面向異源影像的FCM-SBN-CVAPS多尺度變化檢測方法

武錦沙,楊樹文,2,3,李軼鯤,2,3,趙志威,鄭 耀,付昱凱

(1. 蘭州交通大學(xué)測繪與地理信息學(xué)院,甘肅 蘭州 730070; 2. 地理國情監(jiān)測技術(shù)應(yīng)用國家地方聯(lián)合工程研究中心,甘肅 蘭州 730070; 3. 甘肅省地理國情監(jiān)測工程實驗室,甘肅 蘭州 730070)

變化檢測是分析不同時相遙感圖像變化的過程,如地物位置、范圍、性質(zhì)、狀態(tài)的變化,被廣泛應(yīng)用于城市規(guī)劃、環(huán)境監(jiān)測、農(nóng)業(yè)調(diào)查和災(zāi)害評估等方面[1-4]。災(zāi)害應(yīng)急條件下難以及時獲得同源影像,且同源影像變化檢測難以應(yīng)對復(fù)雜的實際場景,因此,異源影像變化檢測已成為目前備受關(guān)注的研究方向[5]。

異源影像由于成像機理不同,可能具有不同的空間分辨率、光譜、紋理特征等,復(fù)雜的外部環(huán)境容易造成地物的亮度、對比度等差異,這些差異加重了同物異譜、異物同譜現(xiàn)象,造成變化檢測結(jié)果出現(xiàn)噪聲現(xiàn)象[6-7]。為了提高影像變化檢測精度,一些學(xué)者從抑制斑點噪聲角度出發(fā)進行了相關(guān)研究。文獻[8]將模糊C均值聚類(fuzzy C-means, FCM)和馬爾可夫隨機場(Markov random field,MRF)模型進行結(jié)合,減弱了椒鹽噪聲,生成較為精確的變化檢測結(jié)果,但計算時間較長。文獻[9]通過實現(xiàn)半監(jiān)督FCM聚類生成差分圖,有助于降低噪聲,但是該方法與標(biāo)準(zhǔn)的FCM類似,忽略了一些重要的變化。

上述方法對像素的光譜特征依賴性大,容易造成變化檢測錯誤,將對象作為基本處理單元有利于圖像信息的識別。此外,固定尺度的地物識別易受影像光譜等差異的影響,而多尺度目標(biāo)用于變化檢測可更準(zhǔn)確地反映地物的變化信息[10]。文獻[11]使用影像分割來獲取對象,考慮多種對象特征,變化檢測精度高,但是僅僅在單個分割尺度上進行變化檢測,不同類型地物其尺度可能存在較大差別,得到的對象無法滿足所有變化類型的需求。文獻[12]進行對象多尺度分割,考慮不同尺度大小的地物變化,避免了變化檢測時易受光譜差異的問題,但易受閾值判定的影響。

異源影像變化檢測可以通過深度學(xué)習(xí)技術(shù)解決,如條件生成對抗網(wǎng)絡(luò)[13]、無監(jiān)督對稱卷積耦合網(wǎng)絡(luò)[14]。分類后比較法是異源影像變化檢測的一種可行性方案,不需要大型的訓(xùn)練集,而圖像分類誤差累積容易導(dǎo)致變化檢測時出現(xiàn)誤檢。已有研究表明后驗概率空間變化向量分析法(change vector analysis in posterior probability space,CVAPS)可以減少誤差累積[15-16]。

為了減少變化檢測的錯檢、漏檢問題,本文充分利用后驗概率空間變化向量分析法的優(yōu)勢,提出一種面向異源影像的FCM-SBN-CVAPS多尺度變化檢測方法。該方法通過圖像增強處理異源影像,改善圖像質(zhì)量,利用復(fù)合樣本和子類樣本實現(xiàn)大、小目標(biāo)變化檢測,以處理不同尺度地物的變化,從而取得較高的變化檢測精度。

1 研究方法

本文構(gòu)建的方法整體流程如圖1所示,主要包括3個步驟: ①異源影像預(yù)處理,完成異源影像配準(zhǔn)等處理,通過圖像增強改善影像質(zhì)量; ②目標(biāo)后驗概率向量計算,對兩期影像進行FCM-SBN大、小目標(biāo)后驗概率向量估計; ③多尺度變化檢測,利用后驗概率空間變化向量分析法實現(xiàn)變化檢測,分為大、小目標(biāo)變化信息提取,獲取多尺度異源影像變化檢測結(jié)果。

圖1 FCM-SBN-CVAPS多尺度變化檢測流程

1.1 異源影像圖像增強

衛(wèi)星影像可能存在亮度不高的情況,會降低影像的可視性,從而使變化檢測結(jié)果產(chǎn)生一定的噪聲[17]。因此本文實現(xiàn)了3種圖像增強方法,如圖2所示。

圖2 異源影像增強結(jié)果

(1)Gamma變換。像素間的灰度差異越大,相似性越小,變化幅度越大[18]。根據(jù)Gamma曲線變換原理,當(dāng)γ值小于1時,會壓縮灰度值較高的區(qū)域,拉伸灰度值較低的區(qū)域[19]。圖2(b)為Gamma變換圖,γ參數(shù)設(shè)置為0.7,整體上與變換前作對比,影像不再泛灰。

