融合IR-MAD与超像素分割的遥感影像变化检测方法

何 莉

(甘肃省测绘工程院,甘肃 兰州 730000)

0 引言

遥感影像变化检测指通过前后时期同一覆盖区域的遥感影像数据,确定地物变化区域[1-2]。该技术被广泛应用在地理国情监测、国土资源普查、土地信息变更等领域。

常用的变化检测方法主要有影像代数法、主成分分析法、变化向量分析法等。由于遥感影像数据间存在大量噪声以及波段数据间存在冗余数据,导致提取结果存在严重“椒盐噪声”现象。文献[3]采用变化向量分析方法,该方法利用不同波段差值构建差异影像,采用期望最大化算法(expectation-maximum,EM)确定变化检测阈值,提取遥感影像变化区域,但不同波段数据间数据存在大量冗余导致检测效率太低。为了减少噪声以及不同波段数据间相关性对变化检测精度的影响,文献[4]采用主成分分析方法减少波段间数据冗余问题,以提高变化检测精度,但该方法对单景遥感影像进行主成分分析,没有考虑不同时相遥感影像数据冗余问题。为了充分消除原始影像内部波段以及不同时相影像间的波段相关性问题,文献[5]将多元变化检测方法引入遥感影像变化检测处理领域,该方法对多元变化检测检测(multivariate alteration detection,MAD)变化处理后的影像采用简单的差值方法构造差异影像,通过手动设置阈值的方法提取变化检测结果,阈值手动选取对作业者经验要求较高。文献[6]通过引入受试者工作特征曲线方法自动设置阈值,降低变化检测精度。文献[7]通过融合EM方法,采用样本数据自动训练获取变化区域,但方法需要人工选取样本数据。为减少人工干预影响提高变化检测精度,文献[8]在MAD方法基础上,通过融合EM算法结合先验概率自动确定变化检测阈值,对不同时相遥感影像提取较好的变化检测结果,但该方法以像素为处理单元对地物信息丰富的高分辨率影像难以获取理想的检测效果。文献[9]采用基于对象的MAD算法的变化检测方法,该方法以对象的灰度均值作为MAD数据输入,但分割方法具有尺度限制,难以获取理想的分割效果,进而带来新的误差。

鉴于此,本文提出融合迭代加权多元变化检测( iterative weighted-multivariate change detection,IR-MAD)与超像素分割的变化检测方法。该方法首先利用IR-MAD算法提取初始变化检测结果;然后利用多尺度超像素分割(simple linear iterative clustering,SLIC)算法分割影像获取不同尺度下的超像素,用超像素像元替代原始像素进行变化检测,进一步提高变化检测结果。

1 融合多元变化检测与超像素分割的变化检测方法

1.1 迭代加权多元变化检测

多元变化检测是在典型相关分析(canonical correlation analysis, CCA)基础上进行优化得到的,该方法利用两组特定变量的相关性表示前后期两张高分辨率遥感影像间相关关系的方法[10]。假定X=[X1,X2,…,Xp]Τ与Y=[Y1,Y2,…,Yq]Τ分别表示p个波段与q个波段的高分辨率多光谱影像,且E(X)、E(Y)均为0,可得

(1)

其中,aΤ、bΤ为两组特征相关系数。

利用前后两期高分辨率多光谱遥感影像数据结合CCA原理,多元变化检测的变换可以转换为

(2)

即,在Var(aΤX)、Var(bΤY)均满足为1的要求下解算使得Var(aΤX-bΤY)最大对应的相关系数a与b。

在满足约束条件下,依据变量和的方差计算方法对公式Var(aΤX-bΤY)进行化解可以表示为

(3)

Corr{aΤX,bΤY}为前后期影像的相关系数。

由式(3)可知,前后时期影像间的方差与相关系数呈负相关。因此,求Var(aΤX-bΤY)=max问题转换为在满足约束条件下,求前期、后期影像相关性最小问题。

由上述分析可知,MAD模型关键为求解前期、后期影像典型相关系数。变换后的典型变量相关性依次递减,即最后一组相关性最小，第一组相关性最大。因此,MAD变换结果可以转换为典型相关系数由小到大从新排序,即

(4)

在进行MAD变换处理后,依据中心极限定理,处理后的影像数据服从混合高斯模型,经过标准化处理过的MAD变量获得的变量Ti值服从自由度为S的卡方分布

(5)

其中,σMADi表示MAD处理后的标准差。

每次迭代像元新的权值wj采用卡方值Ti对应的概率值表示,即

(6)

通过多次迭代处理,当像素的权重值w趋于稳定时,则停止迭代;对比像素权重值与阈值threshould,将大于阈值的像素判定为变化区域,已提取初始的变化检测结果。

1.2 超像素分割原理

由于IR-MAD以像素为单元进行变化检测算法对完整地物或局部空间信息缺少考虑,在影像局部存在噪声情况下,存在局部误检或漏检现象。针对此问题,引入超像素分割聚类方法,以超像素单元局部信息替代像元信息,解决以像素为单元过小的限制,引入超像元得到一个空间特征约束的MAD变化检测方法,提高变化检测精度。

