基于改進(jìn)FCM算法的遙感影像滑坡變化檢測(cè)方法

王 雷，劉小芳，趙良軍，石小仕

(1.四川輕化工大學(xué)自動(dòng)化與信息工程學(xué)院，四川 宜賓 644000；2.四川輕化工大學(xué)計(jì)算機(jī)學(xué)院，四川 宜賓 644000)

1 引言

影像的多時(shí)相變化檢測(cè)是指對(duì)同一地點(diǎn)、同一角度下不同時(shí)間點(diǎn)影像進(jìn)行對(duì)比分析，從而得到地表變化信息的過(guò)程[1]。近年來(lái)，隨著遙感衛(wèi)星的商用程度不斷提高，可獲取的遙感影像數(shù)據(jù)越來(lái)越多，因此基于遙感影像的變化檢測(cè)方法在土地動(dòng)態(tài)監(jiān)測(cè)、城市擴(kuò)展、災(zāi)害監(jiān)測(cè)、森林面積變化等領(lǐng)域發(fā)揮著重要作用，是遙感影像應(yīng)用的一個(gè)重要方向。但是，到目前為止還沒有出現(xiàn)一種穩(wěn)健的方法可以通過(guò)自動(dòng)化的手段從多時(shí)相遙感影像中高準(zhǔn)確率地解析出變化信息，因此，發(fā)展可靠、高準(zhǔn)確率的算法仍然是研究的熱點(diǎn)[2]。目前遙感影像的變化檢測(cè)按照研究目標(biāo)的單位可以劃分為像素級(jí)[3-6]、特征級(jí)[7，8]、對(duì)象級(jí)[9-11]?；谙袼丶?jí)的變化檢測(cè)因其具有直觀、可視化程度高的特點(diǎn)得到的廣泛的應(yīng)用，絕大多數(shù)變化檢測(cè)是在差異影像的基礎(chǔ)上來(lái)完成的，常用代數(shù)法，包括影像差分法、影像回歸法、影像比值法、相關(guān)系數(shù)法、變化向量分析法等；變化法，包括主成分分析法、K-T變換法、G-S法等。由于拍攝季節(jié)、拍攝角度姿態(tài)和陽(yáng)光照射等客觀原因，預(yù)處理之后的影像往往還存在一定的輻射誤差和配準(zhǔn)誤差。因此傳統(tǒng)的基于差異影像的分割方法往往存在大量的椒鹽噪聲和像元斑點(diǎn)，導(dǎo)致變化檢測(cè)精度低。Celik[12]利用主成分分析(Principal component analysis，PCA)將局部信息投影到特征空間形成特征向量，然后利用K均值聚類算法(K-means clustering，Kmeans)進(jìn)行變化檢測(cè)(PCA-Kmeans)，該方法不能很好地去除噪聲，并且細(xì)節(jié)信息丟失較多。模糊C均值聚類算法(Fuzzy c-means clustering，F(xiàn)CM)[13，14]作為基于模糊理論產(chǎn)生的算法，在變化檢測(cè)中有很廣泛的應(yīng)用，但是FCM算法在聚類過(guò)程中易受噪聲和初試聚類中心的影響，進(jìn)而產(chǎn)生大量的虛警[15]。毛天祺等提出利用二進(jìn)小波增強(qiáng)與邊緣局部信息FCM算法的變化檢測(cè)方法，但是該方法在某種情況下會(huì)出現(xiàn)變化檢測(cè)精度低的問題[16]。羅文村[17]、郭臻[18]等人提出，在變化強(qiáng)度圖像基礎(chǔ)上，對(duì)變化強(qiáng)度設(shè)置合適的閾值，將變化強(qiáng)度圖二值化，進(jìn)而區(qū)分變化和未變化類別。目前已有大量關(guān)于自動(dòng)閾值獲取方法的研究，并成功運(yùn)用于圖像分割，其中以O(shè)tsu法最為典型[19]，但基于閾值分割的方法無(wú)法充分利用多時(shí)相影像的變化信息，易受椒鹽噪聲影響導(dǎo)致精度較低。張道強(qiáng)等[20]提出使用基于核改進(jìn)的FCM算法做變化檢測(cè)的圖像分割(K-FCM)，實(shí)驗(yàn)表明扔不能達(dá)到較高精度。分類結(jié)果衡量指標(biāo)方面，David L.Davies等人[21]提出的一種評(píng)估聚類算法優(yōu)劣程度的指標(biāo)(DB指標(biāo))。

