面向异源影像的FCM-SBN-CVAPS多尺度变化检测方法

武锦沙,杨树文,2,3,李轶鲲,2,3,赵志威,郑 耀,付昱凯

(1. 兰州交通大学测绘与地理信息学院,甘肃 兰州 730070; 2. 地理国情监测技术应用国家地方联合工程研究中心,甘肃 兰州 730070; 3. 甘肃省地理国情监测工程实验室,甘肃 兰州 730070)

变化检测是分析不同时相遥感图像变化的过程,如地物位置、范围、性质、状态的变化,被广泛应用于城市规划、环境监测、农业调查和灾害评估等方面[1-4]。灾害应急条件下难以及时获得同源影像,且同源影像变化检测难以应对复杂的实际场景,因此,异源影像变化检测已成为目前备受关注的研究方向[5]。

异源影像由于成像机理不同,可能具有不同的空间分辨率、光谱、纹理特征等,复杂的外部环境容易造成地物的亮度、对比度等差异,这些差异加重了同物异谱、异物同谱现象,造成变化检测结果出现噪声现象[6-7]。为了提高影像变化检测精度,一些学者从抑制斑点噪声角度出发进行了相关研究。文献[8]将模糊C均值聚类(fuzzy C-means, FCM)和马尔可夫随机场(Markov random field,MRF)模型进行结合,减弱了椒盐噪声,生成较为精确的变化检测结果,但计算时间较长。文献[9]通过实现半监督FCM聚类生成差分图,有助于降低噪声,但是该方法与标准的FCM类似,忽略了一些重要的变化。

上述方法对像素的光谱特征依赖性大,容易造成变化检测错误,将对象作为基本处理单元有利于图像信息的识别。此外,固定尺度的地物识别易受影像光谱等差异的影响,而多尺度目标用于变化检测可更准确地反映地物的变化信息[10]。文献[11]使用影像分割来获取对象,考虑多种对象特征,变化检测精度高,但是仅仅在单个分割尺度上进行变化检测,不同类型地物其尺度可能存在较大差别,得到的对象无法满足所有变化类型的需求。文献[12]进行对象多尺度分割,考虑不同尺度大小的地物变化,避免了变化检测时易受光谱差异的问题,但易受阈值判定的影响。

异源影像变化检测可以通过深度学习技术解决,如条件生成对抗网络[13]、无监督对称卷积耦合网络[14]。分类后比较法是异源影像变化检测的一种可行性方案,不需要大型的训练集,而图像分类误差累积容易导致变化检测时出现误检。已有研究表明后验概率空间变化向量分析法(change vector analysis in posterior probability space,CVAPS)可以减少误差累积[15-16]。

为了减少变化检测的错检、漏检问题,本文充分利用后验概率空间变化向量分析法的优势,提出一种面向异源影像的FCM-SBN-CVAPS多尺度变化检测方法。该方法通过图像增强处理异源影像,改善图像质量,利用复合样本和子类样本实现大、小目标变化检测,以处理不同尺度地物的变化,从而取得较高的变化检测精度。

1 研究方法

本文构建的方法整体流程如图1所示,主要包括3个步骤: ①异源影像预处理,完成异源影像配准等处理,通过图像增强改善影像质量; ②目标后验概率向量计算,对两期影像进行FCM-SBN大、小目标后验概率向量估计; ③多尺度变化检测,利用后验概率空间变化向量分析法实现变化检测,分为大、小目标变化信息提取,获取多尺度异源影像变化检测结果。

图1 FCM-SBN-CVAPS多尺度变化检测流程

1.1 异源影像图像增强

卫星影像可能存在亮度不高的情况,会降低影像的可视性,从而使变化检测结果产生一定的噪声[17]。因此本文实现了3种图像增强方法,如图2所示。

图2 异源影像增强结果

(1)Gamma变换。像素间的灰度差异越大,相似性越小,变化幅度越大[18]。根据Gamma曲线变换原理,当γ值小于1时,会压缩灰度值较高的区域,拉伸灰度值较低的区域[19]。图2(b)为Gamma变换图,γ参数设置为0.7,整体上与变换前作对比,影像不再泛灰。

