自适应PCNN 和改进C－V结合的遥感图像变化检测

彭 钢，贾振红＋，覃锡忠，杨 杰，Nikola Kasabov

（1.新疆大学 信息科学与工程学院，新疆 乌鲁木齐830046；2.上海交通大学 图像处理与模式识别研究所，上海200240；3.新西兰奥克兰理工大学 知识工程与发现研究所，新西兰 奥克兰1020）

0 引 言

依据需不需要有训练样本，变化检测方法可分为两种：有监督变化检测、非监督变化检测［1］。由于先验训练集难以获得，非监督变化检测更多的被研究和应用。近年来国内外研究中，基于差异影像的非监督变化检测方法取得了非常好的发展。文献 ［2］中，将微粒群优化方法引入遥感信息变化检测领域，提出了基于微粒群优化方法的遥感信息变化检测方法，获得了较高的变化检测精度；文献 ［3］中，A.Ghosh等将模糊聚类方法引用到变化检测中，采用遗传算法和模拟退火算法的思想结合模糊聚类算法的思想，使得最后得到的分类结果能够很好地实现全局最优；文献［4］提出了一种基于NSCT 和FCM 聚类的SAR 图像无监督变化检测算法，能够很好地保留图像的细节。另外，也出现了许多比较有效而又新颖的方法，比如：文献 ［5］中的图像分割新方法；文献 ［6］中的基于聚类划分的方法；文献 ［7］中的基于四分量模型的方法。这些变化检测方法各有自己的优点与不足，它们在一些具体的问题上可以被很好地应用，因而这些方法都得到了广泛的应用。然而这些方法具有高对比度的差异影像的构造问题、准确高效的对差异影像分类界定变化区域的实现问题、变化检测的自动化程度的提高问题，到目前为止仍然是变化检测中需要进行深入研究的问题。

1 理论模型和实现算法

1.1 理论模型

图像差值法是对已经配准好的不同时间的两幅遥感影像中的对应像素的灰度值进行相减，从而获得一幅新的差值图像。差值图像反映了在两个时间段之间感兴趣区域所发生的变化信息［8］。图像比值法是对不同时间的两幅遥感影像 （已事先配准好的）中的对应像素的灰度值进行逐一相除，从而获得一幅新的比值图像［8］。由于这两种方法比较直观、容易，检测效率也非常快，所以常被用于变化检测。然而这两种方法往往不能考虑到所有的因素的影响，最后容易造成了大量图像信息的流失。如何获取保留图像信息较完好的差异图像成为了一个有待研究的问题。

为获取保留图像信息较完好的差异图像，本文引用了一种基于自适应PCNN神经网络的图像融合新算法［9］，基本原理是：PCNN神经网络对应神经元的链接强度值选择的是影像像素的EOL（反映了图像局部的清晰度）和SD（反映了图像灰度局部的对比度变化程度）；为了得到每一幅即将参与融合的图像的每一个特征对应的点火映射图，需要通过PCNN点火来实现；随后引用一个加权函数，来构造出每个已经参与融合的图像的新点火映射图；最后通过对各个已经参与融合的图像的新点火映射图进行相关比较，此处，融合后图像该像素点的像素值选取为点火次数最大者。本文引用自适应PCNN图像融合新算法对差值法差异图和比值法差异图进行融合，可以很好地克服差值法和比值法的不足之处，从而获取了保留图像信息较完好的差异图像。

得到对应的差异图像后，阈值方法是变化检测中比较常用的一种分割算法。阈值法简单易行，在多数情况下都可以取得较好的变化检测结果。但是当需要处理的图像中的变化区域和非变化区域只有很低的对比度时，如果仍采用阈值法，就难以估计灰度直方图的概率统计分布模型，这样将会严重影响分割结果，难以得到准确的变化检测结果。