針對(duì)上述變化檢測(cè)算法對(duì)遙感多時(shí)相影像變化檢測(cè)精度較低的問題，提出一種基于粒子群算法和改進(jìn)FCM算法的方法，將對(duì)數(shù)、差分、比值對(duì)應(yīng)的變化強(qiáng)度圖像各自的優(yōu)勢(shì)整合起來(lái)，形成3通道的變化強(qiáng)度圖，然后應(yīng)用PCA主成分分析法提取變化強(qiáng)度圖的主要特征，并將變化強(qiáng)度圖轉(zhuǎn)換為向量集投影到主成分空間形成特征空間，最后利用改進(jìn)的FCM算法進(jìn)行二分類聚類，劃分為變化和非變化兩個(gè)類別，最終生成結(jié)果圖。

2 改進(jìn)的FCM算法

用比值法、自然對(duì)數(shù)法、差值法獲取三種變化強(qiáng)度圖像，并合成三通道的變化強(qiáng)度圖，然后用PCA做主成分提取，并將變化強(qiáng)度圖映射到主成分空間中，再用傳統(tǒng)FCM算法進(jìn)行二分類聚類獲得聚類中心用于初始化粒子群，粒子群以DB指標(biāo)為適應(yīng)度，在全局空間內(nèi)搜索最優(yōu)值，獲得最優(yōu)劃分聚類中心，最后輸出變化檢測(cè)結(jié)果圖。

2.1 獲取三通道變化強(qiáng)度圖像

假設(shè)時(shí)相1影像的矩陣表達(dá)為XT1，時(shí)相2影像表達(dá)為XT2。

2.1.1 對(duì)數(shù)比率法

對(duì)數(shù)比率圖像Id1通過(guò)對(duì)不同時(shí)相影像對(duì)應(yīng)像素值做比的結(jié)果取對(duì)數(shù)計(jì)算得到，使用式(1)進(jìn)行計(jì)算

(1)

其中e代表自然對(duì)數(shù)下標(biāo)，C代表小常數(shù)，對(duì)數(shù)比率法的特點(diǎn)是能夠加強(qiáng)比值圖像強(qiáng)度較低的部分。

2.1.2 絕對(duì)差值法

絕對(duì)差值圖像Id2是由兩時(shí)相影像做差取絕對(duì)值獲得的，在兩時(shí)相影像中變化的區(qū)域在差值圖像中擁有較大的絕對(duì)值，未變化的區(qū)域則擁有更小的絕對(duì)值。絕對(duì)差值變化圖像使用式(2)進(jìn)行計(jì)算

Id2=|XT1-XT2|

(2)

2.1.3 簡(jiǎn)單比值法

在簡(jiǎn)單比值法圖像Id3中，將對(duì)應(yīng)多時(shí)相影像對(duì)應(yīng)位置上的像素值做除，未變化的區(qū)域比值接近于1，而變化區(qū)域的比值與1的絕對(duì)差值較大。使用式(3)進(jìn)行計(jì)算

(3)

簡(jiǎn)單比值法生成的圖像能夠有效減少太陽(yáng)仰角、陰影和地形的影響。

2.1.4 3通道變化強(qiáng)度圖像

將由式(1)-(3)得到的三種不同表達(dá)的變化強(qiáng)度圖像表示成一個(gè)三通道的變化強(qiáng)度圖像，其中一個(gè)像素用Id(x，y)來(lái)表達(dá)，其中x代表該像素點(diǎn)在圖像中的行坐標(biāo)，y代表在圖像中的列坐標(biāo)，因此對(duì)于每一個(gè)像素點(diǎn)可以用式(4)描述為

(4)

假設(shè)最終的變化圖像的寬度為W，高度為H，那么Id(x，y)這樣的向量就有H×W個(gè)。為了方便后續(xù)表達(dá)，將Id(x，y)表示為Id，k，其中k表示的是圖像中的第k個(gè)像素，1≤k≤N，N=W×H。計(jì)算三通道像素的平均值，得到平均值向量χ，χ根據(jù)式(5)進(jìn)行計(jì)算

(5)

對(duì)變化強(qiáng)度圖像做均值化處理得到R，R由式(6)計(jì)算

Rdi=Idi(x，y)-χdi

(6)

