面向異源影像的FCM-SBN-CVAPS多尺度變化檢測方法

武錦沙,楊樹文,2,3,李軼鯤,2,3,趙志威,鄭 耀,付昱凱

(1. 蘭州交通大學測繪與地理信息學院,甘肅 蘭州 730070; 2. 地理國情監測技術應用國家地方聯合工程研究中心,甘肅 蘭州 730070; 3. 甘肅省地理國情監測工程實驗室,甘肅 蘭州 730070)

變化檢測是分析不同時相遙感圖像變化的過程,如地物位置、范圍、性質、狀態的變化,被廣泛應用于城市規劃、環境監測、農業調查和災害評估等方面[1-4]。災害應急條件下難以及時獲得同源影像,且同源影像變化檢測難以應對復雜的實際場景,因此,異源影像變化檢測已成為目前備受關注的研究方向[5]。

異源影像由于成像機理不同,可能具有不同的空間分辨率、光譜、紋理特征等,復雜的外部環境容易造成地物的亮度、對比度等差異,這些差異加重了同物異譜、異物同譜現象,造成變化檢測結果出現噪聲現象[6-7]。為了提高影像變化檢測精度,一些學者從抑制斑點噪聲角度出發進行了相關研究。文獻[8]將模糊C均值聚類(fuzzy C-means, FCM)和馬爾可夫隨機場(Markov random field,MRF)模型進行結合,減弱了椒鹽噪聲,生成較為精確的變化檢測結果,但計算時間較長。文獻[9]通過實現半監督FCM聚類生成差分圖,有助于降低噪聲,但是該方法與標準的FCM類似,忽略了一些重要的變化。

上述方法對像素的光譜特征依賴性大,容易造成變化檢測錯誤,將對象作為基本處理單元有利于圖像信息的識別。此外,固定尺度的地物識別易受影像光譜等差異的影響,而多尺度目標用于變化檢測可更準確地反映地物的變化信息[10]。文獻[11]使用影像分割來獲取對象,考慮多種對象特征,變化檢測精度高,但是僅僅在單個分割尺度上進行變化檢測,不同類型地物其尺度可能存在較大差別,得到的對象無法滿足所有變化類型的需求。文獻[12]進行對象多尺度分割,考慮不同尺度大小的地物變化,避免了變化檢測時易受光譜差異的問題,但易受閾值判定的影響。

異源影像變化檢測可以通過深度學習技術解決,如條件生成對抗網絡[13]、無監督對稱卷積耦合網絡[14]。分類后比較法是異源影像變化檢測的一種可行性方案,不需要大型的訓練集,而圖像分類誤差累積容易導致變化檢測時出現誤檢。已有研究表明后驗概率空間變化向量分析法(change vector analysis in posterior probability space,CVAPS)可以減少誤差累積[15-16]。

為了減少變化檢測的錯檢、漏檢問題,本文充分利用后驗概率空間變化向量分析法的優勢,提出一種面向異源影像的FCM-SBN-CVAPS多尺度變化檢測方法。該方法通過圖像增強處理異源影像,改善圖像質量,利用復合樣本和子類樣本實現大、小目標變化檢測,以處理不同尺度地物的變化,從而取得較高的變化檢測精度。

1 研究方法

本文構建的方法整體流程如圖1所示,主要包括3個步驟: ①異源影像預處理,完成異源影像配準等處理,通過圖像增強改善影像質量; ②目標后驗概率向量計算,對兩期影像進行FCM-SBN大、小目標后驗概率向量估計; ③多尺度變化檢測,利用后驗概率空間變化向量分析法實現變化檢測,分為大、小目標變化信息提取,獲取多尺度異源影像變化檢測結果。

圖1 FCM-SBN-CVAPS多尺度變化檢測流程

1.1 異源影像圖像增強

衛星影像可能存在亮度不高的情況,會降低影像的可視性,從而使變化檢測結果產生一定的噪聲[17]。因此本文實現了3種圖像增強方法,如圖2所示。

圖2 異源影像增強結果

(1)Gamma變換。像素間的灰度差異越大,相似性越小,變化幅度越大[18]。根據Gamma曲線變換原理,當γ值小于1時,會壓縮灰度值較高的區域,拉伸灰度值較低的區域[19]。圖2(b)為Gamma變換圖,γ參數設置為0.7,整體上與變換前作對比,影像不再泛灰。

