一种高分辨率遥感影像变化检测方法

遥感影像变化检测技术通过比较同一地理区域不同时相的遥感影像,以识别该地理区域发生的变化。由于其具备高时效和低成本的优点,遥感影像变化检测技术近年来应用非常广泛,在土地利用和土地覆盖变化检测、森林植被变化检测、灾害治理和国土资源调查方面发挥了极大作用^{[1⇓⇓⇓-5]}。

目前,多数变化向量分析(change vector analysis,CVA)法^[6⇓-8]基于变化强度图进行变化检测,如Li等 ^[9]提出了基于CVA和非下采样轮廓波变换(nonsubsampled-contourlet transform,NSCT)的遥感图像变化检测方法(CVA-NSCT),该方法通过NSCT分解CVA变化强度图,实现了不同方向和尺度的变化检测^[10⇓-12]。然而,不同地物在CVA变化强度图中的变化幅度往往不同,使用单一阈值时CVA-NSCT法难以保证检测精度。由此,Chen等 ^[13]通过研究分类后比较(post classification comparison,PCC)法和CVA的特点^[14-15],提出了一种后验概率空间变化向量分析(change vector analysis in posterior probability space,CVAPS)法。在CVAPS框架下,由于每个像素属于某种地物的后验概率在0~1范围内,使得基于后验概率变化向量计算得到的不同类型变化幅度在相同的范围内,使其更适于使用单一阈值进行变化检测。因此,与CVA-NSCT相比,将CVAPS与NSCT结合很可能提高变化检测的精度。

然而,原始的CVAPS法利用支持向量机(support vector machine,SVM)估计像素的后验概率向量,会受到图像中混合像元等问题的影响^[16]。因此,李轶鲲等^[17]提出了耦合模糊C均值聚类(fuzzy C-means, FCM)和简单贝叶斯网络(simple Bayesian network,SBN)的CVAPS方法(FCM-SBN-CVAPS)。该方法通过FCM算法以不同的隶属度将遥感影像中混合像元分解为不同的信号类,有效地缓解了混合像元问题。之后,通过SBN^[18]建立信号类和地物之间的多对多的随机链接,计算出遥感影像中各像元的后验概率空间向量。但是,该模型仅适用于中低分辨率的图像,在高分辨率遥感影像变化检测中无法取得较高的精度。

综上所述,本文将FCM-SBN-CVAPS与NSCT相结合,提出了一种新的变化检测方法FCM-SBN-CVAPS-NSCT。该方法用NSCT将FCM-SBN-CVAPS法生成的变化强度图在不同方向和尺度上,分解成噪声方差不同的高频子图。由于CVAPS变化强度图中不同类型的变化幅度范围一致,因此每个高频子图可以通过单一阈值较好地检测出某一尺度和方向的变化,从而提高最终变化检测的精度。本文提出的变化检测方法的贡献在于: 使用NSCT分解CVAPS变化强度图,在后验概率空间,实现多尺度和多方向的变化检测,以提高高分辨率遥感影像变化检测的精度。

本文提出了一种多模式结合的变化检测算法FCM-SBN-CVAPS-NSCT,总体流程如图1所示。

本文所使用的FCM-SBN-CVAPS方法模型为像素、信号和地物构成的3层SBN网络(图2)。

FCM聚类源自于普通C均值聚类,能够将单一像素以不同隶属度分解成不同的信号类,从而解决遥感图像中常存在的混合像元问题。

NSCT是一种多尺度、多方向的图像变换方法,它可以将图像分解成不同频率和方向的子带,提取出图像的局部特征,具有较好的局部特征表示和较好的多分辨率特性。

NSCT由正交对称的小波变换(undecimated wavelet transform,UWT)和轮廓波变换(contourlet transform,CT)2个步骤组成。UWT可以将图像分解成不同频率的子带。CT可以将图像分解成不同尺度和不同方向的子带,提取出图像中的局部特征。为了避免下采样的影响,NSCT使用了非下采样的方式进行CT,得到了更好的多尺度和多方向的特征表示。由于没有上采样和下采样的过程,所有子带的大小与原始图像相同,因而NSCT具有平移不变性的特点。

