留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

使用多尺度模糊融合的高分影像变化检测

张慧芳 张鹏林 晁剑

张慧芳, 张鹏林, 晁剑. 使用多尺度模糊融合的高分影像变化检测[J]. 武汉大学学报 ● 信息科学版, 2022, 47(2): 296-303. doi: 10.13203/j.whugis20190425
引用本文: 张慧芳, 张鹏林, 晁剑. 使用多尺度模糊融合的高分影像变化检测[J]. 武汉大学学报 ● 信息科学版, 2022, 47(2): 296-303. doi: 10.13203/j.whugis20190425
ZHANG Huifang, ZHANG Penglin, CHAO Jian. Change Detection by Multi-scale Fuzzy Fusion on High Resolution Images[J]. Geomatics and Information Science of Wuhan University, 2022, 47(2): 296-303. doi: 10.13203/j.whugis20190425
Citation: ZHANG Huifang, ZHANG Penglin, CHAO Jian. Change Detection by Multi-scale Fuzzy Fusion on High Resolution Images[J]. Geomatics and Information Science of Wuhan University, 2022, 47(2): 296-303. doi: 10.13203/j.whugis20190425

使用多尺度模糊融合的高分影像变化检测

doi: 10.13203/j.whugis20190425
基金项目: 

自然资源部城市国土资源监测与仿真重点实验室开放基金 KF-2019-04-046

详细信息
    作者简介:

    张慧芳,硕士,主要从事可靠性变化检测和地理信息系统方面的研究。rszhf@whu.edu.cn

    通讯作者: 张鹏林,博士,教授。zpl@whu.edu.cn
  • 中图分类号: P237

Change Detection by Multi-scale Fuzzy Fusion on High Resolution Images

Funds: 

The Open Fund of Key Laboratory of Urban Land Resources Monitoring and Simulation, Ministry of Natural Resource KF-2019-04-046

More Information
    Author Bio:

    ZHANG Huifang, master, specializes inreliable change detection and geographic information system. E-mail: rszhf@whu.edu.cn

    Corresponding author: ZHANG Penglin, PhD, professor. E-mail: zpl@whu.edu.cn
  • 摘要: 为了提高高分辨率遥感影像变化检测的可靠性,提出了一种基于模糊综合评判的遥感影像变化检测方法。首先对两个时相的影像进行波段叠加,对多波段新影像进行多尺度分割;然后针对单一尺度上的对象,综合考虑两时相遥感影像对象的光谱特征和纹理特征,建立模糊综合评判模型,对各个对象内的像素是否发生变化进行隶属度计算;最后采用熵权法对影像各个像素在不同尺度的“软”模糊评判结果进行定权处理和加权融合。实验以两组不同时相的高分影像为例,实现了基于模糊逻辑的多尺度变化检测有效融合,充分利用了多层次的像素特征,得到了整体优于单一尺度面向对象变化检测的结果,为多尺度变化检测提供了新的思路。
  • 图  1  本文方法流程

    Figure  1.  Flowchart of the Proposed Method in This Paper

    图  2  研究区域及变化检测图

    Figure  2.  Original Study Areas and Reference Map of IKONOS and SPOT5 Images

    图  3  IKONOS和SPOT5影像多尺度分割ROC-LV曲线

    Figure  3.  ROC-LV Curves of IKONOS and SPOT5 Images

    图  4  IKONOS和SPOT5影像多尺度分割结果

    Figure  4.  Multi-scale Segmentation Results of IKONOS and SPOT5 Images

    图  5  IKONOS影像变化检测结果

    Figure  5.  Change Detection Results of Single-scale and Multi-scale Fusion on IKONOS Images

    图  6  SPOT5影像变化检测结果

    Figure  6.  Change Detection Results of Single-scale and Multi-scale Fusion on SPOT5 Images

    表  1  Kappa系数评价标准

    Table  1.   Evaluation Criteria of Kappa Coefficient

    Kappa系数 一致性程度
    ≤0.00 很差
    (0,0.2) 微弱
    [0.2,0.4)
    [0.4, 0.6) 适中
    [0.6, 0.8) 显著
    [0.8, 1.0) 最佳
    下载: 导出CSV

    表  2  IKONOS影像变化检测精度与可靠性评价

    Table  2.   Change Detection Accuracy and Reliability of IKONOS Images

    可靠性评价指标 尺度 多尺度融合结果
    1 2 3
    完整性 0.88 0.77 0.68 0.91
    一致性 0.57 0.37 0.47 0.68
    准确性 0.54 0.40 0.52 0.64
    漏检率 0.12 0.23 0.32 0.09
    误检率 0.46 0.60 0.48 0.36
    整体精度 0.83 0.74 0.82 0.88
    下载: 导出CSV

    表  3  SPOT5影像变化检测精度与可靠性评价

    Table  3.   Change Detection Accuracy and Reliability of SPOT5 Images

    可靠性评价指标 尺度 多尺度融合结果
    1 2 3
    完整性 0.77 0.69 0.74 0.75
    一致性 0.44 0.53 0.54 0.60
    准确性 0.59 0.70 0.69 0.74
    漏检率 0.23 0.31 0.26 0.25
    误检率 0.41 0.30 0.31 0.26
    整体精度 0.72 0.78 0.78 0.81
    下载: 导出CSV
  • [1] 史文中, 张鹏林. 光学遥感影像变化检测研究的回顾与展望[J]. 武汉大学学报·信息科学版, 2018, 43 (12): 1832-1837 doi:  10.13203/j.whugis20180419

