)象或超像素將是本課題組未來(lái)工作的一個(gè)方向。

參 考 文 獻(xiàn)：

[1]CHANG Ni?Bin， HAN Min. Change Detection of Land Use and Land Cover in an Urban Region with SPOT?5 Images and Partial Lanczos Extreme Learning Machine[J]. Journal of Applied Remote Sensing， 4， 043551， 2010（4）：1-15.

[2]GHOSH A， MISHRA N S， GHOSH S. Fuzzy Clustering Algorithms for Unsupervised Change Detection in Remote Sensing Images[J]. Information Sciences， 2011（181）：699.

[3]JI W， MA J， TWIBELL R W， et al. Characterizing Ubran Sprawl Using Multi?stage Remote Sensing Images and Landscape Metrics[J]. Computers， Environment and Ubran Systems， 2006（30）： 861.

[4]BRUZZONE L，PRIETO D F. Automatic Analysis of the Difference Image for Unsupervised Change Detection[J]. IEEE Transactions on Geoscience and Remote Sensing， 2000（38）：1171.

[5]IM J， JENSEN J R， MICHAEL E. Optimizing the Binary Discriminant Function in Change Detection Applications[J]. Remote Sensing of Environment， 2008（112）：2761.

[6]ROUHOLLAH Dianat， SHOHREH Kasaei. Change Detection in Remote Sensing Images Using Modified Polynomial Regression and Spatial Multivariate Alteration Detection[J]. Journal of Applied Remote Sensing， 2009（3）： 033561.

[7]BAO Nisha， LECHNER Alex M. Comparison of Relative Radiometric Normalization Methods Using Pseudo?invariant Features for Change Detection Studies in Rural and Urban Landscapes[J]. Journal of Applied Remote Sensing， 2012（6）： 063578.

[8]BAZI Y， MELGANI F. A Variational Level?set Method for Unsupervised Change Detection in Remote Sensing Images[J]. In Proc. IEEE Int. Conf. Geosci. Remote Sens. Symp.， 2009（2）： 984.

[9]CELIK Turgay， MA Kai?Kuang. Multitemporal Image Change Detection Using Undecimated Discrete Wavelet Transform and Active Contours[J]. IEEE Transactions on Geoscience and Remote Sensing， 2011， 49（2）： 706.

[10]PIJANOWSKI B C， PITHADIA S， SHELLITO B A， et al. Calibrating a Neural Network?based Urban Change Model for Two Metropolitan Areas of the Upper Midwest of the United States[J]. International Journal of Geographical Information Science， 2005（19）：197.

[11]HUO Chunlei， ZHOU Zhixin， LU Hanqing， et al. Fast Object?level Change Detection for VHR Images[J]. IEEE GeoScience and Remote Sensing Letters， 2010， 7（1）：118.

[12]VOLPI Michele， TUIA Devis， BOVOLO Francesca， et al. Supervised Change Detection in VHR Images Using Contextual Information and Support Vector Machines[J]. International Journal of Applied Earth Observation and Geoinformation， 2011（20）：77.

[13]IM J， JENSEN J R， TULLIS J A. Object?based Change Detection Using Correlation Image Analysis and Image Segmentation[J]. International Journal of Remote Sensing， 2008， 29（2）：399.

[14]SU W， LI J， CHEN Y， et al. Textural and Local Spatial Statistics for the Object?oriented Classification of Urban Areas Using High Resolution Imagery[J]. International Journal of Remote Sensing， 2008（29）： 3105.

[15]HUSSAIN Masroor， CHEN Dongmei， CHENG Angela， 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.

[16]CHEN Gang， GEOFFREY J Hay， LUIS M T， et al. Object?based Change Detection[J]. International Journal of Remote Sensing， 2012，33（14）：4434.

[17]BAZI Y， BRUZZONE L， MELGANI F. Unsupervised Change Detection in Multispectral Using Level Set Methods[J]. IEEE Transactions on Geoscience and Remote Sensing， 2010，48（8）： 3178.

[18]BOVOLO F， BRUZZONE L， MARCHESI Silvia. Analysis and Adaptive Estimation of the Registration Noise Distribution in Multitemporal VHR Images[J]. IEEE Transactions on Geoscience and Remote Sensing， 2009，47（8）： 2658.

[19]ZHANG Jieyu， QIANG Chen. A Highly Repeatable Feature Detector： Improved Harris?Laplace[J]. Multimedia Tools and Applications， 2011（52）：175.

[20]FELZENSZWALB P F， HUTTENLOCHER D. Efficient Graph?based Image Segmentation[J]. International Journal of Computer Vision， 2010， 59（2）：167.