李正偉

(成都理工大學(xué) 工程技術(shù)學(xué)院，四川 樂山 614007)

0 引言

遙感圖像的變化檢測(cè)可用于監(jiān)測(cè)區(qū)域內(nèi)不同時(shí)期的變化，由于遙感圖像具有非線性、區(qū)分性和不變性等特點(diǎn)，因此，必須提取這些特征后再進(jìn)行圖像的分類和目標(biāo)檢測(cè)[1]。在復(fù)雜的數(shù)據(jù)集中，可以通過數(shù)據(jù)挖掘技術(shù)提高分類精度來實(shí)現(xiàn)變化檢測(cè)。散斑噪聲是遙感圖像中普遍存在的噪聲，遙感圖像還包括高斯噪聲和脈沖噪聲[2]。遙感圖像變化檢測(cè)技術(shù)主要有：光譜混合分析法[3]、支持向量機(jī)(SVM)[4]、分類與回歸樹模型[5]和人工神經(jīng)網(wǎng)絡(luò)(ANN)[6]。文獻(xiàn)[7]提出了基于隨機(jī)森林的變化檢測(cè)方法，有效降低了漏檢率和虛檢率。而遙感圖像分類的最常用空間特征包括小波紋理、灰度共生矩陣(GLCM)、像素形狀記錄和形態(tài)輪廓[8]。文獻(xiàn)[9]提出了基于特征融合的遙感圖像分類，有效提高了不同場(chǎng)景分類精度。

為了有效實(shí)現(xiàn)遙感圖像的分類和變化檢測(cè)，本文利用自適應(yīng)中值濾波(AMF)對(duì)遙感圖像中進(jìn)行降噪預(yù)處理并提取次級(jí)特征，從而加快了分類過程。將提取的特征結(jié)合增強(qiáng)型反向傳播神經(jīng)網(wǎng)絡(luò)(EBPNN)進(jìn)行分類，并識(shí)別分類后遙感圖像的變化。

1 研究概況

1.1 研究區(qū)域

本文采用國家遙感中心的資源1號(hào)線性成像自掃描儀-4(LISS-4)圖像，該圖像取自2011年8月12日和2017年4月28日期間河北省滄州市任丘市的遙感圖像，任丘市位于北緯38.42、東經(jīng)116.07，海拔為40 m。重采樣技術(shù)采用三次卷積并對(duì)地形進(jìn)行了校正，傳感器的輸出分辨率為24 m。

1.2 研究方法

圖1給出了所提出方法的流程。首先，在AMF的幫助下，對(duì)2011年12月和2017年4月的輸入圖像進(jìn)行降噪預(yù)處理。然后對(duì)預(yù)處理后的圖像進(jìn)行特征提取，最后實(shí)現(xiàn)分類及變化檢測(cè)。

2 遙感圖像預(yù)處理

為了降低遙感圖像的噪聲影響，本文使用自適應(yīng)中值濾波(AMF)[10]來平滑圖像。AMF能夠有效處理高密度的脈沖噪聲，并且在處理非脈沖噪聲的同時(shí)，還能保存更多的圖像細(xì)節(jié)。將Sx,y作為中心像素(x,y)的模板窗口，Zmin、Zmax和Zmed分別為窗口Sx,y中的最小灰度、最大灰度和中度灰度，Zx,y為像素(x,y)中的灰度值，Smax為Sx,y的最大容許范圍。AMF分兩個(gè)階段處理：

階段1：A1=Zmed-Zmin，A2=Zmax-Zmed，若A1>0且A2>0，則繼續(xù)階段2；若Sx,y≤Smax，則重復(fù)階段1；直至輸出Zx,y。

階段2：B1=Zx,y-Zmin，B2=Zmax-Zx,y，若B1>0且B2>0，則輸出Zx,y；否則，輸出Zmed。

因此，如果Zmed是否為脈沖噪聲，則分析階段1。如果Zx,y是否為脈沖噪聲，則不采用階段2。如果Zmed和Zx,y都不是脈沖噪聲，則輸出為常量Zx,y。利用該輸出代替中間值以此避免丟失遙感圖像中的其他信息。通過擴(kuò)展AMF的窗口技術(shù)，可以降低脈沖噪聲的譜密度。為了提高該技術(shù)的應(yīng)用，還需對(duì)窗口的形狀和方向進(jìn)行改進(jìn)，從而降低脈沖噪聲的空間密度。在完成圖像平滑處理后，對(duì)圖像進(jìn)行特征提取。