    Shi Wenzhong, Zhang Penglin. State-of-the-Art Remotely Sensed Images-Based Change Detection Methods[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 1832-1837 doi:  10.13203/j.whugis20180419
    [2] 张倩, 黄昕, 张良培. 多尺度同质区域提取的高分辨率遥感影像分类研究[J]. 武汉大学学报·信息科学版, 2011, 36(1): 117-121 http://ch.whu.edu.cn/article/id/433

    Zhang Qian, Huang Xin, Zhang Liangpei. Multiscale Image Segmentation and Classification with Supervised ECHO of High Spatial Resolution Remotely Sensed Imagery[J]. Geomatics and Information Science of Wuhan University, 2011, 36(1): 117121 http://ch.whu.edu.cn/article/id/433
    [3] 李亮, 王蕾, 孙晓鹏, 等. 面向对象变化向量分析的遥感影像变化检测[J]. 遥感信息, 2017, 32(6): 71-77 doi:  10.3969/j.issn.1000-3177.2017.06.012

    Li Liang, Wang Lei, Sun Xiaopeng, et al. Remote Sensing Change Detection Method Based on ObjectOriented Change Vector Analysis[J]. Remote Sensing Information, 2017, 32(6): 71-77 doi:  10.3969/j.issn.1000-3177.2017.06.012
    [4] Huang F M, Chen L X, Yin K L, et al. ObjectOriented Change Detection and Damage Assessment Using High-Resolution Remote Sensing Images, Tangjiao Landslide, Three Gorges Reservoir, China [J]. Environmental Earth Sciences, 2018, 77(5): 1-19
    [5] Desclée B, Bogaert P, Defourny P. Forest Change Detection by Statistical Object-Based Method[J]. Remote Sensing of Environment, 2006, 102(1/2): 1-11
    [6] 陈苏婷, 王慧. 多尺度多特征融合的高分辨率遥感影像分类[J]. 量子电子学报, 2016, 33(4): 420-426 https://www.cnki.com.cn/Article/CJFDTOTAL-LDXU201604006.htm

    Chen Suting, Wang Hui. High Resolution Remote Sensing Image Classification Based on Multi-Scale and Multi-Feature Fusion[J]. Chinese Journal of Quantum Electronics, 2016, 33(4): 420-426 https://www.cnki.com.cn/Article/CJFDTOTAL-LDXU201604006.htm
    [7] 刘波, 燕琴, 马磊, 等. 一种结合空间邻域关系特征的面向对象遥感影像变化检测方法[J]. 测绘工程, 2019, 28(1): 57-61 https://www.cnki.com.cn/Article/CJFDTOTAL-CHGC201901012.htm

    Liu Bo, Yan Qin, Ma Lei, et al. An Object Oriented Remote Sensing Image Change Detection Method Combined with Spatial Neighborhood Relationships [J]. Engineering of Surveying and Mapping, 2019, 28(1): 57-61 https://www.cnki.com.cn/Article/CJFDTOTAL-CHGC201901012.htm
    [8] 霍春雷, 程健, 卢汉清, 等. 基于多尺度融合的对象级变化检测新方法[J]. 自动化学报, 2008, 34(3): 251-257 https://www.cnki.com.cn/Article/CJFDTOTAL-MOTO200803007.htm

    Huo Chunlei, Cheng Jian, Lu Hanqing, et al. Object-Level Change Detection Based on Multiscale Fusion[J]. Acta Automatica Sinica, 2008, 34(3): 251-257 https://www.cnki.com.cn/Article/CJFDTOTAL-MOTO200803007.htm
    [9] 沈占锋, 骆剑承, 胡晓东, 等. 高分辨率遥感影像多尺度均值漂移分割算法研究[J]. 武汉大学学报·信息科学版, 2010, 35 (3): 313-316 http://ch.whu.edu.cn/article/id/870

    Shen Zhanfeng, Luo Jiancheng, Hu Xiaodong, et al. A Mean Shift Multi-Scale Segmentation for High-Resolution Remote Sensing Images[J]. Geomatics and Information Science of Wuhan University, 2010, 35(3): 313-316 http://ch.whu.edu.cn/article/id/870
    [10] 冯文卿, 张永军. 利用模糊综合评判进行面向对象的遥感影像变化检测[J]. 武汉大学学报·信息科学版, 2016, 41(7): 875-881 doi:  10.13203/j.whugis20140291

    Feng Wenqing, Zhang Yongjun. Object-Oriented Change Detection for Remote Sensing Images Based on Fuzzy Comprehensive Evaluation[J]. Geomatics and Information Science of Wuhan University, 2016, 41(7): 875-881 doi:  10.13203/j.whugis20140291
    [11] 赵敏, 赵银娣. 面向对象的多特征分级CVA遥感影像变化检测[J]. 遥感学报, 2018, 22(1): 119-131 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201801011.htm