2.2 用PCA提取變化強(qiáng)度圖像主要特征

PCA主成分提取技術(shù)已經(jīng)廣泛應(yīng)用于特征的提取和降維計(jì)算[22]，于是根據(jù)式(6)計(jì)算的到的變化強(qiáng)度圖像各位置上的Rdi，其協(xié)方差矩陣CI可以由式(7)表示出來(lái)

(7)

由式(8)計(jì)算協(xié)方差矩陣CI的特征值

CIvi=λivi

(8)

其中，λi表示協(xié)方差矩陣的第i個(gè)特征值，與其對(duì)應(yīng)的特征向量是vi。對(duì)特征向量進(jìn)行降序排列，為

D=desc(λ1，λ2，…，λn)

(9)

其中，λ1，λ2，…，λn是協(xié)方差矩陣的特征值的降序排列，對(duì)應(yīng)的特征向量a1，a2…，an所構(gòu)成的正交向量為

A=(a1，a2…，an)

(10)

協(xié)方差的變換矩陣為

(11)

其中，(i1，i2，…in)T為原始圖像的n維向量表達(dá)，a11，a12，…ann為特征值對(duì)應(yīng)特征向量鎖構(gòu)成的協(xié)方差矩陣對(duì)應(yīng)位置上的值，(y1，y2，…yn)T為原始圖像的n維向量表達(dá)在PCA主成分空間上的投影，矩陣Y為變換后的主成分，前幾個(gè)行向量為所求原始影像的主要特征信息，每個(gè)特征的權(quán)重由其特征值在所有特征值中所占的比重來(lái)決定，可以由式(12)計(jì)算得到，本實(shí)驗(yàn)選取特征權(quán)重是比例是0.9，即取累計(jì)權(quán)重超過(guò)0.9的前幾維特征。

(12)

2.3 基于粒子群和DB指標(biāo)改進(jìn)的FCM算法

2.3.1 標(biāo)準(zhǔn)FCM算法

FCM算法是一種對(duì)數(shù)據(jù)樣本點(diǎn)做無(wú)監(jiān)督自動(dòng)分類的方法，在數(shù)據(jù)挖掘領(lǐng)域得到了廣泛的運(yùn)用，該算法通過(guò)計(jì)算數(shù)據(jù)點(diǎn)屬于各個(gè)樣本中心的隸屬度，對(duì)各個(gè)樣本點(diǎn)進(jìn)行分類。目標(biāo)函數(shù)Jm(U，V)如式(13)所示，聚類的最終目的是尋找一組聚類中心點(diǎn)，使得目標(biāo)函數(shù)取得極小值，具體實(shí)現(xiàn)步驟如下

(13)

step1：其中c(2≤c≤n)是聚類的種數(shù)，n是樣本的數(shù)量，dij表示第j個(gè)樣本點(diǎn)到第i個(gè)中心點(diǎn)的歐氏距離，uij代表第j個(gè)樣本點(diǎn)屬于第i個(gè)聚類中心的隸屬度，設(shè)定迭代的初始聚類中心V0，和初始隸屬度矩陣U0，設(shè)定模糊權(quán)重指數(shù)m(m>1)，最大迭代次數(shù)Cmax和兩次聚類中心變化差值最小的停止閾值ε。

(14)

step3：根據(jù)新一輪的隸屬度矩陣Ur+1通過(guò)式(15)計(jì)算新的聚類中心Vr+1，其中xk表示第k個(gè)數(shù)據(jù)樣本點(diǎn)的向量表達(dá)。

(15)

2.3.2 DB指標(biāo)

用于衡量分類結(jié)果的好壞，該指標(biāo)不僅考慮類間方差對(duì)聚類結(jié)果的影響，還將聚類中心之間的相似程度作為考慮因素，為聚類操作提供指導(dǎo)，這個(gè)指標(biāo)越小代表聚類結(jié)果越好，其具體的計(jì)算步驟如下

step1：根據(jù)式(16)計(jì)算Si，q

(16)

其中xj代表第j個(gè)數(shù)據(jù)，zi指第i個(gè)聚類中心，Ni是類別劃分為聚類中心zi的數(shù)據(jù)個(gè)數(shù)，q是常數(shù)，當(dāng)q=2時(shí)，Si，q等價(jià)于所有樣本點(diǎn)到對(duì)應(yīng)聚類中心距離的標(biāo)準(zhǔn)差。

step2：根據(jù)式(17)計(jì)算Mij

(17)

ak，i代表中心i的第k個(gè)值，Mij定義為聚類中心i和聚類中心j的質(zhì)心距離。

step3：根據(jù)式(18)、(19)計(jì)算Ri，j和Ri，qt

(18)

