基于深度玻爾茲曼機(jī)的遙感影像變化檢測(cè)方法

于 杰，李大成*，和棟材，楊 毅

(1.太原理工大學(xué) 礦業(yè)工程學(xué)院，山西 太原 030024；2.太原理工大學(xué) 光電工程學(xué)院，山西 太原 030024)

0 引言

遙感影像變化檢測(cè)是基于遙感技術(shù)在不同時(shí)間對(duì)同一區(qū)域成像而判斷地表類型是否發(fā)生變化的手段,其中雙時(shí)相變化檢測(cè)是利用地物變化前后的2期影像進(jìn)行判別[1]。在國(guó)土調(diào)查、衛(wèi)片執(zhí)法、土地利用、農(nóng)業(yè)生產(chǎn)、城市規(guī)劃、環(huán)境監(jiān)測(cè)和應(yīng)急管理等領(lǐng)域,遙感影像變化檢測(cè)具有重要作用[2-3]。隨著遙感技術(shù)的發(fā)展,各種多光譜遙感影像中蘊(yùn)含大量且豐富的地物信息,使得用于變化檢測(cè)的特征提取手段越來越多元化[4]。傳統(tǒng)基于像元和面向?qū)ο蟮姆椒ê茈y對(duì)各種復(fù)雜的地表變化進(jìn)行充分描述和表達(dá)[5],同時(shí)基于深度學(xué)習(xí)的算法在不斷地探索和發(fā)展[3,5],因此如何提升對(duì)遙感影像的特征提取對(duì)于準(zhǔn)確檢測(cè)地物變化具有現(xiàn)實(shí)意義。

變化檢測(cè)過程通常包含數(shù)據(jù)預(yù)處理、變化檢測(cè)方法選擇和精度評(píng)價(jià)3個(gè)階段,而變化檢測(cè)方法的選擇是目前多數(shù)研究人員關(guān)注的重點(diǎn),其對(duì)檢測(cè)結(jié)果的質(zhì)量影響較大[6]?；诙喙庾V遙感影像的變化檢測(cè)方法研究[7],主要包括代數(shù)法、分類法、變換法、深度學(xué)習(xí)法以及多種方法組合的混合方法等。代數(shù)法對(duì)于變化差異較大的區(qū)域較為敏感,但不易識(shí)別地物類型的變化[8];分類法能夠識(shí)別變化類型和較為深層的變化信息,但結(jié)果又依賴于分類精度[9];變換法可以很好地突出變化信息,但降維過程影響變化區(qū)域的定位和變化類型的確定[10-11];深度學(xué)習(xí)方法能夠?qū)崿F(xiàn)自動(dòng)、多層次、多維度地提取影像更深層次的語義特征,且具有很好的魯棒性和適應(yīng)性,能夠消除檢測(cè)結(jié)果對(duì)變化影像的依賴影響,使變化檢測(cè)的精度大幅提升[3,5]。

應(yīng)用深度學(xué)習(xí)進(jìn)行變化檢測(cè)的網(wǎng)絡(luò)結(jié)構(gòu)具有如下特征:自編碼器(Auto Encoder,AE)通常作為特征提取器在無監(jiān)督的情況下實(shí)現(xiàn)變化檢測(cè)且性能良好[12];深度波爾茲曼機(jī)(Deep Boltzmann Machine,DBM)作為一種類似深度信念網(wǎng)絡(luò)(Deep Belief Network,DBN)但無向的模型,可以通過貪婪學(xué)習(xí),從隱藏層單元中提取深層特征[13];卷積神經(jīng)網(wǎng)絡(luò)(Convo-lutional Neural Network,CNN)通過構(gòu)建深度神經(jīng)網(wǎng)絡(luò)提取遙感影像的高級(jí)特征,實(shí)現(xiàn)結(jié)合監(jiān)督學(xué)習(xí)的方法完成變化檢測(cè),許多改進(jìn)的CNN作為分類器或特征提取器也常用于變化檢測(cè),如VGGNet[14]、UNet[15]和ResNet[16]等。雖然大多數(shù)深度學(xué)習(xí)方法能夠在無監(jiān)督或弱監(jiān)督的情況下獲得影像的高階特征,但變化檢測(cè)精度還主要依賴于先驗(yàn)知識(shí)和標(biāo)記訓(xùn)練[2]。