    Zhao Min, Zhao Yindi. Object-Oriented and MultiFeature Hierarchical Change Detection Based on CVA for High-Resolution Remote Sensing Imagery [J]. Journal of Remote Sensing, 2018, 22(1): 119131 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201801011.htm
    [12] dos Santos J A, Gosselin P H, Philipp-Foliguet S, et al. Interactive Multiscale Classification of HighResolution Remote Sensing Images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(4): 2020-2034 doi:  10.1109/JSTARS.2012.2237013
    [13] Zhang P L, Shi W Z, Wong M, et al. A ReliabilityBased Multi-Algorithm Fusion Technique in Detecting Changes in Land Cover[J]. Remote Sensing, 2013, 5(3): 1134-1151 doi:  10.3390/rs5031134
    [14] 王桂婷, 王幼亮, 焦李成. 基于快速EM算法和模糊融合的多波段遥感影像变化检测[J]. 红外与毫米波学报, 2010, 29(5): 383-388 https://www.cnki.com.cn/Article/CJFDTOTAL-HWYH201005014.htm

    Wang Guiting, Wang Youliang, Jiao Licheng. Change Detection Method of Multiband Remote Sensing Images Based on Fast expectation-Maximization Algorithm and Fuzzy Fusion[J]. Journal of Infrared and Millimeter Waves, 2010, 29(5): 383388 https://www.cnki.com.cn/Article/CJFDTOTAL-HWYH201005014.htm
    [15] 钟家强, 王润生. 基于二维模糊信息熵的差分图像变化检测[J]. 计算机工程与应用, 2006, 42(14): 60-62 doi:  10.3321/j.issn:1002-8331.2006.14.019

    Zhong Jiaqiang, Wang Runsheng. Difference Images Change Detection Based on Two Dimension Fuzzy Entropy[J]. Computer Engineering and Applications, 2006, 42(14): 60-62 doi:  10.3321/j.issn:1002-8331.2006.14.019
    [16] 李亮, 舒宁, 李雪. 基于像斑差熵的遥感影像变化检测[J]. 遥感信息, 2011, 26 (4): 38-41 doi:  10.3969/j.issn.1000-3177.2011.04.008

    Li Liang, Shu Ning, Li Xue. Remote Sensing Image Change Detection Based on the Entropy Difference of Image Segment[J]. Remote Sensing Information, 2011, 26(4): 38-41 doi:  10.3969/j.issn.1000-3177.2011.04.008
    [17] 任晖. 生态环境健康评价及关键参数定量遥感反演方法研究[D]. 北京: 清华大学, 2013

    Ren Hui. Study on Ecological Environmental Health Assessment and Quantitative Remote Sensing Inversion Method of Key Parameters[D]. Beijing: Tsinghua University, 2013
    [18] 韩鹏, 龚健雅, 李志林. 基于信息熵的遥感分类最优空间尺度选择方法[J]. 武汉大学学报·信息科学版, 2008, 33(7): 676-679 http://ch.whu.edu.cn/article/id/1648

    Han Peng, Gong Jianya, Li Zhilin. A New Approach for Choice of Optimal Spatial Scale in Image Classification Based on Entropy[J]. Geomatics and Information Science of Wuhan University, 2008, 33 (7): 676-679 http://ch.whu.edu.cn/article/id/1648
    [19] Bovolo F. A Multilevel Parcel-Based Approach to Change Detection in very High Resolution Multitem poral Images[J]. IEEE Geoscience and Remote Sensing Letters, 2009, 6(1): 33-37 doi:  10.1109/LGRS.2008.2007429
    [20] Jain A K, Chandrasekaran B. 39 Dimensionality and Sample Size Considerations in Pattern Recognition Practice[J]. Handbook of Statistics, 1982, 2: 835-855
    [21] 马长辉, 黄登山. 纹理与几何特征信息在高空间分辨率遥感影像分类中的应用[J]. 测绘地理信息, 2019, 44(6): 66-70 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG201906017.htm

    Ma Changhui, Huang Dengshan. Application of Texture Features and Geometric Feature Information in High Spatial Resolution Remote Sensing Image Classification[J]. Journal of Geomatics, 2019, 44 (6): 66-70 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG201906017.htm
    [22] 徐慧, 张鹏林. 遥感影像像元不确定性对SVM分类结果可靠性影响研究[J]. 测绘地理信息, 2021, 46(5): 57-61 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG202105012.htm