针对上述问题，同时为了更完整地保留图像变化区域的几何边界，本文引进了一种基于改进的C－V 模型的图像分割新算法［10］。首先，对图像中前k个面积最大的连通区域（k为水平集函数的个数）进行提取，然后为了提取它们的轮廓作为初始曲线，通过形态学算子来实现；同时，为了消除了传统C－V 模型的重新初始化问题，引进了一个距离约束项，从而提高了算法的计算效率；最后，为了更好地定位边缘，又在该模型中引入了梯度信息。实验结果显示，该分割算法具有收敛速度快、边界定位准确等优点。基于改良的C－V 模型的图像分割新算法对融合后差异图进行分割，可以得到变化检测图，实现变化检测的目的。本文所提的变化检测新算法的流程如图1所示。

图1 算法流程

1.2 实现算法

根据以上理论模型，本文提出如下算法：①用差值法和比值法产生代表两时相遥感图像变化信息的差异图像；②用自适应PCNN 图像融合算法对差值法差异图和比值法差异图进行图像融合，获得了保持图像信息更完好的差异图像；③用改良的C－V 模型对融合好的差异图像进行分割，从而得到了变化检测结果。新算法具体实现步骤如下：

步骤1 读入需要进行处理的不同时相的两幅遥感图像，分别用图像差值法和图像比值法进行处理，得到相应的差值法差异图A 和比值法差异图B

步骤2 归一化处理即将参与融合的两幅差异图像A和B ，分别表示为A′和B′。其中，A′反映了PCNN1 和PCNN2中各个神经元相应的反馈输入，B′反映了PCNN3和PCNN4中各个神经元相应的反馈输入。

步骤3 根据EOL 和SD 的定义，分别计算A′和B′中的每个像素的ΕΟL，然后分别用来表示网络PCNN1和网络PCNN3中相应的神经元之间的连接强度值；再分别计算A′和B′中每个像素的SD ，然后分别用来表示网络PC－NN2和网络PCNN4中相应神经元的连接强度值；其中令

2.2.7 随访:保留膀胱随访每3个月作一次膀胱镜检查至2年已成为常规,因为膀胱肿瘤复发约3/4在2年发生。2年后膀胱镜检查的间隔可以延长至半年,以后每年1次,但必须终生检查,不可怠慢。膀胱全切术后的随访主要包括尿路和排尿情况;局部与远隔转移两方面。

像元（x，y）处的ΕΟL 和SD 定义为［9］

其中

式中：f（u，v）—— （u，v）处像素值；ω——一个大小为l×l、以（x，y）为中心的窗口；l为奇数，一般选择3或者5；f·为窗口ω中所有像素灰度的平均值。加权函数定义为［9］

式中：f°——图像的新点火映射图；f1、f2——ΕΟL 和SD对应的点火映射图；ω1＋ω2＝1，ωi＞0（i＝1，2），本文取ω1＝ω2＝0.5。

步骤4 设Oi（i＝1，2，3，4）为神经网络PCNNi的输出，则由式 （6）可得A 和B 对应的新点火映射图OA和OB，OA＝ω1O1＋ω2O2，OB＝ω1O3＋ω2O4。

步骤5 运用式 （7）所示的具体规则来选取融合系数，获得融合后的差异图像F（i，j）

步骤6 归一化处理图像F（i，j），用3×3的中值滤波器对其进行噪声滤除；然后对图像执行形态学闭操作处理，接着执行孔洞填充处理，最后将图像转换为二值图像。

步骤7 标记所有的4连通区域，然后进行形态学膨胀操作来实现断裂的边界的连接，从而提取出前k个面积最大的连通区域；然后引用canny算子，以得到初始化轮廓曲线1 和2。

