基于高分遥感影像的多尺度纹理特征变化检测技术*

刘自增 张德政 姚建华 严瑾 黄涛

1. 宁夏回族自治区遥感调查院 宁夏 银川 750000；2. 北京科技大学 北京 100083

1 网络和方法

基于预处理后合成好的高分影像，对目标像素进行地物分类所用的网络结构如图1所示。将目标像素的邻域尺寸设定为24×24并输入卷积神经网络，先后经过两次卷积、池化对输入图像提取特征后，传入全连接层和Sigmoid分类器，得到目标像素的地物类别。该方法先利用卷积神经网络进行逐像素地物分类，再对比两时相影像的地物分类结果，得到地貌变化区域，属于分类后变化检测。

图1 逐像素地物分类的网络结构示意图

传统邻域矩阵特征存在噪点多、伪检多的不足，分析原因是邻域特征尺度单一导致的，由此对特征构造方法做出改进，本章提出基于图像金字塔的多尺度变化检测方法。图像金字塔可对同一影像进行多尺度描述，它的本质是利用高斯模糊平滑数据后，下采样浓缩数据，所以金字塔上层影像不仅在一定程度上保留原始影像的概貌，并且尺度更高，同一像素的多尺度信息可基于此提取[1-2]。

图2展示融合多尺度信息的邻域矩阵特征的构造流程。为简化表示，将邻域矩阵展平得到的一维向量用三个像素表示，代表RGB三通道特征。

图2 融合多尺度特征的邻域矩阵特征构造示意图

相较传统邻域特征构造方式，本章提出的融合多尺度信息的特征构造方式具有如下优点：

第一，整合目标像素在高斯金字塔不同层上的观测结果，将其汇总为一个向量，则特征向量中整合了目标像素的多尺度信息；

第二，多尺度信息的融合降低了邻域矩阵尺寸选取的困难，相当于一个特征向量上整合了不同尺寸邻域的信息，则不用过度受困于邻域尺寸的选取问题；

第三，单时相影像提取的多尺度邻域特征包含9个通道、3个尺度的邻域信息，更充分利用原始影像的多尺度特征；

第四，多尺度信息帮助模型从低、中、高不同视角观测目标区域，改善了目标像素属于不同尺度地类或目标像素为噪点时，单一尺度邻域特征难以帮助模型有效变化检测的问题，从多尺度观测该像素，可对该像素所属地貌或是否为噪点由更全面、详尽的把握，可以有效避免伪变化检测问题。

在变化检测中，易分类样本通常有两种情况：一是前后地貌一致，并且外界成像因素对该地貌影响不大的未变化地域；二是前后地貌差异明显，所构建特征向量十分不同的变化区域。模型应重点学习难分类样本，即预测概率接近0.5的样本，这类样本的预测结果会因训练集、模型甚至参数的改变而产生明显差异，是体现算法和模型性能的关键[3]。

为改善变化检测数据集固有的正负样本不均衡问题，并帮助模型重点学习难分类样本，以提升变化检测效果。本章提出将Focal loss作为SDAE模型的损失函数，有三点好处：

第一，从模型层面而非特征层面改善对变化地貌学习的质量；

第二，模型注重少量变化样本的学习，将帮助其提高变化发现能力，提升样本的召回率；

第三，模型注重难分类样本的学习，样本的分类精准率应有所提升，使得精准率和召回率之间的效益背反影响尽可能小，以提升SDAE变化检测的综合性能。

2 实验结果

本节进行两组实验，第一组实验以多尺度纹理变化检测为基础方法，以原始影像和三类标签构成训练集，利用本章提出的三类标签配套训练方法，对模型训练并预测，将其检测结果与利用常规标签训练模型并检测的结果对比，评估二者在各项指标和主观视觉上的差异。第二组实验分别利用交叉熵与Focal loss作为损失函数训练模型，对比二者变化检测效果的差异。

本实验将标签修改为三类标签，训练方法修改为本章提出的三类标签配套训练方法，对融合多尺度光谱和纹理特征的SDAE进行训练，邻域尺寸设定为3×3|5×5、5×5|7×7、7×7|9×9三种尺寸对，分别训练、预测后，对各项检测指标取平均，以表征算法的综合效果，将其与常规标签训练模型检测的各项指标对比，结果如表1：

表1 常规标签与三类标签训练模型的效果对比

利用三类标签训练模型后，模型变化检测的精准率提升，作者分析原因是：三类标签构造法有益于提高标签的准确率，检测影像上的噪点显著减少，精准率提升，房屋和道路的轮廓更加清晰，变化区域的整体性更强，对伪检的鲁棒性提升，检测结果图更加纯净，势必会提升模型变化检测的能力。但是利用三类标签训练模型会让召回率小幅下降，作者分析原因是：由三类标签构造的样本会损失部分地貌，导致用于模型训练的地类不如常规标签丰富，召回率降低。综合而言，利用三类标签进行训练，提升了模型的变化检测精度，F1 score有所上升。

本实验以融合多尺度光谱和纹理特征的SDAE变化检测为基础模型，利用三类标签法训练模型，对比常规损失函数与Focal loss损失函数对模型检测效果的影响。实验结果如表2所示：

表2 交叉熵与Focal loss作为模型损失函数的效果对比

将损失函数改进为Focal loss后，召回率明显提升，因为Focal loss用于解决两类问题：第一，正负样本不均衡问题，它给予少量样本更大的权重，当模型对少量样本分类错误时，将受到更大的惩罚，所以不得不注重对少量样本的学习；第二，难分类样本学习不足的问题，Focal loss根据模型对样本预测的类别概率，判断样本的难易分类程度，认为概率趋于0.5的是难分类样本，给予这类样本更大的损失权重，迫使模型注重难分类样本的学习。变化检测中，变化样本是少量样本，地貌变化复杂、仅靠基础特征难以判断变化与否的样本是难分类样本。将损失函数改进为Focal loss后，模型对变化样本的发现能力提升，召回率提升。召回率和精准率之间存在效益背反，引入新的特征辅助模型判决，保证二者均有提升，正因Focal loss注重难分类样本的学习，益于模型精准分类，才使精准率没有大幅下降。F1 score有所提升，说明模型综合检测能力增强，损失函数的改进是有效的。

作者将损失函数改进为Focal loss后，模型更注重难分类样本的学习，在训练时若该类样本被频繁预测错误，预测概率趋近0.5，模型将给予其很大的样本权重，以重视对该类变化的学习，而抵消样本量少产生的影响。由检测结果可知，修改损失函数后，模型检测的变化区域更完整、连通，召回率得以提升。

3 结束语

本文结合图像金字塔算法，提出一种融合多尺度特征的变化检测算法。将同一像素在不同尺度上的邻域特征相融合，构成一个包含低、中、高多尺度特征的向量，辅助模型进行变化检测。融合高尺度特征后，模型具有更大的视野，由于视野局部而产生的噪点得以减少，检测影像的视觉效果更加纯净。由此，降低模型对邻域尺寸选取的依赖，适用于同一邻域尺寸不同地物类型的变化检测。本研究具有一定的通用性，研究的技术不仅可以用于土地利用变化的检测，也可用于土地调查、城市规划、农业测量、地表水域及和自然环境监测等领域，具有非常重要的意义。