如图3所示,各层子带分解方向数为2ⁿ图中所示为采用三层分解的NSCT结构在第一尺度上有8个方向的子带,在第二尺度上有4个方向的子带。

本文基于FCM-SBN-CVAPS-NSCT生成的变化强度图,采用Otsu阈值算法生成初始变化二值图。然而,由于影像中的噪音影响,初始变化二值图中有大量的细小相斑和孔洞,影响检测精度。本文在变化二值图中删除小于一定面积的相斑,并通过形态学膨胀填充孔洞。然而,经过形态学膨胀,有些孔洞依然无法被填充。因此,本文最终将小于一定面积的孔洞直接删除。相斑和孔洞的删除面积,及形态学膨胀的结构体尺寸均由实验确定。为了保证对比实验的客观性,本文所有对比算法均采用同样的后处理流程。

本文所使用的3组不同研究区影像来自商汤科技主办的AI瞰世界·2020人工智能遥感解译大赛所使用的SenseEarth平台数据集(https://rs.sensetime.com/),分辨率为3 m,影像尺寸为512像素×512像素。研究区1实验影像共包含4类地物,分别为: 建筑、荒地、林地和水体。研究区2实验影像共包括5类地物,分别为: 空地类型I,空地类型II,树木,草地,建筑物。研究区3实验影像共包括5类地物: 空地,道路,建筑物类型I,建筑物类型II和建筑物类型III。实验所用遥感影像经过了辐射校正、几何纠正和图像配准等预处理操作。算法运行环境为 Intel(R)Core(TM)i7-1165G7 2.80 GHz,24 G内存,4核8线程处理器。为了验证方法的有效性,本文实现了CVA-NSCT,CVA-NSCT-FCM,SVM-CVAPS和FCM-SBN-CVAPS算法,同本文提出的FCM-SBN-CVAPS-NSCT算法进行比较。

经实验确定,FCM-SBN-CVAPS和FCM-SBN-CVAPS-NSCT方法的运行参数为: 模糊度参数q=3.5,聚类中心数为30,每类地物训练样本数为1 000。如图所示,图4—6分别为研究区1—3的遥感影像及其变化检测结果。其中黄色区域为人工检测的变化区域,红色标记为不同算法检测的变化区域,绿色标记为不同算法的错检区域,浅蓝色标记为不同算法漏检的区域。

针对研究区1,从图4(d)—(e)中可以看出,CVA-NSCT没有明显的错检区域,而CVA-NSCT和CVA-NSCT-FCM两种算法的漏检区域面积均较大; 从图4(f)中可以看出相对其他算法,SVM-CVAPS算法错检区域范围明显更大。从图4(g)—(h)中可以发现,FCM-SBN-CVAPS-NSCT算法比FCM-SBN-CVAPS算法的错检范围小,且较好地保持了变化区域的边缘信息。

针对研究区2,从图5(d)—(f)中可以看出,CVA-NSCT,CVA-NSCT-FCM和SVM-CVAPS这3种算法有较大面积的漏检区域; 图5(e)—(h)中可以发现,FCM-SBN-CVAPS-NSCT算法的错检测区域和漏检区域相对较小。

针对研究区3,从图6(d)—(f)中可以看出,CVA-NSCT,CVA-NSCT-FCM和SVM-CVAPS这3种算法存在较多的错检区域; 从图6(g)—(h)中可以看出,FCM-SBN-CVAPS和FCM-SBN-CVAPS-NSCT算法只存在少量漏检区域,且FCM-SBN-CVAPS-NSCT的漏检区域更小。