基于現(xiàn)有研究,考慮到深度學(xué)習(xí)在影像特征提取領(lǐng)域的應(yīng)用優(yōu)勢(shì),提出了一種基于DBM的雙時(shí)相遙感影像自監(jiān)督訓(xùn)練變化檢測(cè)方法。該方法融合了前后時(shí)相遙感影像的光譜和紋理變化提取變化區(qū)域,將變化標(biāo)記作為監(jiān)督樣本輸入DBM模型進(jìn)行訓(xùn)練,最終完成變化檢測(cè)。檢測(cè)結(jié)果對(duì)變化地物的邊緣提取敏感,檢測(cè)過程實(shí)現(xiàn)了流程化應(yīng)用。

1 測(cè)試數(shù)據(jù)與預(yù)處理

變化檢測(cè)數(shù)據(jù)集CD_Data_GZ是一個(gè)用于變化檢測(cè)研究的標(biāo)準(zhǔn)數(shù)據(jù)集,用于測(cè)試和評(píng)估變化檢測(cè)算法的性能[17]。該數(shù)據(jù)集是2006—2019年期間覆蓋中國(guó)廣州市郊區(qū)部分區(qū)域的谷歌遙感影像,其中包含紅、綠和藍(lán)3個(gè)波段,空間分辨率為0.55 m,影像大小為1 006 pixel×1168 pixel～4 936 pixel×5 224 pixel;同時(shí)還提供了由人工標(biāo)注的前后時(shí)相影像對(duì)應(yīng)的變化標(biāo)記,包含建筑物、道路、農(nóng)田、水體、林地和裸地等多種變化類型,但其更側(cè)重于建筑物的變化標(biāo)記。其中部分典型示例如圖1所示。

圖1 CD_Data_GZ變化檢測(cè)數(shù)據(jù)集示例Fig.1 Samples of “CD_Data_GZ” change detection datasets

一般在對(duì)遙感影像進(jìn)行變化檢測(cè)之前,從多光譜原始數(shù)據(jù)開始需要進(jìn)行輻射定標(biāo)、大氣校正、正射校正、影像融合、配準(zhǔn)糾正、影像裁剪、相對(duì)輻射校正和影像向量化等預(yù)處理步驟。而使用標(biāo)準(zhǔn)數(shù)據(jù)集作為測(cè)試數(shù)據(jù),僅需要完成相對(duì)輻射校正和影像向量化2個(gè)預(yù)處理流程。首先,將每組影像對(duì)以T1時(shí)刻(前時(shí)相)影像為基準(zhǔn),使用直方圖匹配方法對(duì)T2時(shí)刻(后時(shí)相)影像完成相對(duì)輻射校正,消除前后時(shí)相遙感影像因傳感器差異、成像角度和大氣條件等因素造成的輻射差異;然后使用3×3移動(dòng)窗口將遙感影像的主成分分析(Principal Component Analysis,PCA)的第一分量(PC1)轉(zhuǎn)換為向量組,解決遙感影像不能直接輸入DBM模型參與訓(xùn)練的局限性。影像向量化方法示例[18]如圖2所示。

圖2 影像向量化方法示例Fig.2 Example of image vectorization method

圖2表明,對(duì)于同一區(qū)域2期遙感影像,使用移動(dòng)窗口逐像元讀取窗口內(nèi)各像元值并轉(zhuǎn)換為向量,再合并為向量組。若前后時(shí)相影像大小為(rows,cols),移動(dòng)窗口半徑為R,中心像元坐標(biāo)為(i,j),則窗口內(nèi)各像元坐標(biāo)取值為(i±R,j±R);影像向量化后得到向量組維度為(M,N),其中M=(rows-2×R)×(cols-2×R),N=2×(2×R+1)2。

本文變化檢測(cè)方法是根據(jù)前后2期遙感影像判別地表是否發(fā)生變化,故得到的變化檢測(cè)結(jié)果是二值圖。對(duì)于變化影像的向量化,得到的向量組維度為(M,2),其中每個(gè)行向量第一列數(shù)值為0且第二列數(shù)值為1時(shí),表示該像元未發(fā)生變化;而每個(gè)行向量第一列數(shù)值為1且第二列數(shù)值為0時(shí),表示該像元發(fā)生變化。變化影像向量化有且僅有該2類情形。