(19)

step4：根據(jù)式(20)計(jì)算DB指標(biāo)

(20)

式中K為聚類中心的數(shù)量。

2.3.3 粒子群算法PSO

PSO粒子群算法由Kennedy等人于1995年提出[23]，它同時(shí)具備進(jìn)化和群智能計(jì)算的優(yōu)點(diǎn)，是一種啟發(fā)式的全局優(yōu)化算法。與其它群算法的思路類似，PSO算法是通過(guò)個(gè)體之間的協(xié)作與競(jìng)爭(zhēng)實(shí)現(xiàn)復(fù)雜問題最優(yōu)解的全局搜索。

PSO算法可以描述為，設(shè)粒子在D維的解空間進(jìn)行最優(yōu)解搜索，粒子群包含的粒子數(shù)量為N，第k個(gè)粒子在解空間中的位置描述為Xk=(xk1，xk2，…，xkD)，粒子在解空間中的飛行速度可以描述為Vk=(vk1，vk2，…，vkD)，每一個(gè)粒子代表空間中的一個(gè)解，粒子通過(guò)不斷在解空間中搜索以尋找最優(yōu)解。第k個(gè)粒子到目前為止找到的最優(yōu)位置記錄為Pk=(pk1，pk2，…，pkD)，整個(gè)粒子群所搜索到的歷史最優(yōu)位置記錄為，每個(gè)粒子在一次迭代中的位置和速度按照式(21)和(22)進(jìn)行變化

vkd(t+1)=wvkd+c1r1(pkd(t)-xkd(t))+

c2rr(pgd(t)-xkd(t))

(21)

xkd(t+1)=xkd(t)+vkd(t+1)

(22)

式中，r1和r2分別為范圍在[0,1]之間的隨機(jī)數(shù)；c1和c2分別代表粒子的自我認(rèn)知系數(shù)和社會(huì)認(rèn)知系數(shù)；w是粒子搜索的慣性系數(shù)，可以控制粒子更新速度受上一次速度的影響，每個(gè)粒子第d維的速度和位置變化范圍為[-vd,max,vd,max]和[-xd,max,xd,max]，粒子速度太大可能會(huì)使粒子飛過(guò)最好解，速度太小可能使粒子群陷入局部最優(yōu)解。

2.3.4 基于粒子群和DB指標(biāo)的優(yōu)化FCM算法的實(shí)現(xiàn)步驟

基于上述原理，提出一種基于DB指標(biāo)改進(jìn)的FCM算法，并用PSO算法克服FCM算法易受噪聲影響和對(duì)初始聚類中心敏感的缺陷，用于遙感滑坡的變化檢測(cè)，具體計(jì)算步驟如下：

step1：根據(jù)多時(shí)相遙感影像，采用式(1)-(3)從不同角度獲取變化強(qiáng)度圖。

step2：利用式(4)-(6)獲取3通道變化圖像，并做均值化處理。

step3：根據(jù)式(7)-(11)對(duì)變化強(qiáng)度圖做主成分特征提取，然后將其對(duì)應(yīng)的協(xié)方差矩陣的特征值按大小降序排列，用式(12)計(jì)算各個(gè)特征值的權(quán)重，最后根據(jù)特征值權(quán)重累加閾值比例，提取前面數(shù)維特征為主要特征信息。