(2)Robust Retinex模型。将图像转换为HSV空间,分解得到照明分量和反射分量,调整照明度,利用调整后的照明度生成增强的结果,最后转换回RGB颜色空间[20]。图2(c)为图像增强结果,正规化参数β、ω、δ、γ分别设置为0.05、0.01、1、1.5,有效解决了影像可见光谱上的失真,符合地物的真实光谱,增强后的影像对比度明显提高。

(3)微光图像增强(low-light image enhancement, LIME)。为了保持整体结构和平滑纹理细节,根据良好的光照映射实现图像增强[21]。图2(d)为LIME模型增强结果,系数α、γ分别设置为0.03、0.5。图像经过处理后,不仅具有丰富的光谱信息,还增强了模糊的边缘,能够展现出更多的地物细节。因此,本文采用LIME模型进行变化检测前的增强处理。

1.2 基于FCM-SBN目标后验概率向量估计

通过FCM方法计算异源影像每个像素点隶属的信号类,耦合SBN估计每个像素点属于每种地物的后验概率向量[15]。信号类是具有某种典型光谱或纹理特征的像素,与影像密切相关,本文方法利用复合类型样本和子类样本实现信号类的大、小目标后验概率向量估计。

1.2.1 基于FCM-SBN大目标后验概率向量估计

经过图像增强处理,由于影像拍摄时的曝光情况或增强过度导致有的地物光谱仍不具真实性,且不同地物的分离度不高,进而造成分类错误。为了减弱变化检测的误检,在FCM-SBN方法基础上,实现基于FCM-SBN大目标后验概率向量估计,流程如图3所示,具体步骤如下。

图3 FCM-SBN大目标后验概率向量估计流程

(1)建立不同地物的样本集,形成子类地物样本。地物颜色存在差异,同一种地物可能表现出两种以上的颜色,同一颜色可能代表两种以上类型的地物。

(2)更新样本集。为了提高样本之间的分离度,将同种色或类似色的地物样本进行组合,构成复合类型地物样本。如将代表绿地和水系样本合并为同一类,使其成为生态区大目标的样本。生态区作为复合类型地物,不区分绿地和水系,但能准确判断出生态区。

(3)利用FCM-SBN,准确估计大目标地物后验概率向量。FCM提取的信号类与地物往往没有直接建立一一对应的关系,而SBN可以很好地解决这一问题,因此,使用FCM-SBN估计每个像素属于各个地物的后验概率。根据SBN的计算原则,像素pi,j属于地物Lv的后验概率可表示为

(1)

根据贝叶斯公式,P(Lv|wk)可表示为

(2)

因此,可得式(1)的变形公式为

(3)

根据全概率公式,P(wk)可表示为

(4)

由代表每种地物的样本计算条件概率P(wk|Lv), FCM聚类计算的模糊隶属度可以估计P(wk|pi,j),并将其代入式(3),可得出像素点pi,j属于每种地物类型Lv的后验概率。

1.2.2 基于FCM-SBN小目标后验概率向量估计

基于FCM-SBN的大目标后验概率向量估计,能够有效减少变化检测的错检。但是,将同种色或类似色的不同地物样本组合成复合类型地物样本,可能会导致其子类地物之间的变化检测效果较差,甚至出现漏检现象。因此,本文提出了基于FCM-SBN的小目标后验概率向量估计。该方法具体步骤如下。

(1)小目标后验概率向量估计。使用子类地物样本数据,训练FCM-SBN模型。

(2)提取子类样本所在区域。将大目标复合类型地物样本中的子类地物1和地物2提取,其他地物标记为0,得到基于FCM-SBN的小目标后验概率向量。例如,进行大目标后验概率向量估计,将居民地和道路两种地物划为一种复合类型地物,可能会导致变化检测结果无法反映两者之间的变化信息。因此,为了减少漏检现象,针对居民地和道路两个子类地物,实现基于FCM-SBN小目标后验概率向量估计,进行相应的小目标变化检测,对大目标变化检测结果进行补充。