2 研究方法

基于DBM的遙感影像變化檢測(cè)方法的整體思路為:相對(duì)輻射校正后,將前后時(shí)相遙感影像進(jìn)行PCA,然后使用2期影像的第一主分量分別計(jì)算余弦相似角和等價(jià)模式局部二值模式(Local Binary Pattern,LBP),將余弦相似角乘以等價(jià)LBP的差值,接著利用大津閾值算法分割上述乘積結(jié)果,將得到的變化標(biāo)記作為監(jiān)督樣本輸入DBM,最后基于DBM實(shí)現(xiàn)對(duì)2期遙感影像的自監(jiān)督訓(xùn)練變化檢測(cè),獲得最終的變化標(biāo)記二值圖。具體變化檢測(cè)方案如圖3所示。

圖3 基于DBM的變化檢測(cè)方案Fig.3 Change detection scheme based on DBM

2.1 融合光譜和紋理變化的樣本生成方法

PCA是一種數(shù)據(jù)集中和降維的方法,其核心是構(gòu)造新的坐標(biāo)系,求解協(xié)方差矩陣的特征值和特征向量。在遙感影像中,由于各波段之間相關(guān)性較高,通過PCA得到第一分量是將各波段大部分的有用信息集中到第一個(gè)主分量中,提取影像光譜信息,從而達(dá)到數(shù)據(jù)增強(qiáng)和降維的作用[10]。

相似性度量一般用于分析2個(gè)向量的相似程度,余弦相似角即為一種常見的相似度測(cè)量方法[19],是通過計(jì)算2個(gè)向量夾角的余弦值來衡量其相似程度。得到的余弦值越大,說明2個(gè)向量之間的夾角越小,表示向量越相似。在遙感影像中,余弦相似角被應(yīng)用于圖像匹配和變化檢測(cè)等方面。其具體計(jì)算公式為:

(1)

式中:Ai和Bi分別表示向量A和B的分量。

本文使用3×3大小的移動(dòng)窗口將前后時(shí)相影像的第一主成分分量分別向量化,在該過程中,提取移動(dòng)窗口內(nèi)對(duì)應(yīng)的2個(gè)行向量,計(jì)算余弦相似角并賦值給該移動(dòng)窗口的中心像元,得到余弦相似角灰度圖,即利用2期影像的光譜相似性表征光譜變化,其絕對(duì)值越大,像元相似性越強(qiáng),變化性越弱。

LBP是一種紋理特征提取方法,可以有效地對(duì)影像的紋理特征進(jìn)行描述和表達(dá),其基本原理是基于像元的灰度值差異,在移動(dòng)窗口內(nèi)將鄰域像元按序逐個(gè)與中心像元值進(jìn)行比較,并將比較結(jié)果編碼為二進(jìn)制數(shù),最終得到一個(gè)二進(jìn)制模式(特征值),轉(zhuǎn)換為十進(jìn)制后賦值給LBP對(duì)應(yīng)窗口的中心像元。移動(dòng)窗口設(shè)置為3×3,LBP特征值計(jì)算方法示意如圖4所示。