3 特征提取

將特征提取與預(yù)處理圖像結(jié)合使用，對(duì)2011年至2017年期間的空間時(shí)空變化和幾何變化建模。在機(jī)器學(xué)習(xí)中，特征提取從最初的一組測(cè)量數(shù)據(jù)開始，刻意地構(gòu)建特征值以使其有用且無冗余。特征提取的關(guān)鍵是從新的數(shù)據(jù)中獲取最重要的信息，并在較小的維數(shù)間隙內(nèi)表示這些信息。對(duì)圖像中的每個(gè)像素進(jìn)行特征提取，提取出與其鄰域相關(guān)的Tamura和Law掩模等特征。

3.1 Tamura特征

Tamura特征的提出是人在紋理中感知到特征成分的心理物理研究，包括對(duì)比度、方向性和粗糙度[11]。Tamura特征取決于人類的圖像感知。傳統(tǒng)的Tamura特征可用于紋理均勻的圖像，并能處理較差的普通圖像。

1)對(duì)比度：對(duì)比度特征有助于測(cè)量圖像中像素灰度強(qiáng)度的變化，以及其分布偏向黑色或白色的程度：

(1)

其中:σ為標(biāo)準(zhǔn)差，v=0.25，β為峰度。

2)方向性：方向性特征考慮了邊緣強(qiáng)度和方向角。根據(jù)Prewitt邊緣檢測(cè)算子[12]使用逐像素導(dǎo)數(shù)計(jì)算：

(2)

其中:Δx和Δy分別為x和y方向上的像素差。

3)粗糙度：利用粗糙度特征可測(cè)量圖像粒度，識(shí)別出顯著的灰度空間變化距離。對(duì)于固定窗口估計(jì)，具有較少紋理成分的紋理比具有較大紋理成分的紋理更粗糙，該方法用于評(píng)估紋理的粗糙度。在每個(gè)像素(x,y)處，p(x,y)用于計(jì)算窗口大小分別為0,1,2,3,4,6周圍像素的平均值。在每個(gè)像素(x,y)處，計(jì)算不同方向相反側(cè)的不重疊平均集，在每個(gè)尺度Yi(x,y)上的絕對(duì)差值為：

(3)

p(x,y)={Y1,c,Y1,d,Y2,c,Y2,d,…}

(4)

選擇變化最大的尺度max(Yi)，則最佳像素窗口大小Sbest為2i。通過對(duì)整個(gè)圖像的Sbest進(jìn)行平均來計(jì)算圖像的粗度。

3.2 Law掩模特征

Law掩模特征提取利用圖像的自然微觀結(jié)構(gòu)屬性(水平、邊緣、斑點(diǎn)和紋波)提取出次級(jí)特征并用于分類[13]。序列窗口(SW)和隨機(jī)窗口(RW)產(chǎn)生Law掩模為3×3的統(tǒng)計(jì)參數(shù)。根據(jù)條件2≤C≤M和2≤D≤N，選擇SW/RW的大小C×D，其中，C和D為窗口大小，P和O為圖像大小。確定圖像上隨機(jī)窗口的起始位置：

X(n+1)=((q·x(v))+s)%·P

(5)

其中:q和s為窗口數(shù)量的決定因素。Law掩模建立了測(cè)量固定估計(jì)窗口內(nèi)變化量的紋理能量方法。利用9個(gè)5×5卷積掩模的排列計(jì)算紋理能量，該紋理能量由9個(gè)矢量表示圖像的每個(gè)像素。

中心加權(quán)局部平均值由L5矢量給出。利用E5、S5和R5矢量分別用于檢測(cè)邊緣、斑點(diǎn)和波紋。矢量對(duì)的外積得到二維卷積掩模。

Law掩模程序的初始階段是通過在圖像周圍移動(dòng)一個(gè)小窗口并從每個(gè)像素中減去局部平均值來消除影響。為了得到特征提取的圖像，將每個(gè)鄰域的平均強(qiáng)度降至接近于零的值。窗口的大小取決于圖像的類別；特征場(chǎng)景使用15×15的窗口。將二維掩模相乘得到16個(gè)紋理能量圖。將每個(gè)紋理能量圖替換為其平均圖，并生成9個(gè)過濾圖像。

4 基于變化檢測(cè)的分類

對(duì)于特征提取的結(jié)果，在分類階段之后進(jìn)行變化檢測(cè)，并借助增強(qiáng)型反向傳播神經(jīng)網(wǎng)絡(luò)(EBPNN)[14]進(jìn)行檢測(cè)。分類階段又分為兩個(gè)階段：訓(xùn)練階段和測(cè)試階段。在訓(xùn)練階段，根據(jù)每個(gè)節(jié)點(diǎn)的權(quán)重創(chuàng)建一個(gè)EBPNN，然后根據(jù)提取的特征對(duì)圖像進(jìn)行分類。根據(jù)圖像的特征，將遙感圖像分為植被、城區(qū)和水域三類。測(cè)試階段在EBPNN中執(zhí)行，以實(shí)現(xiàn)最優(yōu)的權(quán)重選擇。將提取的特征與測(cè)試階段數(shù)據(jù)庫中積累的特征進(jìn)行比較得到分類輸出。分類后，將識(shí)別出2011年12月和2017年4月的遙感圖像的變化。