1.3 基于CVAPS的多尺度变化检测

将对象划分为大、小目标实现多尺度变化检测,减少对影像光谱特征的依赖性。光谱变化类型有轻微变化、中度变化和剧烈变化3种,其中轻微变化会造成变化像元的过高估计。为了解决这一问题,学者们在变化检测过程中提出了后验概率空间变化向量分析法[22]。通过FCM-SBN计算目标像素后验概率向量,采用变化向量分析方法对两期结果进行差值运算,得到后验概率变化向量,其计算公式为

Δρ=ρ1-ρ2

(5)

计算欧式距离获取后验概率变化向量强度,选择合适的阈值方法区分不同变化类型,减弱过高估计对变化像元的误判,凸显变化区域和未变化区域[22]。将大目标变化检测与小目标变化检测信息叠加,得到最终的FCM-SBN-CVAPS多尺度变化检测结果。

2 试验结果与分析

2.1 试验数据

试验采用的两组异源影像数据均经过辐射校正、图像配准等预处理工作,如图4和图5所示,数据由全色和多光谱数据融合而成,包括红、绿、蓝3个波段,详细信息见表1。

表1 数据详情

表2 试验1变化检测结果评价指标

表3 试验2变化检测结果评价指标

图4 试验1的高分一和高分二影像

图5 试验2的高分二和GEOVIS影像

2.2 变化检测试验与分析

为了验证本文提出的面向异源影像FCM-SBN-CVAPS多尺度变化检测方法的有效性,将其与SVM-PCC[15]、SVM-CVAPS[15]、SVM-CVAPS多尺度变化检测、FCM-SBN-PCC[15]、FCM-SBN-CVAPS[15]方法分别进行对比。试验1、试验2的变化检测结果分别如图6、图7所示,其中,白色代表变化区域,黑色代表未变化区域。通过计算错检率、漏检率、总体精度及Kappa系数指标实现方法的定量评估[23],各评价指标是在多次试验下取平均值。

图6 试验1变化检测结果

图7 试验2变化检测结果

SVM-PCC方法相比于SVM-CVAPS、SVM-CVAPS多尺度变化检测方法,漏检情况最低,而错检率最高,因此Kappa系数较低,且FCM-SBN-PCC方法类似于SVM-PCC方法。由变化检测效果可看出,FCM-SBN-CVAPS多尺度变化检测方法整体效果较好,针对不同尺度目标计算对象内部像素变化,减少异源影像变化检测的错检,降低漏检率。试验1的FCM-SBN-CVAPS多尺度变化检测错检率为20.79%,漏检率为17.05%,Kappa系数达到0.786 7;试验2的FCM-SBN-CVAPS多尺度变化检测错检率为24.61%,漏检率为4.74%,Kappa系数达到0.818 8。与FCM-SBN-CVAPS方法相比,FCM-SBN-CVAPS多尺度变化检测总体精度提高4%～5%,由于使用FCM-SBN-CVAPS方法进行变化检测,两组试验错检率、漏检率都较高,而FCM-SBN-CVAPS多尺度变化检测可以同时降低错检率和漏检率,因此总体精度和Kappa系数都有所提高。总体上,与其他5种比较方法相比,FCM-SBN-CVAPS多尺度变化检测方法可以减少错检、漏检情况,检测出较小的变化区域,具有更高的精度。

3 结 语

本文提出了一种面向异源影像的FCM-SBN-CVAPS多尺度变化检测方法。通过实现大目标变化检测,减少了异源影像变化检测时的错检;同时进行的小目标变化检测,可检测出漏检的小目标,降低了漏检率;相比FCM-SBN-CVAPS方法,在精度上有所提高。试验结果验证了本文方法的可靠性,无须大型的训练集,即可降低错检率、漏检率,且总体精度和Kappa系数均高于对比算法。对照人工变化检测图,本文方法未能检测出部分小目标变化信息,未来可进一步引入空间信息,进而获取更低的错检率和漏检率。