(2)Robust Retinex模型。將圖像轉(zhuǎn)換為HSV空間,分解得到照明分量和反射分量,調(diào)整照明度,利用調(diào)整后的照明度生成增強的結(jié)果,最后轉(zhuǎn)換回RGB顏色空間[20]。圖2(c)為圖像增強結(jié)果,正規(guī)化參數(shù)β、ω、δ、γ分別設(shè)置為0.05、0.01、1、1.5,有效解決了影像可見光譜上的失真,符合地物的真實光譜,增強后的影像對比度明顯提高。

(3)微光圖像增強(low-light image enhancement, LIME)。為了保持整體結(jié)構(gòu)和平滑紋理細節(jié),根據(jù)良好的光照映射實現(xiàn)圖像增強[21]。圖2(d)為LIME模型增強結(jié)果,系數(shù)α、γ分別設(shè)置為0.03、0.5。圖像經(jīng)過處理后,不僅具有豐富的光譜信息,還增強了模糊的邊緣,能夠展現(xiàn)出更多的地物細節(jié)。因此,本文采用LIME模型進行變化檢測前的增強處理。

1.2 基于FCM-SBN目標(biāo)后驗概率向量估計

通過FCM方法計算異源影像每個像素點隸屬的信號類,耦合SBN估計每個像素點屬于每種地物的后驗概率向量[15]。信號類是具有某種典型光譜或紋理特征的像素,與影像密切相關(guān),本文方法利用復(fù)合類型樣本和子類樣本實現(xiàn)信號類的大、小目標(biāo)后驗概率向量估計。

1.2.1 基于FCM-SBN大目標(biāo)后驗概率向量估計

經(jīng)過圖像增強處理,由于影像拍攝時的曝光情況或增強過度導(dǎo)致有的地物光譜仍不具真實性,且不同地物的分離度不高,進而造成分類錯誤。為了減弱變化檢測的誤檢,在FCM-SBN方法基礎(chǔ)上,實現(xiàn)基于FCM-SBN大目標(biāo)后驗概率向量估計,流程如圖3所示,具體步驟如下。

圖3 FCM-SBN大目標(biāo)后驗概率向量估計流程

(1)建立不同地物的樣本集,形成子類地物樣本。地物顏色存在差異,同一種地物可能表現(xiàn)出兩種以上的顏色,同一顏色可能代表兩種以上類型的地物。

(2)更新樣本集。為了提高樣本之間的分離度,將同種色或類似色的地物樣本進行組合,構(gòu)成復(fù)合類型地物樣本。如將代表綠地和水系樣本合并為同一類,使其成為生態(tài)區(qū)大目標(biāo)的樣本。生態(tài)區(qū)作為復(fù)合類型地物,不區(qū)分綠地和水系,但能準(zhǔn)確判斷出生態(tài)區(qū)。

(3)利用FCM-SBN,準(zhǔn)確估計大目標(biāo)地物后驗概率向量。FCM提取的信號類與地物往往沒有直接建立一一對應(yīng)的關(guān)系,而SBN可以很好地解決這一問題,因此,使用FCM-SBN估計每個像素屬于各個地物的后驗概率。根據(jù)SBN的計算原則,像素pi,j屬于地物L(fēng)v的后驗概率可表示為

(1)

根據(jù)貝葉斯公式,P(Lv|wk)可表示為

(2)

因此,可得式(1)的變形公式為

(3)

根據(jù)全概率公式,P(wk)可表示為

(4)

由代表每種地物的樣本計算條件概率P(wk|Lv), FCM聚類計算的模糊隸屬度可以估計P(wk|pi,j),并將其代入式(3),可得出像素點pi,j屬于每種地物類型Lv的后驗概率。

1.2.2 基于FCM-SBN小目標(biāo)后驗概率向量估計

基于FCM-SBN的大目標(biāo)后驗概率向量估計,能夠有效減少變化檢測的錯檢。但是,將同種色或類似色的不同地物樣本組合成復(fù)合類型地物樣本,可能會導(dǎo)致其子類地物之間的變化檢測效果較差,甚至出現(xiàn)漏檢現(xiàn)象。因此,本文提出了基于FCM-SBN的小目標(biāo)后驗概率向量估計。該方法具體步驟如下。

(1)小目標(biāo)后驗概率向量估計。使用子類地物樣本數(shù)據(jù),訓(xùn)練FCM-SBN模型。

(2)提取子類樣本所在區(qū)域。將大目標(biāo)復(fù)合類型地物樣本中的子類地物1和地物2提取,其他地物標(biāo)記為0,得到基于FCM-SBN的小目標(biāo)后驗概率向量。例如,進行大目標(biāo)后驗概率向量估計,將居民地和道路兩種地物劃為一種復(fù)合類型地物,可能會導(dǎo)致變化檢測結(jié)果無法反映兩者之間的變化信息。因此,為了減少漏檢現(xiàn)象,針對居民地和道路兩個子類地物,實現(xiàn)基于FCM-SBN小目標(biāo)后驗概率向量估計,進行相應(yīng)的小目標(biāo)變化檢測,對大目標(biāo)變化檢測結(jié)果進行補充。