圖4 LBP特征值計(jì)算方法示意Fig.4 Schematic diagram of LBP eigenvalue calculation method

圖4中,移動(dòng)窗口內(nèi)包含1個(gè)中心像元和8個(gè)鄰域像元,共計(jì)可產(chǎn)生28=256種LBP。隨著移動(dòng)窗口的半徑擴(kuò)大,LBP的數(shù)量也會(huì)急劇增加,使得其直方圖變得稀疏分散,這對(duì)于紋理特征提取和分析是不利的。故本文采用Ojala等[20]改進(jìn)的等價(jià)模式LBP分別對(duì)2期影像進(jìn)行提取,得到降維的LBP,其具有灰度不變性和旋轉(zhuǎn)不變性的特征,在紋理提取和地物分類等應(yīng)用領(lǐng)域具有較高的魯棒性和可靠性。等價(jià)LBP認(rèn)為L(zhǎng)BP的分布是不均勻的,而且僅有部分二進(jìn)制模式有較高的頻率。在此基礎(chǔ)上定義二進(jìn)制模式中僅有一次0～1或1～0的跳變時(shí),由于二進(jìn)制模式對(duì)應(yīng)鄰域的閉合性,會(huì)出現(xiàn)2次跳變,則將具有相同類型的模式定義為等價(jià)模式類中的一種,其區(qū)別在于二進(jìn)制模式1出現(xiàn)的位置不同。當(dāng)未發(fā)生二進(jìn)制跳變時(shí),出現(xiàn)(00000000)2和(11111111)2這2種等價(jià)模式類,除此之外,超過2次跳變的其他所有模式均歸為混合模式類,例如(10100101)2發(fā)生6次二進(jìn)制跳變。表1描述了8鄰域下的等價(jià)LBP模式。

表1 8鄰域等價(jià)LBP模式Tab.1 Eight neighborhood uniform LBP model

由表1可知,8鄰域等價(jià)LBP模式共對(duì)應(yīng)58種LBP模式,另加1種混合模式類,故8鄰域的等價(jià)LBP模式實(shí)現(xiàn)了256～59的集中降維。

在2期遙感影像的PC1基礎(chǔ)上使用3×3大小的移動(dòng)窗口分別計(jì)算其等價(jià)模式LBP,然后使用波段差值計(jì)算2期等價(jià)LBP灰度圖的差異,得到紋理變化灰度圖,該變化灰度圖描述了前后時(shí)相影像的紋理變化。對(duì)描述2期影像光譜變化的余弦相似角灰度圖和描述紋理變化的等價(jià)LBP變化灰度圖進(jìn)行波段乘積運(yùn)算,獲得融合光譜和紋理變化的灰度圖;應(yīng)用大津閾值算法[21]對(duì)該變化灰度圖進(jìn)行自動(dòng)閾值分割,向量化后將其作為DBM模型訓(xùn)練的監(jiān)督樣本。

本文使用變化檢測(cè)數(shù)據(jù)集中共包含20組季候性差異的遙感影像。在對(duì)每組數(shù)據(jù)進(jìn)行監(jiān)督樣本生成時(shí),僅考慮該組數(shù)據(jù)前后時(shí)相影像的光譜和紋理變化,故每個(gè)影像組均對(duì)應(yīng)一個(gè)獨(dú)立的監(jiān)督樣本作為訓(xùn)練輸入。值得注意的是,本文基于DBM的監(jiān)督訓(xùn)練是一種自監(jiān)督策略,即每個(gè)監(jiān)督樣本僅應(yīng)用于各自前后時(shí)相遙感影像的監(jiān)督訓(xùn)練進(jìn)行變化檢測(cè),而各組影像對(duì)互相之間獨(dú)立且無關(guān)聯(lián)。

2.2 基于DBM的變化檢測(cè)方法

DBM是由多個(gè)受限玻爾茲曼機(jī)(Restricted Boltzmann Machine,RBM)堆疊構(gòu)成的深度神經(jīng)網(wǎng)絡(luò),各層之間無向連接。通過逐層貪婪訓(xùn)練的策略,直到整個(gè)模型收斂,從2期遙感影像中學(xué)習(xí)到深層特征;再應(yīng)用融合光譜和紋理變化得到的變化標(biāo)記作為監(jiān)督樣本輸入模型對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào),進(jìn)一步提高網(wǎng)絡(luò)的檢測(cè)精度[22]。在DBM中,不僅包含自底而上的傳播訓(xùn)練,而且包含自頂向下的參數(shù)反饋,其具有較高的數(shù)據(jù)泛化能力和良好的魯棒性,能夠很好地傳播模糊輸入的不確定性。

RBM包含可見層v和隱藏層h,可見層是輸入數(shù)據(jù)的特征表征,本文中為2期遙感影像第一主成分向量化得到的向量組,即影像的灰度特征;隱藏層是描述可見層與隱藏層對(duì)應(yīng)向量之間的依賴關(guān)系,2層節(jié)點(diǎn)之間存在權(quán)重和偏置項(xiàng),是進(jìn)行特征提取的關(guān)鍵學(xué)習(xí)參數(shù)。圖5展示了一個(gè)由3層RBM構(gòu)成的DBM網(wǎng)絡(luò)結(jié)構(gòu),各層內(nèi)部神經(jīng)元之間互相無連接,層與層之間無向連接。