步骤8 由式 （8）分别计算出c00，c01，c10，c11。其中cij表示的是各个相位或类别的均值向量，展开如下

引进梯度信息进入传统的C－V 模型中，从而加速了边缘的定位，以此来消除细小区域的干扰问题。式 （8）中的u0变为

步骤9 运用中值差分算法来求解出关于偏微分方程。

步骤10 迭代运行步骤8、步骤9，直至达到算法收敛条件，然后输出分割结果，也就是变化检测结果。

2 实验结果与分析

2.1 实验数据描述

实验所使用的第一组遥感图像数据集如图2所示。该数据集是由Landsat－7卫星设备分别在2000年4月和2002年5月对墨西哥郊区进行拍摄的图像，图中的变化部分是由于大火造成的相关植被破坏情况。两幅遥感图像的大小均为512×512像素，地物变化参考图中分别包含了25 550个变化像素点和236 594个未变化像素点，变化区域为图中的白色区域。

图2 第一组遥感数据集

实验所使用的第二组遥感图像数据集如图3所示。该组数据集来自于由Landsat－5卫星设备分别在1995年9月和1996年7月对意大利撒丁岛Mulargia湖泊区进行拍摄的图像，图中的变化部分是因为Mulargia湖水位上升所造成的陆地淹没情况。两幅遥感图像的大小均为300×412 像素，地物变化参考图中分别包含了7626 个变化像素和115974个未变化像素，变化区域为图中的白色区域。

2.2 实验结果与分析

为了验证基于自适应PCNN 和改进的Chan－Vese模型的遥感图像变化检测新算法的有效性，实验选取了两组不同的遥感图像组来进行变化检测。

为了体现本文算法的优势，选择了文献 ［4］中的算法与其进行比较。文献 ［4］所提出的基于NSCT 和FCM 的变化检测算法，简称为NSCT－FCM 法。

NSCT－FCM 法在变化检测精度上优于NSCTKFCM 法［11］和UDWTKMEAN法［12］，因此只需用本文算法和NSCT－FCM法进行比较，若本文算法优于NSCT－FCM 法，就能说明本文算法的明显优势。定性分析结果如图4和图5所示。

图3 第二组遥感数据集

图4 第一组数据集变化检测结果

图5 第二组数据集变化检测结果

从图4和图5的变化检测结果图可知，与NSCT－FCM法相比，本文提出算法的变化检测结果图中噪声点明显较少，同时，本文算法的变化检测结果图轮廓清晰且最接近真实地物变化参考图。由此可见，本文提出的算法不仅能够很好地保留图像的变化细节，而且变化区域检测的准确度优于NSCT－FCM 法。

为了定量评价本文提出算法的检测性能，分别将本文算法和NSCT－FCM 法的变化检测结果图与变化参考图进行对应比较，分别从变化检测结果的误检率、漏检率、准确率以及Kappa指数这4个方面进行评价，获得的定量分析结果见表1和表2。

表1 第一组数据集的实验检测率评价

表2 第二组数据集的实验检测率评价

由表1 和表2 可知，虽然本文算法的漏检率略高于NSCT－FCM 法，但是本文算法的误检率则比NSCT－FCM法要低得多，而且本文算法的准确率和Kappa指数均高于NSCT－FCM 法。由此可见，与NSCT－FCM 法相比，本文建议的算法总的变化检测精度较高。

3 结束语

本文建议的这种将图像融合算法与图像分割算法进行结合的遥感图像变化检测新算法。用自适应PCNN 图像融合算法对差值法差异图、比值法差异图进行很好地融合，通过实现差异图之间的信息互补，从而获得了一幅保留了图像信息较完好的差异图像；用改良的C－V 模型对融合好的差异图像进行分割，获得了较好的变化检测结果。实验分析结果表明，与文献 ［4］中的NSCT－FCM 法比较，本文算法不仅能够很好地保留图像的变化细节，甚至是边缘细节信息，而且变化检测的总的检测精度也优于比较算法。

［1］Celik T，Ma K K.Unsupervised change detection for satellite images using Daual－Tree complex wavelet transform ［J］.IEEE Trans on Geosci Remote Sens，2010，48 （3）：1199－2010.