    Xu Hui, Zhang Penglin. Influence of Remote Sensing Image Pixel Uncertainty on SVM Classification Reliability[J]. Journal of Geomatics, 2021, 46(5): 5761 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG202105012.htm
    [23] Wu C, Zhang L P, Du B. Kernel Slow Feature Analysis for Scene Change Detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(4): 2367-2384 doi:  10.1109/TGRS.2016.2642125
    [24] Wu C, Zhang L F, Zhang L P. A Scene Change Detection Framework for Multi-Temporal very High Resolution Remote Sensing Images[J]. Signal Processing, 2016, 124: 184-197 doi:  10.1016/j.sigpro.2015.09.020
  • [1] 张双喜, 刘金钊, 张品, 陈兆辉.  联合BEMD和WMM方法实现位场多尺度边界检测 . 武汉大学学报 ● 信息科学版, 2022, 47(4): 533-542. doi: 10.13203/j.whugis20200286
    [2] 王昶, 张永生, 王旭.  基于变分法与Markov随机场模糊局部信息聚类法的SAR影像变化检测 . 武汉大学学报 ● 信息科学版, 2021, 46(6): 844-851. doi: 10.13203/j.whugis20190167
    [3] 眭海刚, 冯文卿, 李文卓, 孙开敏, 徐川.  多时相遥感影像变化检测方法综述 . 武汉大学学报 ● 信息科学版, 2018, 43(12): 1885-1898. doi: 10.13203/j.whugis20180251
    [4] 刘金钊, 柳林涛, 梁星辉, 叶周润, 李红蕾.  重力梯度特征向量和多尺度分析法在密度异常深度探测中的应用 . 武汉大学学报 ● 信息科学版, 2016, 41(3): 322-330. doi: 10.13203/j.whugis20140235
    [5] 张晗, 倪维平, 严卫东, 边辉, 吴俊政, 李莎, 金骁.  利用分形和多尺度分析的中低分辨率SAR图像变化检测 . 武汉大学学报 ● 信息科学版, 2016, 41(5): 642-648. doi: 10.13203/j.whugis20140375
    [6] 冯文卿, 张永军.  利用模糊综合评判进行面向对象的遥感影像变化检测 . 武汉大学学报 ● 信息科学版, 2016, 41(7): 875-881. doi: 10.13203/j.whugis20140291
    [7] 陆苗, 梅洋, 赵勇, 冷亮.  利用多尺度几何特征向量的变化检测方法 . 武汉大学学报 ● 信息科学版, 2015, 40(5): 623-627. doi: 10.13203/j.whugis20130382
    [8] 魏立飞, 钟燕飞, 张良培, 李平湘.  多波段信息融合的遥感影像变化检测 . 武汉大学学报 ● 信息科学版, 2014, 39(1): 8-11.
    [9] 林怡, 刘冰, 陈映鹰, 潘琛.  多特征差分核支持向量机遥感影像变化检测方法 . 武汉大学学报 ● 信息科学版, 2013, 38(8): 978-982.
    [10] 万幼川, 申邵洪, 张景雄.  基于概率统计模型的遥感影像变化检测 . 武汉大学学报 ● 信息科学版, 2008, 33(7): 669-672.
    [11] 尤红建, 傅琨.  基于分布模型差异的SAR变化检测 . 武汉大学学报 ● 信息科学版, 2008, 33(5): 454-456.
    [12] 徐丽华, 江万寿.  顾及配准误差的遥感影像变化检测 . 武汉大学学报 ● 信息科学版, 2006, 31(8): 687-690.
    [13] 方圣辉, 佃袁勇, 李微.  基于边缘特征的变化检测方法研究 . 武汉大学学报 ● 信息科学版, 2005, 30(2): 135-138.
    [14] 李全, 李霖, 赵曦.  基于Landsat TM影像的城市变化检测研究 . 武汉大学学报 ● 信息科学版, 2005, 30(4): 351-354.
    [15] 张路, 廖明生, 盛辉.  基于正交变换的多通道遥感影像变化检测 . 武汉大学学报 ● 信息科学版, 2004, 29(5): 456-460,469. doi: 10.13203/j.whugis2004.05.018
    [16] 李德仁.  利用遥感影像进行变化检测 . 武汉大学学报 ● 信息科学版, 2003, 28(S1): 7-12.
    [17] 方针, 张剑清, 张祖勋.  基于城区航空影像的变化检测 . 武汉大学学报 ● 信息科学版, 1997, 22(3): 240-244.
    [18] 王新洲, 王树良.  模糊综合法在土地定级中的应用 . 武汉大学学报 ● 信息科学版, 1997, 22(1): 42-46.
    [19] 吴梦初.  光学系统价值工程综合评判及公差确定 . 武汉大学学报 ● 信息科学版, 1992, 17(1): 42-50.
    [20] 胡继才.  模糊综合评判及地形图质量的评定 . 武汉大学学报 ● 信息科学版, 1986, 11(3): 114-125.
  • 加载中
图(6) / 表(3)
计量
  • 文章访问数:  249
  • HTML全文浏览量:  46
  • PDF下载量:  29
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-10-12
  • 刊出日期:  2022-02-05

使用多尺度模糊融合的高分影像变化检测

doi: 10.13203/j.whugis20190425
    基金项目:

    自然资源部城市国土资源监测与仿真重点实验室开放基金 KF-2019-04-046

    作者简介:

    张慧芳,硕士,主要从事可靠性变化检测和地理信息系统方面的研究。rszhf@whu.edu.cn

    通讯作者: 张鹏林,博士,教授。zpl@whu.edu.cn
  • 中图分类号: P237

摘要: 为了提高高分辨率遥感影像变化检测的可靠性,提出了一种基于模糊综合评判的遥感影像变化检测方法。首先对两个时相的影像进行波段叠加,对多波段新影像进行多尺度分割;然后针对单一尺度上的对象,综合考虑两时相遥感影像对象的光谱特征和纹理特征,建立模糊综合评判模型,对各个对象内的像素是否发生变化进行隶属度计算;最后采用熵权法对影像各个像素在不同尺度的“软”模糊评判结果进行定权处理和加权融合。实验以两组不同时相的高分影像为例,实现了基于模糊逻辑的多尺度变化检测有效融合,充分利用了多层次的像素特征,得到了整体优于单一尺度面向对象变化检测的结果,为多尺度变化检测提供了新的思路。