圖5 由3層RBM構(gòu)成的DBM網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 DBM network structure composed of three-layer RBM

在RBM模型中,給定一組狀態(tài)(v,h),定義其能量函數(shù)為:

(2)

式中:vi、ai分別為可見層第i個(gè)向量的狀態(tài)和偏置,hj、bj分別為隱藏層第j個(gè)向量的狀態(tài)和偏置,wj,i為隱藏層第j個(gè)向量與可見層第i個(gè)向量的連接權(quán)重,θ=(W,a,b)表示RBM中的學(xué)習(xí)參數(shù)。由式(2)可得,可見層向量v的邊緣分布如式(3)所示:

(3)

當(dāng)輸入可見層時(shí),各隱藏層向量的激活狀態(tài)彼此獨(dú)立,反之給定隱藏層狀態(tài)時(shí),可見層各向量的激活狀態(tài)也獨(dú)立。故根據(jù)式(2)和式(3),隱藏層的條件概率(即隱藏層向量的激活概率)可表示為:

(4)

式中:sigmoid函數(shù)為激活函數(shù),wk表示權(quán)重W的第k組向量。

最大化似然函數(shù)是訓(xùn)練RBM的目標(biāo),即為了得到最優(yōu)的學(xué)習(xí)參數(shù)θ,需要將邊緣分布函數(shù)對(duì)每個(gè)參數(shù)求偏導(dǎo)數(shù)。在本文RBM的訓(xùn)練過程中,對(duì)最優(yōu)參數(shù)的逼近采用對(duì)比散度(Contrastive Divergence,CD)方法,即進(jìn)行k步Gibbs采樣完成權(quán)重的更新,使RBM模型收斂。而在Hinton[23]的驗(yàn)證中,一般取k=1即可得到良好的訓(xùn)練效果。為計(jì)算得到最優(yōu)的參數(shù)θ,采用梯度上升的方法通過迭代更新各參數(shù)進(jìn)而使模型收斂,各參數(shù)迭代更新方法如下式:

(5)

(6)

Δbi+[P(hi=1|v(0))-P(hi=1|v(k))]。

(7)

在給定可見層輸入數(shù)據(jù)v0時(shí),計(jì)算隱藏層神經(jīng)元被激活的概率,以此再反向確定可見層各神經(jīng)元被激活的概率,從而實(shí)現(xiàn)可見層單元的重構(gòu),而在DBM中的上層RBM隱藏層(輸出層)即為下層RBM的輸入層。DBM通過初始化權(quán)重設(shè)置,使用貪婪學(xué)習(xí)逐層在RBM中訓(xùn)練優(yōu)化模型的學(xué)習(xí)參數(shù),故中間層均受其上下2層影響,且從底層到高層盡可能多地保留特征信息;再將上節(jié)生成的監(jiān)督樣本變化標(biāo)記向量化后作為監(jiān)督樣本輸入模型。根據(jù)標(biāo)記對(duì)輸出層狀態(tài)進(jìn)行分類,反向?qū)γ繉訁?shù)進(jìn)行微調(diào),方法如式(8)所示,使得網(wǎng)絡(luò)達(dá)到更優(yōu)的狀態(tài)。在DBM中可見層和隱藏層的狀態(tài)均為二值狀態(tài),故最終的檢測(cè)結(jié)果是變化標(biāo)記的二值圖。

Δwi,j=(vhT-v′h′T),

(8)

經(jīng)過實(shí)驗(yàn),本文方法對(duì)于DBM參數(shù)設(shè)置如下:采用18-90-36-2的3層網(wǎng)絡(luò)結(jié)構(gòu),即通過3×3移動(dòng)窗口向量化測(cè)試數(shù)據(jù)影像組PC1和變化標(biāo)記;迭代次數(shù)設(shè)置為30;因測(cè)試數(shù)據(jù)對(duì)應(yīng)變化標(biāo)記分布隨機(jī)且不均勻,選擇批處理大小為2 000;初始學(xué)習(xí)率為0.01,動(dòng)量學(xué)習(xí)率為0.5。在此基礎(chǔ)上,本文方法實(shí)現(xiàn)了變化檢測(cè)過程的自動(dòng)化過程,為多光譜遙感影像變化檢測(cè)流程化應(yīng)用提供了一種解決方案。