(2)Robust Retinex模型。將圖像轉換為HSV空間,分解得到照明分量和反射分量,調整照明度,利用調整后的照明度生成增強的結果,最后轉換回RGB顏色空間[20]。圖2(c)為圖像增強結果,正規化參數β、ω、δ、γ分別設置為0.05、0.01、1、1.5,有效解決了影像可見光譜上的失真,符合地物的真實光譜,增強后的影像對比度明顯提高。

(3)微光圖像增強(low-light image enhancement, LIME)。為了保持整體結構和平滑紋理細節,根據良好的光照映射實現圖像增強[21]。圖2(d)為LIME模型增強結果,系數α、γ分別設置為0.03、0.5。圖像經過處理后,不僅具有豐富的光譜信息,還增強了模糊的邊緣,能夠展現出更多的地物細節。因此,本文采用LIME模型進行變化檢測前的增強處理。

1.2 基于FCM-SBN目標后驗概率向量估計

通過FCM方法計算異源影像每個像素點隸屬的信號類,耦合SBN估計每個像素點屬于每種地物的后驗概率向量[15]。信號類是具有某種典型光譜或紋理特征的像素,與影像密切相關,本文方法利用復合類型樣本和子類樣本實現信號類的大、小目標后驗概率向量估計。

1.2.1 基于FCM-SBN大目標后驗概率向量估計

經過圖像增強處理,由于影像拍攝時的曝光情況或增強過度導致有的地物光譜仍不具真實性,且不同地物的分離度不高,進而造成分類錯誤。為了減弱變化檢測的誤檢,在FCM-SBN方法基礎上,實現基于FCM-SBN大目標后驗概率向量估計,流程如圖3所示,具體步驟如下。

圖3 FCM-SBN大目標后驗概率向量估計流程

(1)建立不同地物的樣本集,形成子類地物樣本。地物顏色存在差異,同一種地物可能表現出兩種以上的顏色,同一顏色可能代表兩種以上類型的地物。

(2)更新樣本集。為了提高樣本之間的分離度,將同種色或類似色的地物樣本進行組合,構成復合類型地物樣本。如將代表綠地和水系樣本合并為同一類,使其成為生態區大目標的樣本。生態區作為復合類型地物,不區分綠地和水系,但能準確判斷出生態區。

(3)利用FCM-SBN,準確估計大目標地物后驗概率向量。FCM提取的信號類與地物往往沒有直接建立一一對應的關系,而SBN可以很好地解決這一問題,因此,使用FCM-SBN估計每個像素屬于各個地物的后驗概率。根據SBN的計算原則,像素pi,j屬于地物Lv的后驗概率可表示為

(1)

根據貝葉斯公式,P(Lv|wk)可表示為

(2)

因此,可得式(1)的變形公式為

(3)

根據全概率公式,P(wk)可表示為

(4)

由代表每種地物的樣本計算條件概率P(wk|Lv), FCM聚類計算的模糊隸屬度可以估計P(wk|pi,j),并將其代入式(3),可得出像素點pi,j屬于每種地物類型Lv的后驗概率。

1.2.2 基于FCM-SBN小目標后驗概率向量估計

基于FCM-SBN的大目標后驗概率向量估計,能夠有效減少變化檢測的錯檢。但是,將同種色或類似色的不同地物樣本組合成復合類型地物樣本,可能會導致其子類地物之間的變化檢測效果較差,甚至出現漏檢現象。因此,本文提出了基于FCM-SBN的小目標后驗概率向量估計。該方法具體步驟如下。

(1)小目標后驗概率向量估計。使用子類地物樣本數據,訓練FCM-SBN模型。

(2)提取子類樣本所在區域。將大目標復合類型地物樣本中的子類地物1和地物2提取,其他地物標記為0,得到基于FCM-SBN的小目標后驗概率向量。例如,進行大目標后驗概率向量估計,將居民地和道路兩種地物劃為一種復合類型地物,可能會導致變化檢測結果無法反映兩者之間的變化信息。因此,為了減少漏檢現象,針對居民地和道路兩個子類地物,實現基于FCM-SBN小目標后驗概率向量估計,進行相應的小目標變化檢測,對大目標變化檢測結果進行補充。