超像元聚类的基本思想以纹理、亮度、颜色等特征相似为依据将影像分割多个区域[11]。文中采用SLIC方法对MAD变换后的影像进行聚类处理,相比其他超像素聚类方法,该方法仅需设置尺度参数,就能获得较高的超像元紧致度、物体轮廓保持度,一定程度上较少人工干预的影响。SLIC主要步骤如下：

(1)将原始影像转换到五维特征空间,即x、y坐标空间与CIELab色彩空间。

(2)设置超像元聚类尺度m,将影像分割成m个超像元。利用超像素聚类中心局部区域的像素梯度,细微调整超像元聚类中心位置,避免超出地物边界轮廓区域。

(3)以D为大小对聚类中心2S·2S局部区域的像元进行重新聚类,其中D为

其中,D为像素点与聚类中心的距离;S表示分割初始步长;dc表示色彩空间距离;h、a、b分别表示色彩空间3个分量;ds表示空间距离；n表示固定参数。

(4)重复步骤(3),当聚类中心不发生变化为止停止迭代,文献指出SLIC在第十次迭代后基本达到理想聚类效果,本文设置迭代次数为10。

(5)通过标记为-1的影像,以“Z”形遍历整张影像,将尺寸过小、不连续的超像素就近规划到相邻超像素上,以解决超像素过小或多连通问题,增强超像素连通性。

1.3 算法步骤

当设置超像元数目过小时,超像元分割尺度过大,地物较小的变化区域容易漏检;当设置超像元数目过大时,超像元分割尺度过大,超像元难以完整地表达地物信息,在遥感影像上不同时期地物大小不一,单个超像元分割尺度的变化检测错检现象严重。基于上述问题,文中采用多超像元尺度分割算法,通过众数原则解决前后时相影像超像元形状、数量及边界不一致问题,实现MAD-SP算法。MAD-SP算法具体步骤如下：

(1)利用MAD算法进行基于像元的变化检测提取,获取初始变化检测结果Yc;

(4)在光谱维将t个时相的Yo结果叠加,得到一个t·K层的数据,并统计每个层变化像元数目与非变化像元数据,以众数规则,得到最终的变化检测结果Y。

2 实验与分析

本研究选择兰州市2015年与2017年高分二号影像数据为研究对象,影像包括4 m分辨率的多光谱数据和1 m全色数据,利用PIE软件提供NND算法融合方法生成1 m分辨率的多光谱数据,具体结果见图1。采用人工选取同名点的方式,对不同时相的影像进行几何配准保证配准后影像精度优于1个像素。

(a)2015时期遥感影像

由于MAD处理后,不同变量内都包含变化信息,但每个变量的变化信息均不全面。因此,不能采用单一变量信息进行遥感影像变化检测信息。结合卡方分布密度函数,通过迭代加权的方式获取基于像素方法的初始变化检测结果,检测效果如图2(a)所示。通过IR-MAD算法与SLIC算法融合的变化检测算法效果如图2(b)所示。其中，黑色表示变化区域,白色为未变化区域。

(a)文献变化检测结果

由图2可知,高分辨率遥感影像地物信息丰富,同种地物内部灰度变化较大,不同地物灰度信息存在重叠;采用基于像元的IR-MAD算法结果存在严重的“椒盐噪声”,目视效果比较破碎,导致基于像元的IR-MAD算法提取变化效果不理想。而本文结合IR-MAD方法与SLIC聚类方法优势,通过多尺度SLIC方法解决不同大小地物分割不足或过分割问题,确保提取变化检测结果边界保存好、内部同质性较好,检测结果中基本消除了“椒盐噪声”现象,整体效果较好。

通过统计变化区域与非变化区域混淆矩阵,定量分析变化检测结果精度。不同方法的变化检测精度结果如表1所示。

表1 不同方法精度评定 单位：%

由表1可知,基于像元的IR-MAD方法正确率、漏检率、虚检率分别为82.35%、15.16%、19.56%,融合IR-MAD与SLIC方法的变化检测结果正确率、漏检率、虚检率分别为88.12%、10.25%、12.57%,正确率提升5.75%,漏检率下降4.91%,虚检率下降6.99%。本文提取变化检测结果,无论视觉效果还是定量的精度评价结果,本文提出的融合IR-MAD与SLIC算法在高分辨率遥感影像上提取的变化范围精度更高、适用性更好。

3 结束语

针对IR-MAD算法在高分辨率遥感影像上变化检测存在问题,提出结合IR-MAD与超像素分割方法。相比传统IR-MAD方法,通过采用多尺度SLIC方法分割影像获取多尺度下的影像对象,解决不同大小地在不同尺度下的适应性,保留地物边界信息,相比基于像元的IR-MAD算法，本文检测变化结果不存在“椒盐噪声”现象,能够提高整体结果精度。