2.3 變化檢測(cè)精度評(píng)價(jià)

為驗(yàn)證基于本文方法的變化檢測(cè)結(jié)果精度,將檢測(cè)結(jié)果與數(shù)據(jù)集標(biāo)準(zhǔn)參考變化影像進(jìn)行像元統(tǒng)計(jì),并采用總體準(zhǔn)確率(Overall Accuracy,OA)、誤檢率(False Positive Rate,FPR)、漏檢率(False Negative Rate,FNR)和召回率(Recall,RE)等4個(gè)指標(biāo)對(duì)檢測(cè)結(jié)果進(jìn)行精度評(píng)價(jià),計(jì)算公式中各參量見表2所示的變化檢測(cè)誤差矩陣[24]。

表2 變化檢測(cè)誤差矩陣Tab.2 Error matrix of change detection

TP、TN、FP和FN分別表示正確檢測(cè)變化、正確檢測(cè)未變化、錯(cuò)誤檢測(cè)變化和錯(cuò)誤檢測(cè)未變化的像元數(shù)目。通常,指標(biāo)OA和RE的值越高表示變化檢測(cè)精度越高,而FPR和FNR的值越低越好。

3 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文方法的可行性與有效性,分別設(shè)置變化向量分析方法(Change Vector Analysis,CVA)[8]、迭代加權(quán)多元變化檢測(cè)方法(Iterative Reweighted Multivariate Alteration Detection,IRMAD)[25]、ISODATA(Iterative Self-Organizing Data Analysis Techniques Algo-rithm)分類后變化檢測(cè)方法[26]和ResNet變化檢測(cè)方法[16]等4組對(duì)照實(shí)驗(yàn)。通過對(duì)測(cè)試數(shù)據(jù)集所有影像對(duì)的變化檢測(cè)結(jié)果與參考變化影像按照變化檢測(cè)誤差矩陣進(jìn)行像元統(tǒng)計(jì),并計(jì)算各方法檢測(cè)結(jié)果對(duì)應(yīng)的各項(xiàng)精度評(píng)價(jià)指標(biāo),結(jié)果如表3所示。另外,增加輸入DBM的監(jiān)督樣本的精度指標(biāo),分析監(jiān)督樣本的可靠性。

實(shí)驗(yàn)中傳統(tǒng)方法的變化二值圖是在變化灰度圖的基礎(chǔ)上應(yīng)用大津閾值算法進(jìn)行自動(dòng)閾值分割,并使用9×9大小的移動(dòng)窗口進(jìn)行平滑和聚合得到。IRMAD方法迭代次數(shù)和閾值分別為30、0.001;ISODATA方法類別數(shù)目設(shè)置為10。而基于深度學(xué)習(xí)的ResNet方法首先將數(shù)據(jù)集裁剪成256 pixel×256 pixel大小的樣本,重疊度50%;然后按照9∶1的比例劃分訓(xùn)練集和驗(yàn)證集,選擇ResNet-50作為骨干模型,批處理大小為8,初始學(xué)習(xí)率為0.01,迭代次數(shù)為200。

表3 對(duì)照實(shí)驗(yàn)變化檢測(cè)結(jié)果精度Tab.3 Accuracy of change detection for control experiments

實(shí)驗(yàn)選取8組具有代表性的數(shù)據(jù)樣本,見圖6(a)～圖6(h),每一行表示一組樣本,列分別展示其前后時(shí)相影像及相應(yīng)的變化影像、對(duì)照實(shí)驗(yàn)各方法的檢測(cè)結(jié)果、本文方法檢測(cè)結(jié)果和輸入DBM的監(jiān)督樣本標(biāo)記;灰度圖中白色表示檢測(cè)變化,黑色表示檢測(cè)未變化。