1.3 基于CVAPS的多尺度變化檢測

將對象劃分為大、小目標實現多尺度變化檢測,減少對影像光譜特征的依賴性。光譜變化類型有輕微變化、中度變化和劇烈變化3種,其中輕微變化會造成變化像元的過高估計。為了解決這一問題,學者們在變化檢測過程中提出了后驗概率空間變化向量分析法[22]。通過FCM-SBN計算目標像素后驗概率向量,采用變化向量分析方法對兩期結果進行差值運算,得到后驗概率變化向量,其計算公式為

Δρ=ρ1-ρ2

(5)

計算歐式距離獲取后驗概率變化向量強度,選擇合適的閾值方法區分不同變化類型,減弱過高估計對變化像元的誤判,凸顯變化區域和未變化區域[22]。將大目標變化檢測與小目標變化檢測信息疊加,得到最終的FCM-SBN-CVAPS多尺度變化檢測結果。

2 試驗結果與分析

2.1 試驗數據

試驗采用的兩組異源影像數據均經過輻射校正、圖像配準等預處理工作,如圖4和圖5所示,數據由全色和多光譜數據融合而成,包括紅、綠、藍3個波段,詳細信息見表1。

表1 數據詳情

表2 試驗1變化檢測結果評價指標

表3 試驗2變化檢測結果評價指標

圖4 試驗1的高分一和高分二影像

圖5 試驗2的高分二和GEOVIS影像

2.2 變化檢測試驗與分析

為了驗證本文提出的面向異源影像FCM-SBN-CVAPS多尺度變化檢測方法的有效性,將其與SVM-PCC[15]、SVM-CVAPS[15]、SVM-CVAPS多尺度變化檢測、FCM-SBN-PCC[15]、FCM-SBN-CVAPS[15]方法分別進行對比。試驗1、試驗2的變化檢測結果分別如圖6、圖7所示,其中,白色代表變化區域,黑色代表未變化區域。通過計算錯檢率、漏檢率、總體精度及Kappa系數指標實現方法的定量評估[23],各評價指標是在多次試驗下取平均值。

圖6 試驗1變化檢測結果

圖7 試驗2變化檢測結果

SVM-PCC方法相比于SVM-CVAPS、SVM-CVAPS多尺度變化檢測方法,漏檢情況最低,而錯檢率最高,因此Kappa系數較低,且FCM-SBN-PCC方法類似于SVM-PCC方法。由變化檢測效果可看出,FCM-SBN-CVAPS多尺度變化檢測方法整體效果較好,針對不同尺度目標計算對象內部像素變化,減少異源影像變化檢測的錯檢,降低漏檢率。試驗1的FCM-SBN-CVAPS多尺度變化檢測錯檢率為20.79%,漏檢率為17.05%,Kappa系數達到0.786 7;試驗2的FCM-SBN-CVAPS多尺度變化檢測錯檢率為24.61%,漏檢率為4.74%,Kappa系數達到0.818 8。與FCM-SBN-CVAPS方法相比,FCM-SBN-CVAPS多尺度變化檢測總體精度提高4%～5%,由于使用FCM-SBN-CVAPS方法進行變化檢測,兩組試驗錯檢率、漏檢率都較高,而FCM-SBN-CVAPS多尺度變化檢測可以同時降低錯檢率和漏檢率,因此總體精度和Kappa系數都有所提高?？傮w上,與其他5種比較方法相比,FCM-SBN-CVAPS多尺度變化檢測方法可以減少錯檢、漏檢情況,檢測出較小的變化區域,具有更高的精度。

3 結 語

本文提出了一種面向異源影像的FCM-SBN-CVAPS多尺度變化檢測方法。通過實現大目標變化檢測,減少了異源影像變化檢測時的錯檢;同時進行的小目標變化檢測,可檢測出漏檢的小目標,降低了漏檢率;相比FCM-SBN-CVAPS方法,在精度上有所提高。試驗結果驗證了本文方法的可靠性,無須大型的訓練集,即可降低錯檢率、漏檢率,且總體精度和Kappa系數均高于對比算法。對照人工變化檢測圖,本文方法未能檢測出部分小目標變化信息,未來可進一步引入空間信息,進而獲取更低的錯檢率和漏檢率。