［2］DAI Qin，LIU Jianbo，LIU Shibin.Remote sensing image change detection using particle swarm optimization algorithm［J］.Acta Geodaetica et Cartographica Sinica，2012，41 （6）：857－863 （in Chinese）.［戴芹，刘建波，刘士彬.微粒群优化方法的遥感影像变化检测研究 ［J］.测绘学报，2012，41（6）：857－863.］

［3］Ghosh A，Mishra NS，Ghosh S.Fuzzy clustering algorithms for unsupervised change detection in remote sensing images［J］.Inf Sci，2011，181 （4）：699－715.

［4］LI Qingsong，JIA Zhenhong，QIN Xizhong，et al.An unsupervised change detection of SAR images based on NSCT and FCM clustering ［J］.Laser Journal，2013，34 （4）：21－22（in Chinese）.［李青松，贾振红，覃锡忠，等.基于NSCT 和FCM 聚类的SAR 图像无监督变化检测 ［J］.激光杂志，2013，34 （4）：21－22.］

［5］TANG Wei，FENG Yuling，LI Meng，et al.Variational level set model based on image transition region［J］.Computer Applications and Software，2013，30 （8）：117－119（in Chinese）.［汤伟，冯玉玲，李梦，等.结合图像过渡区的变分水平集模型 ［J］.计算机应用与软件，2013，30 （8）：117－119.］

［6］ZHU Junjie，DU Xiaoping，FAN Xiangtao，et al.Contrast of three image segmentation algorithms and improvement of image segmentation methods ［J］.Computer Applications and Software，2014，31 （1）：194－196 （in Chinese）. ［朱俊杰，杜小平，范湘涛，等.3种图像分割算法的对比及图像分割方法的改进 ［J］.计算机应用与软件，2014，31 （1）：194－196.］

［7］SUN Sheng，TIAN Jinwen，WEN Wen，et al.Unsupervised classification based on four－component decomposition model for polarimetric synthetic aperture radar image［J］.Computer Engineering and Design，2013，34 （7）：281－286 （in Chinese）.［孙盛，田金文，温雯，等.基于四分量模型的极化SAR 图像非监督分类［J］.计算机工程与设计，2013，34 （7）：281－286.］

［8］XU Xiaoqin，SHEN Jiajie，WU Youfeng，et al.Aviation remote sensing image change detection ［J］.Geospatial Information，2011，9 （2）：67－68 （in Chinese）. ［徐小芹，沈佳洁，吴友凤，等.航空遥感影像的变化检测 ［J］.地理空间信息，2011，9 （2）：67－68.］

［9］LI Meili，LI Yanjun，WANG Hongmei，et al.A new image fusion algorithm based on adaptive PCNN ［J］.Journal of Optoelectronics，Laser，2010，21 （5）：779－782（in Chinese）.［李美丽，李言俊，王红梅，等.基于自适应耦合神经网络图像融合新算法［J］.光电子·激光，2010，21 （5）：779－782.］

［10］YI Xin，JIA Zhenhong，QIN Xizhong，et al.A kind of image segmentation based on multiphase level set［J］.Laser Journal，2013，34 （6）：37－39（in Chinese）.［易欣，贾振红，覃锡忠，等.一种基于多相位水平集的图像分割 ［J］.激光杂志，2013，34 （6）：37－39.］

［11］Wu Chao，Wu Yiquan.Multitemporal images change detection using nonsubsampled Contourlet transform and Kernel fuzzy C－Mean clustering ［C］//International Symposium on Intelligence Information Processing and Trusted Computing，2011：96－99.

［12］Celik T.Multiscale change detection in multitemporal satellite images［J］.IEEE Geosci Remote Sens Lett，2009，6 （4）：820－840.

［13］Volpi M，Tuia D，Valls GC，et al.Unsupervised change detection by Kernel clustering ［C］//Proceedings of SPIE，the International Society for Optical Engineering，2010：782－790.