1.3 基于CVAPS的多尺度變化檢測

將對象劃分為大、小目標(biāo)實現(xiàn)多尺度變化檢測,減少對影像光譜特征的依賴性。光譜變化類型有輕微變化、中度變化和劇烈變化3種,其中輕微變化會造成變化像元的過高估計。為了解決這一問題,學(xué)者們在變化檢測過程中提出了后驗概率空間變化向量分析法[22]。通過FCM-SBN計算目標(biāo)像素后驗概率向量,采用變化向量分析方法對兩期結(jié)果進行差值運算,得到后驗概率變化向量,其計算公式為

Δρ=ρ1-ρ2

(5)

計算歐式距離獲取后驗概率變化向量強度,選擇合適的閾值方法區(qū)分不同變化類型,減弱過高估計對變化像元的誤判,凸顯變化區(qū)域和未變化區(qū)域[22]。將大目標(biāo)變化檢測與小目標(biāo)變化檢測信息疊加,得到最終的FCM-SBN-CVAPS多尺度變化檢測結(jié)果。

2 試驗結(jié)果與分析

2.1 試驗數(shù)據(jù)

試驗采用的兩組異源影像數(shù)據(jù)均經(jīng)過輻射校正、圖像配準(zhǔn)等預(yù)處理工作,如圖4和圖5所示,數(shù)據(jù)由全色和多光譜數(shù)據(jù)融合而成,包括紅、綠、藍3個波段,詳細信息見表1。

表1 數(shù)據(jù)詳情

表2 試驗1變化檢測結(jié)果評價指標(biāo)

表3 試驗2變化檢測結(jié)果評價指標(biāo)

圖4 試驗1的高分一和高分二影像

圖5 試驗2的高分二和GEOVIS影像

2.2 變化檢測試驗與分析

為了驗證本文提出的面向異源影像FCM-SBN-CVAPS多尺度變化檢測方法的有效性,將其與SVM-PCC[15]、SVM-CVAPS[15]、SVM-CVAPS多尺度變化檢測、FCM-SBN-PCC[15]、FCM-SBN-CVAPS[15]方法分別進行對比。試驗1、試驗2的變化檢測結(jié)果分別如圖6、圖7所示,其中,白色代表變化區(qū)域,黑色代表未變化區(qū)域。通過計算錯檢率、漏檢率、總體精度及Kappa系數(shù)指標(biāo)實現(xiàn)方法的定量評估[23],各評價指標(biāo)是在多次試驗下取平均值。

圖6 試驗1變化檢測結(jié)果

圖7 試驗2變化檢測結(jié)果

SVM-PCC方法相比于SVM-CVAPS、SVM-CVAPS多尺度變化檢測方法,漏檢情況最低,而錯檢率最高,因此Kappa系數(shù)較低,且FCM-SBN-PCC方法類似于SVM-PCC方法。由變化檢測效果可看出,FCM-SBN-CVAPS多尺度變化檢測方法整體效果較好,針對不同尺度目標(biāo)計算對象內(nèi)部像素變化,減少異源影像變化檢測的錯檢,降低漏檢率。試驗1的FCM-SBN-CVAPS多尺度變化檢測錯檢率為20.79%,漏檢率為17.05%,Kappa系數(shù)達到0.786 7;試驗2的FCM-SBN-CVAPS多尺度變化檢測錯檢率為24.61%,漏檢率為4.74%,Kappa系數(shù)達到0.818 8。與FCM-SBN-CVAPS方法相比,FCM-SBN-CVAPS多尺度變化檢測總體精度提高4%～5%,由于使用FCM-SBN-CVAPS方法進行變化檢測,兩組試驗錯檢率、漏檢率都較高,而FCM-SBN-CVAPS多尺度變化檢測可以同時降低錯檢率和漏檢率,因此總體精度和Kappa系數(shù)都有所提高。總體上,與其他5種比較方法相比,FCM-SBN-CVAPS多尺度變化檢測方法可以減少錯檢、漏檢情況,檢測出較小的變化區(qū)域,具有更高的精度。

3 結(jié) 語

本文提出了一種面向異源影像的FCM-SBN-CVAPS多尺度變化檢測方法。通過實現(xiàn)大目標(biāo)變化檢測,減少了異源影像變化檢測時的錯檢;同時進行的小目標(biāo)變化檢測,可檢測出漏檢的小目標(biāo),降低了漏檢率;相比FCM-SBN-CVAPS方法,在精度上有所提高。試驗結(jié)果驗證了本文方法的可靠性,無須大型的訓(xùn)練集,即可降低錯檢率、漏檢率,且總體精度和Kappa系數(shù)均高于對比算法。對照人工變化檢測圖,本文方法未能檢測出部分小目標(biāo)變化信息,未來可進一步引入空間信息,進而獲取更低的錯檢率和漏檢率。