English Abstract

张慧芳, 张鹏林, 晁剑. 使用多尺度模糊融合的高分影像变化检测[J]. 武汉大学学报 ● 信息科学版, 2022, 47(2): 296-303. doi: 10.13203/j.whugis20190425
引用本文: 张慧芳, 张鹏林, 晁剑. 使用多尺度模糊融合的高分影像变化检测[J]. 武汉大学学报 ● 信息科学版, 2022, 47(2): 296-303. doi: 10.13203/j.whugis20190425
ZHANG Huifang, ZHANG Penglin, CHAO Jian. Change Detection by Multi-scale Fuzzy Fusion on High Resolution Images[J]. Geomatics and Information Science of Wuhan University, 2022, 47(2): 296-303. doi: 10.13203/j.whugis20190425
Citation: ZHANG Huifang, ZHANG Penglin, CHAO Jian. Change Detection by Multi-scale Fuzzy Fusion on High Resolution Images[J]. Geomatics and Information Science of Wuhan University, 2022, 47(2): 296-303. doi: 10.13203/j.whugis20190425
  • 遥感技术的迅速发展为人类更好地感知地球提供了越来越先进的技术手段和越来越优质的观测成果,但是如何充分应用这些观测成果,仍然具有较大的探索空间。鉴于高分辨率遥感影像细节信息的丰富性,以像素为基元的分类方法容易忽略掉很多地物的空间上下文信息,且同一地物的光谱特征离散化问题也会对基于像素变化检测的精度产生不利影响[1-2]。为了评价基于对象的分类与基于非空间上下文像素的分类性能,许多学者进行了对比研究[3-7]。相对基于像素的分类而言,将对象作为基本处理单元更有利于图像的信息提取[8]。但固定尺度的地物提取不利于得到可靠的影像分类和变化检测结果,而多尺度分割可以获取更加全面的地物目标特征,将这些多尺度特征用于变化检测可以更准确地反映地物的变化[9]。文献[10]进行了多个尺度上的变化矢量分析,并对多个尺度的变化检测二值结果进行模糊融合;文献[11]构建了差值影像,采用阈值法提取多尺度变化信息,并进行自适应融合;文献[12]证明了对高分辨率遥感影像进行分层多尺度分析能够减少训练时间,生成更强的分类器。以上方法均提高了变化检测精度。

    在变化检测的可靠性方面,模糊集理论为不确定性信息处理提供了有力工具,可以有效实现对于多分类器、多检测信息的有效集成和融合,提高检测结果的可靠性。文献[13]使用多方法融合和利用上下文构建空间谱的方法展开了变化检测可靠性研究;文献[14]使用快速最大期望法(expectation maximization,EM)和模糊融合对多波段变化检测信息进行融合和判决,提高了变化检测结果的可靠性。此外,信息熵作为信息论中对不确定性的典型指标,在提高遥感影像分类及变化检测可靠性的方面也被经常使用。文献[15]使用二维模糊信息熵实现了非监督变化像素检测;文献[16]提出了利用遥感影像的像斑差熵来检测两期地表覆盖变化情况;文献[17]提出了土地利用异动熵来提取土地利用变化信息,取得了较好的效果;文献[18]研究了利用信息熵确定最优空间尺度的合理性,用以指导实际遥感分类中的空间尺度选择。

    总结近年来高分辨率遥感影像变化检测的研究进展可以发现,较少有人针对变化检测时像素空间上下文的范围及其影响进行研究,大部分研究是针对单一尺度的多特征综合评价。虽然有进行多尺度变化检测的研究,但大部分研究只利用了高分辨率影像局部多尺度特征,对于影像整体的多尺度变化特征没有全面研究和应用,此类遥感影像的变化检测需要更加全面和合理的决策机制。

    因此,本文利用对象-像素特征映射关系进行像素空间上下文特征的充分理解和应用,并引入模糊集理论以对不同尺度变化信息的不确定性进行有效处理,以期获得二时相、多分割尺度背景下对于同一空间位置影像对象内部像素变化属性的一致性描述,从而取得较高的变化检测精度和可靠性。

    • 本文提出了一种对象-像素特征映射下的多尺度模糊融合变化检测方法,基于信息论和模糊集方法对影像系统中的变化不确定性像素进行多尺度变化特征融合处理,提高了变化检测的精度和可靠性。研究整体思路如图 1所示。

      图  1  本文方法流程

      Figure 1.  Flowchart of the Proposed Method in This Paper

    • 首先将两个时相的影像进行波段组合,然后对新影像进行多尺度分割,最后将分割得到的矢量数据分别与两个时相的影像进行矢量嵌套分割,获取像斑。这一过程首先需要选择合适的分割尺度。研究表明,在合适范围内的分割尺度参数不会明显地影响变化检测的整体结果[19]。但逐次实验探索最优尺度的做法费时费力,也在一定程度上限制了算法的普适性。