監(jiān)督樣本的總體準(zhǔn)確率為89.75%,誤檢率為4.06%,漏檢率和召回率分別為72.07%和27.93%。將其輸入DBM進(jìn)行訓(xùn)練后得到最終的變化檢測(cè)結(jié)果,漏檢率和召回率精度指標(biāo)有很大提升,提升幅度均超過了33%。但其誤檢率由4.06%增加到6.42%,說明輸入DBM的監(jiān)督樣本的精度直接影響最終的變化檢測(cè)結(jié)果;總體準(zhǔn)確率指標(biāo)提升0.94%。

由表3可以看出,相較傳統(tǒng)方法,基于深度學(xué)習(xí)的ResNet變化檢測(cè)方法和本文方法的各項(xiàng)精度指標(biāo)都表現(xiàn)很好,其中ResNet方法的總體檢測(cè)準(zhǔn)確率取得了最優(yōu)值,為93.51%;而本文方法在漏檢率和召回率指標(biāo)具有優(yōu)勢(shì),總體的準(zhǔn)確率也超過了90%,具有較高的檢測(cè)能力。雖然基于變換的IRMAD方法的總體檢測(cè)準(zhǔn)確率和誤檢率指標(biāo)表現(xiàn)出良好的性能,但其遺漏檢測(cè)和召回率是最差的。而基于代數(shù)的CVA方法和基于分類的ISODATA方法的各項(xiàng)評(píng)價(jià)指標(biāo)結(jié)果基本一致,表現(xiàn)出較高的錯(cuò)誤和遺漏檢測(cè)。本文方法考慮融合遙感影像的光譜和紋理變化,改善了傳統(tǒng)方法僅關(guān)注某方面特征表達(dá)能力的缺點(diǎn),并結(jié)合DBM通過監(jiān)督訓(xùn)練的方式進(jìn)一步提取變化特征,得到的變化檢測(cè)結(jié)果漏檢率最低且召回率最高,驗(yàn)證了該方法的可行性和有效性。

圖6中數(shù)據(jù)樣本組圖6(a)～圖6(h)的變化影像主要為新增建筑物變化標(biāo)記,而部分?jǐn)?shù)據(jù)存在未關(guān)注其他類別的變化:如圖6(a)和圖6(h)中存在林草地—裸土的地表變化、圖6(b)和圖6(c)中存在新增道路和不透水面的地表變化,另外圖6(h)中存在新增建筑物遺漏標(biāo)記的情形。實(shí)驗(yàn)結(jié)果中部分方法如CVA、ISODATA和監(jiān)督樣本生成方法對(duì)于該部分變化同樣敏感,能夠檢測(cè)出該類變化,然而用于精度檢驗(yàn)的變化影像存在標(biāo)記缺失問題,使得該部分實(shí)際變化被歸為錯(cuò)誤檢測(cè),進(jìn)而影響其精度評(píng)價(jià)指標(biāo)。

從監(jiān)督樣本和本文方法的實(shí)驗(yàn)結(jié)果示例可以看出,本文方法檢測(cè)結(jié)果依賴于監(jiān)督樣本,同時(shí)考慮光譜與紋理變化的監(jiān)督樣本生成方法對(duì)于地表變化的邊緣敏感,尤其對(duì)于建筑輪廓、新增道路和不透水面等具有良好的邊緣表達(dá),如圖6(d)、圖6(e)、圖6(f)和圖6(g)。CVA方法和ISODATA方法的檢測(cè)結(jié)果具有一定的相似性,對(duì)于建筑變化的邊緣描述不夠具體,密集的變化圖斑聚合較多且存在中心孔洞,如圖6(d)和圖6(e)。而IRMAD方法具有最差的檢測(cè)效果,存在大量的遺漏檢測(cè),這與表3所示的精度指標(biāo)是一致的,該方法在變化檢測(cè)中對(duì)于地表變化與非變化的表征不具穩(wěn)定性,主要受前后時(shí)相地物光譜差異大小的影響。ResNet方法則是基于訓(xùn)練樣本的變化檢測(cè),因數(shù)據(jù)集更多地關(guān)注建筑變化,故其檢測(cè)結(jié)果同樣在建筑變化檢測(cè)上具有優(yōu)勢(shì),尤其在圖6(h)中將遺漏標(biāo)記的新增建筑識(shí)別出來,但其對(duì)于變化邊緣的表達(dá)同樣欠缺,密集變化圖斑存在大面積聚合。