本节实验针对研究区1每种地物分别选择1 000,2 000,3 000,4 000和5 000个训练像素,检测训练样本对算法性能的影响。实验结果如图7所示。

在聚类数为10条件下,随训练像素数增加,本文算法Kappa系数最小为0.823 2,最大为0.845 9,差异为0.022 6。在聚类数为30条件下,随着训练像素数增加,本文算法Kappa系数最小为0.837 9,最大为0.845 4,差异为0.007 5,曲线变化最为稳定。在聚类数为50条件下,随着训练像素数增加,本文算法Kappa系数最小为0.834 3,最大为0.843 8,差异为0.009 5。另外,当训练像素数为1 000时,不同聚类数下本文算法Kappa系数分别为: 0.843 6(聚类数10),0.845 4(聚类数30)和0.839 4(聚类数50)。因此,当聚类数达到一定数量,基于少量的训练像素数,本文算法就可以获得较好的结果,并且大大降低运行的时间,提高了效率。然而,由于不同遥感影像的光谱特点有差异,本实验中小样本条件下的最佳聚类数(30)不一定适用于其他影像。因此,本课题组下一步计划设计能够根据影像光谱特点自动确定合适聚类数的FCM算法。另外,在所有训练样本数下,本文算法均明显高于SVM-CVAPS和FCM-SBN-CVAPS。总之,本文算法在不同聚类数和训练像素数下,精度较为稳定。因此,用户容易确定合适的聚类数,并且只需要耗费较少的工作量选择训练样本,即可取得满意的变化检测结果。

为了测试q和聚类数对本文算法的影响,q取6个值,即1.5,2,2.5,3,3.5,4,聚类数选取10,30和50进行实验。从图8可以看出,随模糊参数的增大,FCM-SBN-CVAPS-NSCT方法的Kappa系数随之上升。在q<2时,本文算法Kappa<0.75,在q>2.5时,3种聚类数下,本文算法Kappa均超过了0.8。本文算法Kappa值在q=3.5时最高,在q>3.5时下降。这是由于过低和过高的模糊度参数会降低混合像元分解的精度,从而降低之后的变化检测性能。另外,如图8所示,聚类数也对本文算法性能有一定影响。聚类数为30时,Kappa系数值在不同模糊度参数q下均较高。在不同模糊度参数下,FCM-SBN-CVAPS-NSCT方法的Kappa系数均高于FCM-SBN-CVAPS方法。与FCM-SBN-CVAPS相比,本文算法在不同q下,性能更为稳定。因此,用户较容易选择合适的q,以取得满意的变化检测结果。

通过分析表1可以得知,对于研究区1, NSCT的分解层数为4时,变化检测结果的Kappa系数为0.857 1,比分解层数为3时高出了0.011 7,而对于研究区2和研究区3,分解层数为3时,变化检测结果的Kappa比分解层数为4时分别高出了0.050 4和0.043 8。由此可见,不同研究区遥感影像的光谱纹理特点不同,其最佳分解层数也不同。因此NSCT的最佳分解层数需要通过相关实验确定。就本文的3个研究区而言,NSCT的分解层数为3时,本文算法均取得较好的检测精度,因此将NSCT分解层数统一设置为3。

表1   NSCT分解层数对Kappa系数的影响

从研究区1—3的实验结果(表2—4)可知,本文算法虽然没有取得最低的错检率和漏检率,但总体精度和Kappa系数都明显高于其他算法。以表2为例,本文算法的总体精度和Kappa系数比FCM-SBN-CVAPS分别高出2.21百分点和0.100 9,证明了本文算法的有效性。同时,FCM-SBN-CVAPS-NSCT算法的性能也优于其他算法,其总体精度和Kappa系数比SVM-CVAPS分别高出5.67百分点和0.223 8,比 CVA-NSCT分别高出1.47百分点和0.139 2,比CVA-NSCT-FCM分别高出1.7百分点和0.118 0。本文算法性能优于CVA-NSCT和CVA-NSCT-FCM的原因是由于后验概率变化强度图中的不同类型变化强度在同一范围内,有效提高了单一阈值在变化检测中的效果。

表2   研究区1变化检测算法性能比较

论文提出了一种有监督的遥感影像变化检测算法FCM-SBN-CVAPS-NSCT。实验结果表明,由于后验概率变化强度图中不同类型的变化幅度范围一致,使本文算法在单一阈值条件下,比CVA-NSCT精度更高。

另外,由于引入了NSCT变换,本文算法实现了后验概率空间下的多方向和多尺度的变化检测。与FCM-SBN-CVAPS算法相比,本文算法精度更高且不易受参数影响,具有更高鲁棒性。

虽然,所提方法取得了令人满意的效果,但它需要通过实验确定SBN的模糊度q、信号类数量和NSCT尺度分解层数。因此,在未来的工作中,我们计划通过训练影像,自动确定最优模糊度q、信号类别数和NSCT尺度分解层数,以增强所提出算法的实用性。此外,由于NSCT变化在分解和重构过程耗时较长,降低了本文算法的效率。因此,如何提高算法效率,是下一步研究的目标。