      基于以上分析,本文拟将几种可能的最优分割尺度下的变化检测结果进行融合,即进行多种分割模式的多尺度融合,达到优化变化检测效果的目的。

    • 特征选择是分类识别的理论基础,一方面可以减少高维数特征的收集过程而减少分类的代价,另一方面可以为有限的样本提供较好的分类精度[20]。变化检测作为一种特殊的分类过程,也需要进行特征选择。如何选择最优特征进行面向对象的变化检测是学者研究的热点问题。

      研究表明,并非所有的对象特征都适合获得最佳的变化检测结果,不同对象特征对于不同的变化检测敏感。基于前人的研究结论[1921],同时为了充分利用影像的光谱与纹理信息,提高变化检测精度,本文使用均值、标准差和熵作为变化检测的参考特征。

      1)均值。均值用于表示每个对象所有像素亮度的平均值,是影像信息最直观的表达。某一对象内部像素光谱均值记为S,计算式为:

      S=1ni=1nSi ]]>

      式中,Si表示对象内部第i个像素的光谱值;n表示对象内的像素个数。

      2)标准差。标准差可以度量对象内灰度分布的离散程度。对于纹理丰富的像对象,对应的标准差较大。某一对象的光谱标准差记为σ,计算式为:

      σ=1n-1i=1nSi-S2 ]]>

      3)熵。熵可以用于描述对象纹理的复杂程度,是图像的一个重要纹理特征。某一对象的熵记作E,计算式为:

      E=-i=0L-1pxilog2pxi ]]>

      式中,xi表示影像对象L级别灰度的第i个灰度值;pxi为第i个灰度所占的比例。

    • 识别变化与非变化对象本质上是一种二分类问题。本文从所选的3个最优特征出发,构建时相间变化向量作为因素集建立评判模型,从而确定变化与未变化对象。在单尺度上进行模糊评价变化检测包括以下几个步骤:

      1)建立评判集P=P1,P0P0代表没有发生变化的概率,P1代表发生变化的概率。

      2)建立因素集。时相间变化向量用u表示,且u=u1,u2,u3u1u2u3分别代表两时相间对象的灰度均值、标准差和熵值这些特征的时相间欧氏距离,目的是最大程度避免漏检和误检。需要注意的是,不同特征距离由于量纲不同需要进行标准化处理。

      3)确定隶属度。支持向量机(support vector machine,SVM)对于二分类问题具有良好的分离性能,且在小样本训练和分类中具有明显优势[22],而变化检测本质上是一种二分类,分类器输出结果对应了变化和未变化两种分类结果。因此采用SVM分类器对特征变化量进行计算,得到各对象属于变化和未变化的隶属度。

      4)进行单尺度模糊评价。根据当前尺度下对象的变化概率值,若P1 > P0,则该对象发生了变化,若P1P0,则未发生变化,得到单尺度上的面向对象的多特征变化检测结果。

    • 按照信息论的基本原理,一般来说,若某个指标的信息熵指标越小,表明指标值的变异程度越大,提供的信息量越多,在综合评价中所能起到的作用也越大,其权重也就越大。相反,某个指标的信息熵指标越大,表明指标的变异程度越小,提供的信息量也越少,在综合评价中所起到的作用也越小,其权重也就越小。

      在变化检测中,某尺度下的系统(即全体像素的变化概率集合)熵值越小,则该尺度下变化概率值集合具有更大的信息量,应该赋予更大的权重;否则,若某个尺度上由概率值计算得到的熵值很大,例如该尺度上像素变化概率全部集中于某概率值附近,那么这个尺度上变化结果将出现全部变化、全部未变化和全部不确定等结果,则该尺度的变化检测结果误差较大,应当赋予较小的权重。根据这一思想,计算每个尺度在最终的变化检测综合评价中的作用权重,再将权重值与单尺度上像素相对变化的隶属度进行加权组合,得到多尺度融合后的像素隶属于变化类别的隶属度V1,用于进行对象内像素是否变化的模糊综合评判。需要注意的是,由于不同分割等级下对象边界存在差异,需要将单尺度模糊评价得到的各尺度上对象的变化概率值P1赋予各尺度上对象内部像素,作为相应尺度上像素的变化概率值,记为p1jj代表第j个尺度);再将各尺度上对象的未变化概率值P0同样赋予各尺度的对象内部像素,将像素的未变化概率值记为p0jj代表第j个尺度),且p1j+p0j=0。在这一赋值操作完成后,进行不同分割等级的变化概率值(即变化类隶属度)权重计算,用于进行多尺度间权重控制的综合模糊评价。具体方法如下:

      1)计算第j个尺度上第i个像素的变化概率值与全体像素变化概率值之和的比值qij

      qij=p1ij/i=1mp1ij ]]>

      式中,m为研究区域内像素个数;p1ij为第j个尺度上第i个像素的变化概率值。

      2)计算第j个尺度上像素的变化概率熵值ej

      $$ {e_j} = - k\mathop \sum \limits_{i = {\rm{1}}}^m {q_{ij}} \cdot \;{\rm{ln}}\;{q_{ij}} $$ (5)

      式中,k=1/lnm

      3)计算第j个尺度的权重:

      wj=(1-ej)/j=1n(1-ej) ]]>

      其中n=3,代表 3个尺度。

      4)此时每个像素的变化检测综合评价结果记为V0V1,分别代表属于未变化像素隶属度和属于变化像素的隶属度,计算式为:

      V0=wRU=w1,w2,w3p01,p02,p03T ]]>

      那么属于变化的隶属度V1计算式为:

      V1=1-V0 ]]>

      与单尺度模糊评判一样,根据最大隶属度原则:当V0V1时,可最终判定该像素未发生变化;V0<V1时,该像素发生了变化。

    • 可靠性指的是在给定条件下,研究方法取得预期结果的可能性。采用合适的方法和指标评价变化检测结果的可靠性是变化检测的关键步骤之一。因此,本文选取了一些定量指标评估变化检测结果的可靠性。

      1)完整性(R):用来评判算法从实验数据中正确识别出变化方面的表现。令Ncorrect_dc为算法正确检测出的变化像素个数,Nactual_ch为实际发生变化的像素个数,则完整性指标R定义为:

      R=Ncorrect_dc/Nactual_ch ]]>

      2)准确性(O):在所有被识别为变化的像素中,变化识别正确的像素占比。令Ndetected_ch_pixel为检测出的发生变化的像素个数,则准确性指标O定义为:

      O=Ncorrect_dc/Ndetected_ch_pixel ]]>

      3)虚检率Eerr和漏检率Emis。虚检率指的是实际未发生变化但被检测为变化的像素在被识别为变化的像素中的占比;漏检率是发生变化但未被算法标记为变化的像素在实际发生变化的像素中的占比。令Nerror_dc为误分为变化的像素个数,Nmiss_dc为漏分的变化像素个数,则虚检率Eerr和漏检率Emis的计算式分别为:

      Eerr=Nerror_dc/Ndetected_ch_pixel ]]>
      Emis=Nmiss_dc/Nactual_ch ]]>

      4)一致性(C)。变化检测中的一致性指的是算法检测出的变化检测结果与参考变化检测结果之间的一致性。本文使用Kappa系数表征变化检测结果的一致性,并使用Kappa系数进行一致性评价,结果见表 1

      表 1  Kappa系数评价标准

      Table 1.  Evaluation Criteria of Kappa Coefficient

      Kappa系数 一致性程度
      ≤0.00 很差
      (0,0.2) 微弱
      [0.2,0.4)
      [0.4, 0.6) 适中
      [0.6, 0.8) 显著
      [0.8, 1.0) 最佳
    • 为了验证本文方法的有效性,使用了两组数据进行实验,研究区域及变化检测图如图 2所示。第一组数据来自武汉大学地学智能感知与机器学习研究组的开源数据集[23-24],该数据是由IKONOS传感器获得的高分辨率遥感影像,覆盖范围为武汉市汉阳区,影像分别获取于2002年2月和2009年6月,经过Gram-Schmidt(GS)算法融合,分辨率为1 m,本文从该数据集中截取了519×532像素的研究区域。第二组数据来自武汉市测绘院提供的武汉市SPOT5传感器的2.5 m分辨率数字正射影像数据集,本文从该数据集裁剪出538×691像素的研究区域。

      图  2  研究区域及变化检测图

      Figure 2.  Original Study Areas and Reference Map of IKONOS and SPOT5 Images

    • 在本研究中,对研究区域的分割需要尽可能地寻找到不同地物合适的分割尺度范围,采用尺度参数估计(estimation of scale parameter,ESP)在ROC(rate of change)曲线上选取一定范围内的若干最优尺度进行实验。将前一时相和后一时相影像进行组合,形成多波段影像,对其进行多尺度分割,使用这个分割结果对两个时相的影像分别进行分割。本文中使用eCognition软件进行多尺度分割测试。图像的光谱和形状抑制权重分别为0.7和0.3,平滑度和紧致度都设为0.5。

      在eCognition中,通过ESP工具计算影像的ROC-LV(local variance)曲线来显示对象分割效果最佳参数,在曲线的典型峰值处进行分割尺度选择。IKONOS和SPOT5影像的多尺度分割ROC-LV曲线如图 3所示。针对IKONOS数据,选取分割尺度22、67和105作为3种不同的分割等级;针对SPOT5数据,选取分割尺度43、83和118作为3种不同的分割等级。对预处理后两组实验影像进行多尺度分隔,分割结果如图 4所示。

      图  3  IKONOS和SPOT5影像多尺度分割ROC-LV曲线

      Figure 3.  ROC-LV Curves of IKONOS and SPOT5 Images

      图  4  IKONOS和SPOT5影像多尺度分割结果

      Figure 4.  Multi-scale Segmentation Results of IKONOS and SPOT5 Images

      在上述分割结果的基础上计算不同分割尺度下对象的时相间特征变化量,作为模糊评价的因素集。鉴于在分类、聚类算法中,对于需要使用距离度量相似性的情况,Z-score标准化模型的效果更好,因此本文在对特征进行标准化处理时,对全部对象的特征变化向量进行Z-score标准化处理,然后使用LibSVM对样本对象的标准化时相间变化量进行训练,得到SVM模型,利用该模型对研究区域全体对象标准化时相间变化量进行二分类,设置模型“软”输出,即输出当前分割尺度上的影像对象隶属于变化和未变化两种类别的概率(P1P0),作为多尺度间综合模糊评价的隶属度初值。P1>P0,则该对象发生了变化,反之未发生变化。在本文划分的3个分割尺度下分别得到两组实验数据的分尺度变化检测结果,分别如图 5图 6所示。

