基于多特征融合的FCM面向?qū)ο笞兓瘷z測(cè)?

劉 戰(zhàn)杜久升馬登燦

（1.河南理工大學(xué)測(cè)繪與國(guó)土信息工程學(xué)院 焦作454000）（2.浙江交工集團(tuán)股份有限公司 杭州310000）

1 引言

利用遙感影像的變化檢測(cè)技術(shù)提取目標(biāo)區(qū)域的變化信息，為環(huán)境、城市規(guī)劃、農(nóng)業(yè)、國(guó)防等領(lǐng)域提供支持，一直是遙感影像處理的研究熱點(diǎn)［1~3］。面對(duì)高分辨率遙感影像，基于像素的傳統(tǒng)變化檢測(cè)方法不再適合，研究適用于高分辨率遙感影像的變化檢測(cè)方法有著重要的意義。

與中低分辨率影像相比，高分辨率遙感影像地物細(xì)節(jié)信息更豐富，但在傳統(tǒng)的面向像素方法下，這些細(xì)節(jié)信息往往不會(huì)得到有效利用，反而會(huì)干擾變化檢測(cè)的結(jié)果。傳統(tǒng)方法對(duì)地物形狀、結(jié)構(gòu)等信息的分析很少涉及，這也成為制約遙感應(yīng)用的主要瓶頸之一［4~5］。面向?qū)ο蟮淖兓瘷z測(cè)方法應(yīng)運(yùn)而生。目前，已有許多學(xué)者對(duì)面向?qū)ο蟮淖兓瘷z測(cè)方法做了研究，并且在研究應(yīng)用取得了一定的進(jìn)展。

Bovolo［6］等提出基于像斑的變化向量分析方法，研究表明高分辨率遙感影像豐富的地物細(xì)節(jié)信息、“同譜異物”現(xiàn)象嚴(yán)重，利用單一類別特征進(jìn)行變化檢測(cè)很難獲得滿意的檢測(cè)精度。杜培軍［7］等利用一維特征空間加權(quán)距離相似度運(yùn)算、多維特征空間的模糊集融合和支持向量機(jī)融合策略進(jìn)行變化檢測(cè)，有效集成了不同特征的優(yōu)勢(shì)與表征變化信息的能力，提高了變化檢測(cè)過程的穩(wěn)定性和適用性。徐俊峰［8］等通過SVM將多種特征進(jìn)行有效集成，構(gòu)造了較為穩(wěn)定和適用的變化檢測(cè)模型，通過對(duì)不同時(shí)相的航空影像與衛(wèi)星影像進(jìn)行實(shí)驗(yàn)，驗(yàn)證了該方法對(duì)多源遙感影像的變化檢測(cè)是有效的。李亮［9］等通過自適應(yīng)方法，借助光譜距離與紋理距離構(gòu)建像斑的異質(zhì)性，最終結(jié)合EM算法和貝葉斯最小錯(cuò)誤率理論獲取像斑的變化以及非變化類別，該方法能夠充分融合光譜特征和紋理特征，從而提高變化檢測(cè)的精度。Li［10］等提出了一種結(jié)合宏觀和微觀紋理特征的多紋理變化檢測(cè)方法，通過集成微觀紋理和宏觀紋理，使用RF和模糊集合模型的紋理組合可以進(jìn)一步提高變化檢測(cè)的準(zhǔn)確性。但總地來說，在特征融合時(shí)并沒有考慮各個(gè)特征的權(quán)重，從而導(dǎo)致主要特征、次要特征以及無用特征無法在變化檢測(cè)中體現(xiàn)出來。

無論是單一特征還是多特征直接加權(quán)進(jìn)行變化檢測(cè)，都容易受到各種因素的影響，對(duì)變化檢測(cè)精度有較大的影響，因此本文根據(jù)多特征的權(quán)重進(jìn)行融合，在此基礎(chǔ)上提出面向?qū)ο蟮腇CM多特征加權(quán)融合變化檢測(cè)方法。

2 論文方法介紹

2.1 變化檢測(cè)流程

本文以多尺度分割技術(shù)獲取像斑，并以此為變化檢測(cè)的分析基礎(chǔ)。在選取了最佳的分割尺度的基礎(chǔ)上進(jìn)行變化檢測(cè)，基本流程如圖1所示。

圖1 融合多特征的加權(quán)FCM面向?qū)ο笞兓瘷z測(cè)流程圖

2.2 對(duì)象的特征提取

2.2.1 紋理特征

紋理是對(duì)圖像各像元之間空間分布的一種描述，是描述與識(shí)別圖像的重要依據(jù)。提取紋理特征的方法很多，如基于局部統(tǒng)計(jì)特性的特征、基于隨機(jī)場(chǎng)模型的特征、基于空間頻率的特征、分形特征等［11］。本文主要介紹Gabor小波紋理特征與灰度共生矩陣（GLCM）特征并將兩種特征和光譜特征融合進(jìn)行遙感影像變化檢測(cè)。Gabor函數(shù)本質(zhì)上是復(fù)正弦調(diào)制的高斯核函數(shù)［12］，可以在給定區(qū)域內(nèi)提取出局部的頻域特征。一個(gè)典型的2-D Gabor變換是一種二維連續(xù)的小波變換，可以在不同尺度不同方向上提取影像的紋理特征［13~14］。GLCM是通過計(jì)算灰度圖像的共生矩陣，得到矩陣的部分特征值用來代表圖像的部分紋理特征?；叶裙采仃嚹芊从硤D像灰度關(guān)于方向、相鄰間隔、變化幅度等綜合信息，它是分析圖像的局部模式和排列規(guī)則的基礎(chǔ)［15］。通常用方差、能量、熵、相關(guān)性等特征量來表示紋理特征。