step4：根據(jù)式(13)-(15)描述的傳統(tǒng)FCM算法在step3中形成的向量空間中進(jìn)行聚類，得到一個(gè)聚類中心。

step5：初始化粒子群，將step4中獲得的聚類中心作為一個(gè)粒子初始化到粒子群中，起加速收斂的作用。

step6：根據(jù)式(16)-(20)，計(jì)算各個(gè)粒子的適應(yīng)度DB指標(biāo)。

step7：根據(jù)適應(yīng)度，更新粒子群歷史最優(yōu)位置Pg和每一個(gè)粒子對(duì)應(yīng)的歷史最優(yōu)位置Pk。

step8：根據(jù)式(21)-(22)，更新粒子的速度Vk(t+1)和位置Xk(t+1)。

step9：重復(fù)step 6)至step 8)，直到達(dá)到最大迭代次數(shù)或滿足收斂條件。

step10：輸出最優(yōu)聚類中心。

3 實(shí)驗(yàn)與仿真

3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)采用截取部分汶川縣綿虒鎮(zhèn)2005年和2011年兩個(gè)時(shí)相的Google Earth的19級(jí)遙感影像作為數(shù)據(jù)，其空間分辨率大小為2m，圖像為RGB3通道彩色影像，通過(guò)對(duì)比2008年汶川地震前后影響差異提取變化信息。在進(jìn)行試驗(yàn)之前先對(duì)兩時(shí)相影響進(jìn)行了配準(zhǔn)，配準(zhǔn)誤差小于0.5像素，兩時(shí)相影像如圖1(a)、(b)所示，圖片大小為2261×2215像素，從圖1中可以看出，經(jīng)過(guò)汶川地震之后，兩時(shí)相數(shù)據(jù)發(fā)生了明顯的變化，主要變化包含新生滑坡信息和耕地變化。

圖1 汶川綿虒鎮(zhèn)2005和2011兩時(shí)相影像

為了驗(yàn)證本文算法的有效性，對(duì)上述數(shù)據(jù)進(jìn)行變化檢測(cè)實(shí)驗(yàn)，實(shí)驗(yàn)硬件如下。處理器為Intel Core i7-6700HQ，內(nèi)存為16GB。實(shí)驗(yàn)軟件如下：操作系統(tǒng)Windows 10專業(yè)版，仿真平臺(tái)為Matlab 2016b。

3.2 實(shí)驗(yàn)步驟

實(shí)驗(yàn)可以分為三大步驟，首先是準(zhǔn)備數(shù)據(jù)，計(jì)算獲取變化強(qiáng)度圖，再利用主成分分析法提取變化強(qiáng)度圖像的主要特征，并將樣本集投影到特征空間得到樣本空間，最后利用改進(jìn)的FCM算法做聚類得到最優(yōu)中心，獲取變化結(jié)果圖。操作流程圖如圖2所示。

圖2 滑坡區(qū)域變化檢測(cè)操作流程圖

3.3 實(shí)驗(yàn)結(jié)果分析

首先利用對(duì)數(shù)法、差值法、比值法獲取不同的變化強(qiáng)度圖像如圖3(a)、(b)、(c)所示，然后將其組成一個(gè)3通道圖像，將變化強(qiáng)度圖像按像素展開成1×3的向量，構(gòu)成向量空間，使用PCA主成分分析法提取第一主分量，提取到的特征如圖4所示。

圖3 變化強(qiáng)度圖

圖4 三通道變化強(qiáng)度影像主成分特征圖

為了達(dá)到在空間中盡可能分散數(shù)據(jù)點(diǎn)以提升聚類效果的目的，將變化圖像主要特征圖按照4×4的像素塊展開為以1×16向量構(gòu)成的向量空間，使用PCA主成分分析法提取相應(yīng)協(xié)方差矩陣的特征值和特征向量，然后以0.9為特征值累加閾值選取對(duì)應(yīng)特征向量前幾維分量作為新特征空間的正交基，最后將變化強(qiáng)度圖像像素對(duì)應(yīng)的向量空間投影到新特征空間中，最后使用本文提出的算法進(jìn)行聚類，輸出差異二值圖。

為了證明本文算法的有效性，將算法結(jié)果與四種現(xiàn)有的變化檢測(cè)方法進(jìn)行比較，這四種方法包括：Otsu自動(dòng)確定閾值法、PCA-Kmeans法、PCA-FCM算法和核聚類方法(KFCM)。

本方法和各方法執(zhí)行結(jié)果以及目視解譯標(biāo)準(zhǔn)結(jié)果如圖5所示。

圖5 各方法結(jié)果對(duì)比

為了更清楚地觀察各個(gè)算法的變化檢測(cè)結(jié)果，在每個(gè)結(jié)果圖中選擇了兩個(gè)比較具有代表性的區(qū)域，用綠色實(shí)線矩形將展示區(qū)域從結(jié)果圖中框出，如上圖(a)-(f)所示，其中每幅圖右邊放大圖像即結(jié)果圖中對(duì)應(yīng)位置上的細(xì)節(jié)圖，細(xì)節(jié)圖和對(duì)應(yīng)位置由紅色箭頭連接。