反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)是用于訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)的直接學(xué)習(xí)策略。術(shù)語“反向傳播”表示在輸出處處理的錯(cuò)誤反向復(fù)制，并從輸出層開始到隱藏層，最后到輸入層。EBPNN算法取決于輸出神經(jīng)元的線性和非線性誤差之和，以最少的迭代次數(shù)來提高收斂速度。EBPNN算法分為前饋、誤差計(jì)算和更新權(quán)值。結(jié)合測(cè)試程序用于評(píng)估算法的實(shí)現(xiàn)情況。EBPNN算法步驟如下。

步驟1：初始化訓(xùn)練集參數(shù)s，w，v，Max_v和Min_v(大小、權(quán)重、變量、最大變量、最小變量)

步驟2：計(jì)算每個(gè)節(jié)點(diǎn)的隱藏層：

(6)

(7)

步驟3：計(jì)算隱藏層之間的距離：

Li=(Max_v,Min_v)2

(8)

步驟4：計(jì)算最大權(quán)重：

(9)

(10)

其中:sk為隱藏層神經(jīng)元的數(shù)量。

步驟5：計(jì)算中心值：

C(s,1)=(Max_v,Min_v)/2

(11)

步驟6：更新輸出層權(quán)重：

wgba(i-1)=wgba(i-1)+▽wgba

(12)

步驟7：隨機(jī)選擇權(quán)重

步驟8：計(jì)算隱藏層閾值

步驟9：尋找輸出層閾值：

(13)

步驟10：訓(xùn)練過程：創(chuàng)建前饋神經(jīng)網(wǎng)絡(luò)，誤差計(jì)算，更新新的權(quán)值；

步驟11：測(cè)試階段；

步驟12：確定網(wǎng)絡(luò)模型；

步驟13：對(duì)圖像(植被、水域和城區(qū))進(jìn)行分類；

步驟14：對(duì)分類結(jié)果進(jìn)行分析。

5 實(shí)驗(yàn)分析

本文在Matlab軟件中開發(fā)基于變換檢測(cè)的特征提取。該數(shù)據(jù)集取自資源1號(hào)圖像。數(shù)據(jù)集收集了2011年和2017年的Geotiff圖像格式并執(zhí)行變化檢測(cè)技術(shù)。本文開發(fā)了適用于變化檢測(cè)的EBPNN分類器以提高分類精度。此外，還集成了AMF來消除遙感圖像中的噪聲。從圖像中提取次級(jí)特征并進(jìn)行分類，最后與現(xiàn)有的前向神經(jīng)網(wǎng)絡(luò)(FFNN)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行了比較。

5.1 變換檢測(cè)

從數(shù)據(jù)庫獲取的圖像作為自動(dòng)變化檢測(cè)技術(shù)的輸入，如圖2和圖3所示。

圖2 任丘市2011年12月的圖像

圖3 任丘市2017年4月的圖像

通過AMF進(jìn)行預(yù)處理來降低噪聲，得到的輸出如圖4和圖5所示。同時(shí)保留了兩個(gè)部分得到的窗口形狀和方向變化細(xì)節(jié)，避免了由于窗口尺寸增大而導(dǎo)致的影響。

圖4 任丘市2011年12月的預(yù)處理圖像

圖5 任丘市2017年4月的預(yù)處理圖像

經(jīng)過預(yù)處理后進(jìn)行灰度變化等特征提取，包括邊緣強(qiáng)度和方向角、次級(jí)特征提取、局部物體形狀和外觀表征、物體不確定度的測(cè)量、表面引入變化的測(cè)量，最終得到最可靠的特征。利用EBPNN方法進(jìn)行分類。表1給出了Law掩模特征提取的9個(gè)紋理圖值，表2給出了Tamura特征的粗糙度、對(duì)比度和方向等特征。

表1 Law掩模的9種濾波圖像特征

表2 Tamura特征圖像

圖6和圖7給出了任丘市2011年12月和2017年4月圖像中的植被區(qū)域變化。

圖6 2011年12月圖像種植被區(qū)域變化檢測(cè)

圖7 2017年4月圖像中植被區(qū)域變化檢測(cè)

圖8和圖9給出了任丘市2011年12月和2017年4月圖像中的城區(qū)區(qū)域變化。從2017年4月的圖像中可以清楚地看到，與2011年12月相比，任丘市城區(qū)化影響比2017年4月有所增加。

圖8 2011年12月圖像中城區(qū)區(qū)域變化檢測(cè)