2.2.2 變化檢測(cè)的特征的權(quán)重計(jì)算與特征選擇

遙感影像包含紋理、空間、光譜等特征，但不是所有的特征都能應(yīng)用于變化檢測(cè)，有些特征反而會(huì)影響到變化檢測(cè)的精度，通常把這些特征稱為無用特征。因此增加有用特征的權(quán)重、盡量降低無用特征的權(quán)重，可以提高變化檢測(cè)的精度。

Relief［16］算法最初針對(duì)于兩類數(shù)據(jù)的分類問題，是一種特征權(quán)重算法，根據(jù)各個(gè)特征和類別的相關(guān)性賦予特征不同的權(quán)重，權(quán)重小于某個(gè)閾值的特征將被剔除。在Relief算法中特征和類別的相關(guān)性取決于特征對(duì)近距離樣本的區(qū)分能力。算法從訓(xùn)練集D中隨機(jī)選擇一個(gè)樣本R，然后從和R同類的樣本中尋找最近鄰樣本H，稱為Near Hit，從與R異類的樣本中尋找最近鄰樣本M，稱為Near Miss，然后根據(jù)以下規(guī)則更新每個(gè)特征的權(quán)重：如果R和Near Hit在某個(gè)特征上的距離小于R和Near Miss上的距離，則說明該特征對(duì)區(qū)分同類和異類的最近鄰是有益的，則增加該特征的權(quán)重；反之，如果R和Near Hit在某個(gè)特征的距離大于R和Near Miss上的距離，說明該特征對(duì)區(qū)分同類和異類的最近鄰起負(fù)面作用，則降低該特征的權(quán)重［17］。以上過程重復(fù)m次，最后得到各個(gè)特征權(quán)重。特征的權(quán)重越大，表示該特征的分類能力越強(qiáng)，反之，表示該特征分類能力越弱。

基于Relief算法的特征選取的實(shí)現(xiàn)如下所示。

1）對(duì)參與變化檢測(cè)的各個(gè)特征的權(quán)重初始化為0；

2）依次尋找各個(gè)樣本的最鄰近樣本和異類樣本，計(jì)算樣本與同類樣本的和異類樣本的特征距離，根據(jù)樣本的特征距離跟新特征的權(quán)重；本文采用差值特征型距離，其計(jì)算如下：

3）根據(jù)特征權(quán)重值的排序，刪除權(quán)重值小于閾值的特征；

4）對(duì)其余的特征權(quán)重值進(jìn)行歸一化處理并輸出。

2.2.3 加權(quán)FCM

模糊C均值（Fuzzy C-means，F(xiàn)CM）聚類方法，屬于基于目標(biāo)函數(shù)的模糊聚類算法的范疇。在遙感影像分割后，假設(shè)所有分割的對(duì)象特征值X={xi，i=1，2，3…n}構(gòu)成D維空間中的N個(gè)向量的集合，將N個(gè)向量劃分成M個(gè)模糊組，其中隸屬度矩陣UN×M表示各個(gè)對(duì)象屬于某個(gè)類別的隸屬度，如uij表示i對(duì)象屬于第j類別的隸屬度，uij滿足如下條件：

FCM的基本思想是類內(nèi)之間的加權(quán)誤差平方和最小，即為

其中vj表示聚類的中心，xi為第i個(gè)分割對(duì)象的特征，M為聚類的類別數(shù)量，l為加權(quán)指數(shù)且，它是一個(gè)控制算法的柔性的參數(shù)，如果l過大，則聚類效果會(huì)很差，而如果m過小則算法會(huì)接近k均值聚類算法，一般取l=2。

傳統(tǒng)FCM分類方法中各個(gè)特征是等權(quán)重這樣就不能體現(xiàn)不同特征在面向?qū)ο筮b感分類過程中的差異。在Relief算法分析了對(duì)象特征對(duì)變化檢測(cè)結(jié)果的重要性之后，確定了各個(gè)特征在變化檢測(cè)的權(quán)重，根據(jù)特征的權(quán)重，對(duì)FCM的目標(biāo)函數(shù)J進(jìn)行改進(jìn)，將測(cè)度距離從大多數(shù)的歐式距離、馬氏距離變?yōu)榧訖?quán)的歐式距離，計(jì)算方式如下：

