融合变化向量与Unet的变化检测方法

张友桐

(广东联合金地不动产评估勘测设计有限公司, 广东 韶关 512000)

0 引言

随着国民经济的快速发展,城镇地表覆盖信息需快速、及时更新。通过近年来兴起的变化检测技术与遥感影像数据结合,自动提取不同时期地表覆盖区域的地物变化情况,提高卫星执法作业效率。相关学者对高分辨率遥感影像变化检测技术进行深入研究,并提出一系列方法,主要包括传统变化检测方法与基于深度神经网络的变化检测方法。

传统变化检测方法主要包括影像代数法、影像变换法以及分类对比法。影像代数法利用前后两期影像的波段差值计算对应像素的差异,然后采用阈值自动分割的方法确定变化检测阈值,常用的方法包括灰度差值法、变化向量分析法以及植被指数差值法。影像变换法将前后两期的多波段影像视为一张影像,通过多元分析方法进行影像数据投影,将多期影像投影到特定特征空间,在特征空间进行变化检测,常用的方法有主成分分析、多元变化检测以及迭代多元变化分析等。影像分类后变化检测,首先对前后期影像分别进行分类,然后将分类结果对比分析确定变化检测方法。

深度学习作为遥感信息挖掘的有效手段,在目标检测、影像分割、影像分类等领域获取较好的结果,为利用序列高分辨率遥感影像提取地物变化信息提供一种方法。由序列高分辨率遥感影像提取地物变化信息,可以认为是对多波段遥感影像进行地物变化与未变化区域的分类问题。因此,对序列高分辨率遥感影像通过深度神经网络的分割模型快速、高效提取不同时期遥感影像上地物变化区域,即基于深度学习的遥感影像变化检测方法。目前,能够用于遥感影像变化检测的公开训练样本数据较少,导致相关研究不多。Chu等采用优化的深度信念网络进行遥感影像变化区域提取;田青林等利用多特征结合的方法自动提取变化检测样本数据,训练深度限制玻尔兹曼机模型,进而提取变化区域获得较好的试验结果;Lebedev等利用对抗网络进行遥感影像变化检测方法。上述方法,都取得一定的成果,但当样本数据量较少，或者样本特征分布不均匀时检测结果较差。

针对高分辨率遥感影像信息丰富,地物变化复杂,导致变化检测结果精度较低问题。采用传统非深度学习变化检测算法难以有效获取正确率高,漏检率、虚检率均低的合适阈值;深度学习变化检测算法需样本数据量较大且特征分布,以获取较好的变化检测结果。因此,本文采用融合变化向量分析(change vector analysis，CVA)与小型U型网络模型(Unet)网络结合序列高分辨率遥感影像变化检测方法,充分利用传统方法获取可靠的训练样本数据,结合深度学习自动学习获取准确的地物变化特征信息,进一步提升变化检测结果精度。

1 融合CVA与深度学习的变化检测方法

传统的变化检测算法难以完成高精度、自动化的变化检测,基于深度学习的遥感影像变化检测算法需人工采集大量特征分布均匀的样本数据,用于训练深度学习模型,以获得较好的变化检测结果。针对此问题,采用无监督的CVA变化检测方法用于获取遥感影像变化检测所需的训练样本,结合小型Unet网络深度学习模型进行高分辨率遥感影像变化区域提取。

首先,对前后两期影像利用CVA算法提取变化区域、未变化区域以及不确定区域;然后,利用已经确定的变化区域和未变化区域作样本数据训练小型Unet网络模型,并利用该模型提取影像的变化区域;最后,采用多尺度分割算法对前后期影像进行分割,利用分割后的矢量作为约束以减少“椒盐噪声”影响。本文方法的流程如图1所示。

图1 融合CVA与深度学习的变化检测方法

1.1 基于CVA的变化检测算法

Malila于1980年提出变化矢量分析方法,该方法从变化方向与变化强度两个方向进行遥感影像变化检测。传统的变化检测方法将前后两期遥感影像进行差值运算获取多光谱差值影像,差值影像上每个像素为一个矢量,矢量组成为

(1)

在二维空间中以变化矢量大小和方向介绍变化检测原理,如图2所示。图2中的矢量长度表示地物变化程度,方向表示地物变化类别。

图2 CVA原理

基于CVA的变化检测方法利用欧式距离表示两期影像变化强度,变化强度影像的像素值采用差值多光谱影像灰度平方和再开方得到。

(2)

其中,

D

为像元变化强度。利用CVA进行变化检测过程中,采用独立阈值分割方法确定变化区域与非变化区域的阈值,进而获取变化检测的粗结果。

1.2 小型Unet网络模型变化检测算法

针对遥感影像数据量大,不同地区地貌、不同时相、不同传感器制作大量样本数据工作量大,现有样本数据有限情况,文中对Ronneberger等人提出的Unet网络模型优化,构造针对少量样本数据的遥感影像变化检测模型,进而提取高分辨率遥感影像上疑似变化区域。