圖9 2017年4月圖像中城區(qū)區(qū)域變化檢測(cè)

任丘市2011年和2017年的水域變化比較如圖10和圖11所示。與2011年相比，2017年水域面積明顯減少。炎熱的夏季使各種水域惡化，給城區(qū)帶來了負(fù)面影響。2011年12月，水域清晰可見，在2017年4月的圖像中，水域惡化，基本無法觀測(cè)。夏季的影響和降雨量的減少對(duì)任丘市的水源產(chǎn)生了負(fù)面影響。

圖10 2011年12月圖像中水域區(qū)域變化檢測(cè)

圖11 2017年4月圖像中水域區(qū)域變化檢測(cè)

圖12和圖13給出了2011年12月和2017年4月任丘市的變化檢測(cè)圖。從圖12和圖13可以分析2011年和2017年植被的變化。由此產(chǎn)生的圖像顯示了2011年和2017年城市化的變化。從圖13可以清楚地看出，與2011年相比，2017年城區(qū)面積有所增加。

圖12 2011年12月圖像城市變化檢測(cè)

圖13 2017年4月圖像城市變化檢測(cè)

表3給出了植被、水域和城區(qū)區(qū)域等各種變化。在2011年，城區(qū)面積為148 877像素，2017年增加到216 253像素。因此，城市化對(duì)城區(qū)環(huán)境的變化產(chǎn)生了巨大的影響。在2011年，水域面積為57 965像素，2017年大幅減少到21 834像素。城市炎熱的氣候?qū)λ虍a(chǎn)生了負(fù)面影響。在2011年，植被面積為743 894像素，2017年減少到712 649像素。

表3 在不同區(qū)域檢測(cè)到的變化

5.2 性能分析

本文選取TP、TN、FP、FN、FPR、FDR、PPV、NPV、靈敏度、特異性、Kappa、虛檢率、漏檢率和準(zhǔn)確度作為評(píng)價(jià)指標(biāo)。假陰性(FN)可以表征為變化的像素，即未被檢測(cè)到，而假陽性(FP)則由于未正確檢測(cè)到未更改的像素而被計(jì)算。真陰性(TN)表示真負(fù)數(shù)，即像素?cái)?shù)準(zhǔn)確表示為未改變，而真陽性(TP)表示真正值，即有效地分組為失真的像素?cái)?shù)。通過以下公式評(píng)估指標(biāo)：

1)正預(yù)測(cè)值

(14)

2)負(fù)預(yù)測(cè)值

(15)

3)靈敏度

(16)

4)特異性

(17)

5)準(zhǔn)確度

(18)

6)假陽性率

(19)

實(shí)際的像素?cái)?shù)量歸為未更改和更改過的類，其特征為Mu和Mc。則Kappa為：

(20)

其中:PCC為正確分類的百分比。且:

(21)

虛檢率為：

(22)

漏檢率為：

(23)

將文獻(xiàn)[15]提出的FFNN和文獻(xiàn)[16]提出的CNN與本文所提出的EBPNN進(jìn)行比較，如表4所示。

表4 不同方法的性能比較

圖14給出了不同變化檢測(cè)方法之間的準(zhǔn)確度、KAPPA和靈敏度的定量比較。與現(xiàn)有的FFNN和CNN方法相比，本文所提出方法在準(zhǔn)確度、KAPPA和靈敏度都得到了提高。CNN的準(zhǔn)確度為95%，F(xiàn)FNN的準(zhǔn)確度為93%，而本文所提出的方法，EBPNN的準(zhǔn)確度提高到了97%。因此，本文提出的EBPNN方法在精度上有了一定的提高。在對(duì)比現(xiàn)有方法CNN和FFNN時(shí)，所提出的EBPNN方法的KAPPA系數(shù)為0.840 3，虛檢率為0.023 4，漏檢率為0.013 5。通過有效的特征提取和EBPNN分類器，可提高變化檢測(cè)中的精度問題。

圖14 不同變化檢測(cè)方法的定量比較

6 結(jié)束語

為了更好實(shí)現(xiàn)遙感圖像的分類和檢測(cè)變化，本文提出了一種EBPNN分類器。在該方法中，將區(qū)域劃分為植被、水域和城區(qū)等不同的區(qū)域，識(shí)別每個(gè)類的變換并對(duì)變化進(jìn)行分析。使用AMF預(yù)處理技術(shù)來消除圖像的噪聲。在此基礎(chǔ)上完成了Tamura特征和Law掩模特征的提取，最后利用具有變化檢測(cè)的EBPNN分類器算法進(jìn)行分類。與現(xiàn)有的FFNN和CNN分類技術(shù)相比，利用EBPNN進(jìn)行分類可以有效地檢測(cè)出圖像中的變化且具有更好的性能結(jié)果。