對(duì)比圖5中的(a)、(b)、(d)三幅結(jié)果圖像，可以看出，與傳統(tǒng)的K-FCM算法相比，基于主成分分析的PCA-Kmeans和PCA-FCM算法具有較小的變化檢測(cè)區(qū)域，椒鹽噪聲明顯少于KFCM算法，但是相對(duì)于本文算法結(jié)果(e)，丟失細(xì)節(jié)信息較多；KFCM算法結(jié)果中變化區(qū)域較豐富，但虛檢現(xiàn)象較嚴(yán)重；Otsu算法結(jié)果圖(c)與本文算法較接近，對(duì)比本文結(jié)果(e)的細(xì)節(jié)圖可以明顯分辨出其受椒鹽噪聲影響更嚴(yán)重。

綜上所述，相較于對(duì)比的4個(gè)算法，本文算法可以在較大程度保留變化細(xì)節(jié)特征的同時(shí)，有效減少椒鹽噪聲，獲得更好的可視化結(jié)果。

為了定量評(píng)估本文算法和各種對(duì)比算法獲得的結(jié)果，引入四個(gè)量化計(jì)算指標(biāo)，1)漏檢率，即事實(shí)上變化了的像素未被檢測(cè)出的像素占總像素?cái)?shù)量的百分比；2)虛檢率，即原本未發(fā)生變化的像素被檢測(cè)為變化像素?cái)?shù)量所占總像素的百分比；3)總體正確率，即正確檢測(cè)的變化像素和非變化像素?cái)?shù)量占總像素的百分比；4)Kappa系數(shù)，Kappa系數(shù)用來(lái)在變化檢測(cè)中檢測(cè)實(shí)驗(yàn)結(jié)果與地面真實(shí)情況之間的相似程度，Kappa系數(shù)越大，說(shuō)明檢測(cè)結(jié)果與真實(shí)變化情況越相似，當(dāng)Kappa系數(shù)為1的時(shí)候，說(shuō)明兩幅圖完全一致。各個(gè)變化檢測(cè)算法定量分析結(jié)果對(duì)照如表1所示

表1 各個(gè)變化檢測(cè)算法定量分析結(jié)果

由表1數(shù)據(jù)可知，本文算法的漏檢率為2.99%稍高于K-FCM算法的1.23%，這是因?yàn)镵-FCM算法的虛檢率高達(dá)14.42%，進(jìn)而導(dǎo)致其漏檢率偏低；本文算法虛檢率僅為1%，遠(yuǎn)低于其余四種算法；正確率94.03%相較于其它算法也有明顯優(yōu)勢(shì)；Kappa系數(shù)方面，本文算法結(jié)果的Kappa系數(shù)為0.86明顯高于其它幾種算法，說(shuō)明本文的變化檢測(cè)二分類結(jié)果與地面實(shí)際變化情況相似度較高，因此，在遙感圖像變化檢測(cè)領(lǐng)域，本文算法具有較好的實(shí)驗(yàn)結(jié)果。

4 結(jié)論

利用三種不同的多時(shí)相影像變化強(qiáng)度計(jì)算方式獲取三種不同的變化強(qiáng)度圖，組成一個(gè)三通道的變化強(qiáng)度圖像，解決了多時(shí)相影像變化信息利用率低的問題；利用主成分分析法獲取變化的第一主分量信息，再將主要變化信息投影到主成分空間；引入DB指標(biāo)聚類評(píng)價(jià)指標(biāo)優(yōu)化傳統(tǒng)FCM算法過(guò)程，使用PSO解決傳統(tǒng)FCM算法易受孤立點(diǎn)和初始聚類中心影響而陷入局部最優(yōu)的問題；使用改進(jìn)的FCM算法對(duì)投影到主成分空間中的主要變化信息進(jìn)行聚類。實(shí)驗(yàn)結(jié)果表明，相對(duì)于其它4種常見變化檢測(cè)算法，本文算法能夠一定程度上減小椒鹽噪聲對(duì)變化檢測(cè)結(jié)果的影響，并且可以很好地保留圖像的特征信息，提升了變化檢測(cè)精度。但是，本文算法扔無(wú)法完全解決基于像素的變化檢測(cè)方法易受椒鹽噪聲影響的問題，因此本算法如何在保持細(xì)節(jié)特征不丟失的前提下，進(jìn)一步減少椒鹽噪聲的問題是進(jìn)一步的研究方向。