首先,针对Unet网络模型的输入进行改进,将前后两期遥感影像合并为一张影像数据作为输入数据,输出与输入大小相同的波段影像。由于用于训练网络模型的数据较少,而模型参数较多,采用数据曾广和dropout方法,难以有效避免训练模型过程中出现过拟合现象。文中采用减少输入影像波段数量,以减少模型参数方式改善过拟合现象。一般情况下,在相邻时期的高分辨率遥感影像上非变化地物通常占主要区域,为了获取更小的损失函数,导致深度网络模型参数训练过程中将变化地物影像区域预测为非变化区域。文中利用加权的交叉熵为损失函数

l

增强变化影像的敏感性,以有效地提取变化区域。具体实现函数为

(3)

其中,

w

为影像宽；

h

为影像高；

N

为训练样本类别数量,在遥感影像变化检测中取

N

=2;(

i

,

j

)为影像像素位置;

y

为影像对应的类别标签,表示变化与非变化类别;

x

(,)[

k

]表示(

i

,

j

)像素预测为

k

类的分数;

W

表示权重。

W

满足式(14)关系。

(4)

1.3 空间信息约束

为了减少小型Unet网络提取变化结果漏检与误检现象,借鉴面向对象思想,利用高分辨率遥感影像空间信息对小型Unet网络提取的变化区域进行约束处理,减少以像素为单位处理所带来的“椒盐噪声”现象。

利用多尺度分割算法对前后期叠加影像进行分割处理,生成变化检测对象,该方法可以避免因采用单一时期影像带来过分割、分割不足等分割失真现象。然后,统计每个对象内部变化影像与非变化影像像素数,计算变化区域像素所占比重,当比重大于0.5时,认为该对象为变化区域,否则为非变化区域。影像过分割或分割不足,会导致变化检测精度下降。然而,利用较小尺度分割进行空间约束会降低漏检现象。最后,统计像素与局部八邻域内像元变化情况,若变化像素个数大于5,则标记为最终变化区域,生成最终变化检测结果。利用这种空间信息约束的方法,能在一定程度下提高变化检测的准确性、降低误检率与虚检率。

2 试验与分析

2.1 试验数据

试验采用数据集共包括18组数据,每组数均包含前后不同时期的两张多光谱与全色数据,融合后影像分辨率为2 m的多光谱数据,影像包含蓝、绿、红以及近红外等四个波段,数据样本示例如图3所示。

(a)2015年高分一号数据 (b)2018年高分一号数据

为验证变化检测结果精度,采用正确率、漏检率、虚检率三个指标表示,其中正确率为检测变化区域正确像素数与所提取结果数比值;漏检率为未检测出实际变化数与真实变化数的比值;误检率为误检变化区域数与所提取结果数比值,具体计算公式参考文献[16]。

2.2 试验结果分析

采用CVA方法获取前后时期影像的差异影像,利用独立阈值法确定差异影像的变化阈值,进而将影像分为变化区域、非变化区域。图4(a)给出利用CVA算法在测试数据提取的粗变化检测结果。将提取粗变化检测结果,随机提取样本数据与原始影像结合,作为小型Unet网络的输入样本数据训练模型参数;同时利用样本数据对获取的模型参数进行精度验证。卷积通道参数intPut设置为原始Unet网络模型的一半,即由intPut→64→128→256→512→1 024修改为intPut→32→64→128→256→512。为了避免因样本数据量过少导致训练过程中出现过拟合现象,对压缩路径和扩张路径同时进行优化;通过分别设置变化类与非变化类的交叉熵损失函数权重为0.7、03,获取采用深度学习的小型Unet网络模型提取遥感影像变化区域;最终,利用空间信息约束的方法,对小型Unet网络提取的变化检测结果进行优化,以除去结果中存在的斑点噪声、填补内部漏洞以及变化像素和非变化像素间的间隙,获得最终的变化检测结果。具体效果见图4,检测结果精度见表1。

(a)CVA变化检测方法 (b)Unet网络方法

(c)本文方法

表1 不同方法精度对比

试验结果表明：①采用CVA算法结合独立阈值算法检测出来变化检测区域正确率、漏检率高,虚检率最低为0.09,检测效果不理想,但提取变化区域的正确率较高;利用CVA算法提取粗变化检测区域作为小型Unet网络模型训练样本时能够保证样本正确、特征分布均匀,避免因错误样本导致训练网络模型不能有效提取变化区域,为后期提高变化检测精度提供样本数据正确率保障;②采用Unet网络模型提取变化检测区域,漏检率相比CVA算法有所降低,但虚检率提高;由图4 (b)可知,变化检测结果变化区域间存在漏洞现象以及严重的“椒盐噪声”现象,导致检测结果整体精度不高;③本文采用融合CVA与深度学习的变化检测方法,对比单一的CVA算法和Unet网络模型算法变化检测结果精度均有所提升,漏检率和虚检率减少。同时,本文利用空间信息约束对变化检测结果进一步优化处理,以除去结果中存在的斑点噪声、填补内部漏洞以及变化像素和非变化像素间的间隙,进一步提升变化检测效果。

3 结束语

针对传统变化检测算法在高分辨遥感影像地物丰富、变化复杂情况精度不高问题,文中结合深度学习在影像分割方面的优势,提出融合CVA与深度学习模型的高分辨率遥感影像变化检测方法。试验结果表明,该方法相比单一的CVA算法、Unet网络正确率最高,漏检率最小。但文中缺少对变化区域很小导致变化样本数据较少的考虑,这也是下一步的研究方向。