通過結(jié)合人工判別和定量評(píng)價(jià)指標(biāo)對(duì)變化檢測(cè)結(jié)果進(jìn)行分析討論,本文方法的檢測(cè)結(jié)果在檢全和提取變化地物邊緣方面具有優(yōu)勢(shì),并且能夠提取各類復(fù)雜的地表變化,表明本文方法對(duì)于地物變化檢測(cè)具有適用性,同時(shí)最終的檢測(cè)結(jié)果依賴于監(jiān)督樣本的準(zhǔn)確性。

4 結(jié)論

為通過2期多光譜遙感影像判斷同一區(qū)域的地表類型是否發(fā)生變化,考慮充分挖掘遙感影像的深層特征而提出了一種基于DBM的自監(jiān)督訓(xùn)練變化檢測(cè)方法,應(yīng)用標(biāo)準(zhǔn)數(shù)據(jù)集的測(cè)試實(shí)驗(yàn)結(jié)果表明,本文方法可以應(yīng)用于雙時(shí)相遙感影像的變化檢測(cè)過程,并且取得較高的檢測(cè)精度。最終可以得出如下結(jié)論:

① 本文方法變化檢測(cè)結(jié)果的總體準(zhǔn)確率達(dá)90%以上,召回率超過60%,表明該方法應(yīng)用于變化檢測(cè)過程的可行性和有效性,且整體優(yōu)于傳統(tǒng)的變化檢測(cè)方法。相比其他基于大量訓(xùn)練的深度學(xué)習(xí)方法,本文方法在提取各種復(fù)雜地表變化時(shí)表現(xiàn)更為全面,而非只關(guān)注訓(xùn)練樣本中的類別變化。同時(shí)該方法能夠根據(jù)前后時(shí)相遙感影像自動(dòng)獲得監(jiān)督樣本并輸入DBM進(jìn)行訓(xùn)練,優(yōu)化網(wǎng)絡(luò)參數(shù)以提高變化特征提取的準(zhǔn)確性,為雙時(shí)相多光譜遙感影像變化檢測(cè)的流程化應(yīng)用提供了一種新的方案。

② 綜合考慮影像光譜和紋理變化、結(jié)合DBM的變化檢測(cè)方法對(duì)于變化地物的邊緣敏感,能夠獲得較為準(zhǔn)確清晰的變化地物邊界,且變化圖斑完整。而本文使用的測(cè)試數(shù)據(jù)集更注重建筑的變化,對(duì)于道路、裸地和不透水面變化等關(guān)注較少,而該類變化的檢測(cè)結(jié)果在驗(yàn)證中因參考未標(biāo)記被錯(cuò)分,一定程度上影響了整體精度。由于地物實(shí)際變化復(fù)雜多樣,在深度學(xué)習(xí)中基于樣本監(jiān)督訓(xùn)練的方法對(duì)于變化檢測(cè)數(shù)據(jù)集前后時(shí)相地表變化的準(zhǔn)確標(biāo)注極其重要,故變化檢測(cè)標(biāo)準(zhǔn)數(shù)據(jù)集的變化影像標(biāo)注和監(jiān)督樣本的確定需要更加準(zhǔn)確的先驗(yàn)知識(shí)支撐。

③ 本文方法是一種基于DBM的自監(jiān)督訓(xùn)練變化檢測(cè)方法。若某一區(qū)域存在一組前后時(shí)相的2期遙感影像,即可依據(jù)其光譜和紋理變化選定該組數(shù)據(jù)的變化區(qū)域作為監(jiān)督樣本輸入DBM進(jìn)行訓(xùn)練,得到最終的變化檢測(cè)結(jié)果。該方法具有廣泛的適用性和靈活性,而且擺脫了深度學(xué)習(xí)中基于大量訓(xùn)練數(shù)據(jù)進(jìn)行變化檢測(cè)方法的數(shù)據(jù)約束。但監(jiān)督樣本的精度仍然是影響最終變化檢測(cè)結(jié)果的關(guān)鍵,因此如何提升監(jiān)督樣本的檢測(cè)精度還需要進(jìn)一步研究。