其中xid為對(duì)象i的第d個(gè)特征值，vjd為第j個(gè)聚類中心第d個(gè)特征的值，wd為第d個(gè)特征的權(quán)重。改進(jìn)后的FCM中目標(biāo)函數(shù)J為

目標(biāo)函數(shù)J達(dá)到最小的必要條件為

3 實(shí)驗(yàn)與分析

為了驗(yàn)證本文算法的有效性，利用不同時(shí)相的兩幅影像進(jìn)行實(shí)驗(yàn)：實(shí)驗(yàn)影像以河南省鄭州市2015年7月 和2016年7月 的500*500大 小的GF-2影像為例。經(jīng)過預(yù)處理的影像如圖2所示。

圖2 實(shí)驗(yàn)遙感影像

首先對(duì)兩幅影像進(jìn)行多尺度分割，根據(jù)分割對(duì)象內(nèi)部異質(zhì)性質(zhì)性最小，選取多個(gè)尺度進(jìn)行實(shí)驗(yàn)，結(jié)果如圖3所示。

圖3 不同尺度下的異質(zhì)性

圖4 分割結(jié)果

利用上文的分割結(jié)果，分別提取遙感影像的Gabor紋理和GLCM紋理，紋理提取的過程中，選擇width為5，direction為12構(gòu)建60個(gè)Gabor濾波器，一個(gè)波段即可提取60個(gè)紋理信息，由于各個(gè)波段之間的Gabor紋理特征具有相似性，本實(shí)驗(yàn)選取的T1時(shí)期影像和T2時(shí)期影像特征如圖5所示。

圖5 T1、T2時(shí)期影像紋理特征

為了驗(yàn)證FCM加權(quán)算法的有效性，本實(shí)驗(yàn)進(jìn)行了三組實(shí)驗(yàn)：1）單獨(dú)利用某一特征的差異進(jìn)行變化檢測(cè)；2）直接加權(quán)融合的變化檢測(cè)；3）通過加權(quán)的FCM算法進(jìn)行多特征融合變化檢測(cè)。實(shí)驗(yàn)結(jié)果如圖6所示。

圖6 單一特征的變化檢測(cè)結(jié)

常用的變化檢測(cè)評(píng)價(jià)指標(biāo)有虛檢誤差、漏檢誤差和總體精度，該實(shí)驗(yàn)中采用以上三種精度評(píng)價(jià)指標(biāo)。變化檢測(cè)精度如表1所示。

圖7 直接加權(quán)融合的變化檢測(cè)

圖8 FCM加權(quán)融合的變化檢測(cè)結(jié)果

表1 變化檢測(cè)精度評(píng)價(jià)表

通過上表的精度評(píng)價(jià)結(jié)果可知：?jiǎn)为?dú)使用光譜特征、Gabor、GLCM進(jìn)行變化檢測(cè)的結(jié)果總體精度分別為0.9235、0.9286、0.9049，直接對(duì)光譜特征和Gabor加權(quán)的總體精度為0.9430，直接對(duì)光譜和GL?CM進(jìn)行加權(quán)的變化檢測(cè)的總體精度為0.9352，直接對(duì)GLCM和Gabor加權(quán)的變化檢測(cè)的總體精度為09386，直接對(duì)三種特征進(jìn)行加權(quán)的變化檢測(cè)的總體精度為0.9587；通過對(duì)特征加權(quán)之后，變化檢測(cè)的總體精度有所提高。加權(quán)的FCM融合光譜特征和Gabor紋理特征的變化檢測(cè)的總體精度為0.9488，加權(quán)FCM融合光譜特征和GLCM特征的變化檢測(cè)的總體精度為0.9479，加權(quán)FCM融合GLCM紋理特征和Gabor紋理特征的變化檢測(cè)的總體精度為0.9436，加權(quán)的FCM融合三種特征的差異進(jìn)行變化檢測(cè)的總體精度為0.9625。兩兩FCM加權(quán)融合的變化檢測(cè)的總體精度高于直接加權(quán)的變化檢測(cè)的總體精度，而加權(quán)的FCM融合三種特征差異的變化檢測(cè)是所有變化檢測(cè)中精度最高的，達(dá)到0.9625。

4 結(jié)語

本文針對(duì)高分辨率的遙感影像提出了一種基于面向?qū)ο蟮淖兓瘷z測(cè)方法。采用多尺度分割算法對(duì)影像進(jìn)行多尺度分割，在選取最佳尺度的基礎(chǔ)上實(shí)現(xiàn)了光譜特征和紋理特征的FCM加權(quán)融合，并以鄭州市高分影像為例驗(yàn)證該方法的有效性。通過比較發(fā)現(xiàn)，整體上無論采用那種特征融合方式，都比單一特征的變化檢測(cè)精度高，利用加權(quán)FCM融合三種特征的變化檢測(cè)精度都比兩兩特征加權(quán)融合的精度高，說明特征的差異融合，實(shí)現(xiàn)了有效特征的信息互補(bǔ)，提高了變化檢測(cè)的總體精度?；诙嗵卣魅诤系腇CM變化檢測(cè)方法可以使豐富的高分辨遙感影像更加有效地應(yīng)用。