      图  5  IKONOS影像变化检测结果

      Figure 5.  Change Detection Results of Single-scale and Multi-scale Fusion on IKONOS Images

      图  6  SPOT5影像变化检测结果

      Figure 6.  Change Detection Results of Single-scale and Multi-scale Fusion on SPOT5 Images

    • 如§1.4所述,将3个尺度单独模糊评价时每个对象的隶属度(P1P0)赋予该对象内部像素,记像素的变化概率值为p1,未变化概率值为p0p0+p1=1。特别地, 在本文描述的3个尺度上,令p1j代表第j个尺度上某像素发生变化的概率,p0j代表第j个尺度上某像素未发生变化的概率,则根据式(4)和式(5),在§1.3得出不同分割尺度上全体像素变化概率值集合,再由式(6)计算得到IKONOS影像的多尺度权重集w=w1,w2,w3=0.4271, 0.3196, 0.2533,采用式(7)和式(8)计算多尺度模糊融合后的隶属度结果,根据最大隶属度原则得到融合后变化检测综合评判结果如图 5(d)所示。

      使用同样的方法计算SPOT5影像的多尺度变化概率值权重集,结果为w=w1,w2,w3=0.1782, 0.3356, 0.4861,并得到多尺度模糊融合后的隶属度及其变化检测结果,如图 6(d)所示。

    • 使用§1.5介绍的指标进行变化检测可靠性的定量和定性评价,得到多个尺度分别模糊评价变化检测以及使用本文提出的熵权法模糊融合的评价结果。IKONOS影像和SPOT5影像变化检测精度与可靠性评价结果分别见表 2表 3

      表 2  IKONOS影像变化检测精度与可靠性评价

      Table 2.  Change Detection Accuracy and Reliability of IKONOS Images

      可靠性评价指标 尺度 多尺度融合结果
      1 2 3
      完整性 0.88 0.77 0.68 0.91
      一致性 0.57 0.37 0.47 0.68
      准确性 0.54 0.40 0.52 0.64
      漏检率 0.12 0.23 0.32 0.09
      误检率 0.46 0.60 0.48 0.36
      整体精度 0.83 0.74 0.82 0.88

      表 3  SPOT5影像变化检测精度与可靠性评价

      Table 3.  Change Detection Accuracy and Reliability of SPOT5 Images

      可靠性评价指标 尺度 多尺度融合结果
      1 2 3
      完整性 0.77 0.69 0.74 0.75
      一致性 0.44 0.53 0.54 0.60
      准确性 0.59 0.70 0.69 0.74
      漏检率 0.23 0.31 0.26 0.25
      误检率 0.41 0.30 0.31 0.26
      整体精度 0.72 0.78 0.78 0.81

      表 2表 3的检测结果对比可以看出,多尺度模糊融合的结果整体上效果相较于单尺度模糊评价变化检测的结果更好。采用光谱+纹理特征的多特征模糊评价变化检测结果在IKONOS影像的3个尺度上变化检测整体精度分别约为0.83、0.74和0.82,准确性指标分别为0.54、0.40和0.52,而采用熵权法模糊融合后的变化检测结果精度达到0.88,准确性指标达到0.64,且漏检率和误检率都有所降低。此外,本文单尺度上检测出的变化结果与真实结果的一致性分别属于适中、弱、适中,而使用本文方法融合得到的变化检测结果与真实变化情况的一致性显著,即变化检测的可靠性有较为明显的提高。而使用SPOT5影像进行实验时,虽然使用融合方法的变化检测结果在漏检率和完整性方面略逊于尺度1的结果,这是由于尺度1的变化检测结果中存在较多的误检,因此根据漏检率和完整性定义,尺度1的变化检测结果在漏检率和完整性方面较好,但在整体精度和一致性上较差。整体来看,在3个尺度上单独进行模糊评价的变化检测精度分别为0.72、0.78和0.78,准确性指标分别为0.59、0.70和0.69,而多尺度模糊融合后的变化检测精度达到0.81,准确性达到0.74,且模糊融合的变化检测结果在一致性(Kappa系数)、漏检率等可靠性指标上有更好的表现。综合以上结论,可以证明本文方法在提升变化检测可靠性方面的有效性。

    • 本文提出一种将由像素同质性约束分割得到的影像对象与其内部像素之间的映射特征进行多尺度加权融合的模糊评价变化检测方法。首先基于光谱和纹理特征,利用支持向量机进行单尺度变化判别,然后使用熵权法对多尺度判别结果进行进一步处理,得到结合了多层次像素间空间关系支持下的变化检测结果,该过程中通过矢栅转换将多尺度分割后的影像对象的空间特征映射到其内部像素,便于不同分割尺度之间结果的融合,且融合结果相比使用单尺度分割规则的变化检测在精度和可靠性上有所提高。实验结果验证了本文方法可以用于提高变化检测的可靠性,即从检测算法的角度提高变化检测的精度和可靠性。受限于本文研究的侧重点,本研究在地物类型与变化检测融合算法之间的关系未进行深入探索。在未来的研究中,将会对更多样化的特征和尺度利用深度学习对方法进行优化,并针对地物特点进行更加全面的研究。

参考文献 (24)

目录

    /

    返回文章
    返回