基于交互式分割技術和決策級融合的SAR圖像變化檢測

萬紅林，焦李成，辛芳芳

西安電子科技大學智能感知與圖像理解教育部重點實驗室，陜西西安710071

基于交互式分割技術和決策級融合的SAR圖像變化檢測

萬紅林，焦李成，辛芳芳

西安電子科技大學智能感知與圖像理解教育部重點實驗室，陜西西安710071

為免去降斑預處理及克服選擇分布模型的限制，結合差異圖的特點和一種不涉及分布模型的交互式分割方法，產(chǎn)生不同“種子點”下的變化檢測結果后，再利用投票策略進行決策級融合給出最終的變化檢測結果。分割中，將每個像素的特征設置為由差異圖及靜態(tài)小波變換分解差異圖再丟棄高頻系數(shù)后重構得到的各層表示內(nèi)，對應位置上的灰度值構成的矢量。此特征及決策級融合的策略使本文變化檢測技術對SAR圖像中的斑點噪聲具有一定的抗差性。在無需對SAR圖像做預處理的情況下，對真實SAR圖像數(shù)據(jù)集的變化檢測結果證實了方法的有效性。

交互式分割技術；差異圖的特點；決策級融合；靜態(tài)小波變換；SAR圖像；變化檢測

1 引 言

合成孔徑雷達（synthetic aperture radar，SAR）圖像的變化檢測，由于數(shù)據(jù)的內(nèi)在復雜性，既要求一個可有效去除斑點噪聲的預處理，又要求一個能有效處理乘性斑點噪聲的分析技術，這使得相對光學圖像以SAR圖像為研究對象的變化檢測技術較少。然而，與光學遙感相比，SAR具有的不受氣候和太陽光照條件影響的特點，使之具有潛在的實際應用價值，比如，SAR能有規(guī)律地監(jiān)測常出現(xiàn)云雨天氣的地區(qū)，而光學遙感則易被中斷。目前，SAR圖像的變化檢測技術已成功用于地震災區(qū)的標識［1］、水災監(jiān)控［2］和水稻栽種面積的評估［3］等方面。

一般地，若檢測由水災、火災或地震造成的突變性變化，只需事件發(fā)生前后兩時相的圖像，而檢測如綠地覆蓋率、濕地變化等逐漸發(fā)生的變化，則需一系列不同時刻獲取的圖像［4］。本文檢測由水災引起的突變性變化，兩時相圖像即可。對已配準、已校正的兩時相SAR圖像，無監(jiān)督的變化檢測技術一般基于以下3步：預處理、圖像比較和閾值分割［5］。預處理的目的是去除斑點噪聲，現(xiàn)有的自適應濾波器，如Lee或Gamma MAP濾波器等，均可用于去除斑點噪聲，但都需事先設定濾波程度。圖像比較是以對應位置有變化發(fā)生的可能性大小作為像素的灰度值生成差異圖。由于SAR圖像所含斑點噪聲的乘性特點，最廣泛使用的方法是比值法［6］，但該法只利用了單個像素的信息?，F(xiàn)有基于空間信息的差異圖構造方法，如：交叉互相關測度［7］、區(qū)域均值比等［8］，這種比較策略能較好地抑制因輻射等原因引起的灰度值突變的點。本文即采用區(qū)域均值比構造差異圖。

差異圖生成后，比較經(jīng)典的方法是通過閾值分割差異圖確定變化類和非變化類。一般的，基于閾值的差異圖分析技術在基于像素間相互獨立的假設下，利用單個像素的信息人工［9］或自動［10－13］地給出決策閾值。然而，真實圖像中鄰域像素間具有很大相關性。為利用空間關系，文獻［12］通過馬爾可夫隨機場（Markov random field，MRF）模型在決策階段將其引入，而后，文獻［13］利用鄰域像素間的空間關系糾正廣義高斯模型下EM算法的分類結果。結果表明變化檢測性能有所提高，但與文獻［10—11］中的方法一樣，變化檢測結果仍受所選統(tǒng)計模型與真實分布函數(shù)間擬合度的影響。為避免分布模型的假設，文獻［14］提出基于DCT特征抽取，文獻［15］提出基于紋理分類器的差異圖分析技術。然而，上述方法的變化檢測性能均依賴于預處理，這意味著濾波程度的設定問題仍存在。為此，文獻［5，16—18］利用多尺度分析工具代替濾波器，免去了預處理操作，但文獻［16—18］中的技術仍涉及分布模型的假設，而文獻［5］涉及多個參數(shù)的組合優(yōu)化。

為了免去預處理及克服分布模型假設的限制，本文借助靜態(tài)小波變換，結合差異圖的特點及交互式的分割技術，給出了一種新的SAR圖像變化檢測方法。利用靜態(tài)小波變換將每個像素的特征設置為對噪聲具有一定抗差性的由灰度值構成的矢量后，再由一種不涉及分布模型的交互式分割技術［19］結合由差異圖的特點給出的“種子點”，并通過像素間的競爭（特征間的比較）將差異圖分成兩類，得到不同“種子點”下的變化檢測結果；而后，再對不同“種子點”的變化檢測結果進行決策級融合，完成變化檢測。該方法無需對已配準、已校正的兩時相SAR圖像作降斑預處理，能產(chǎn)生優(yōu)于文獻［5］中最好方法的變化檢測結果，并克服文獻［10—18］需為類分布選擇合適的統(tǒng)計模型的限制。對真實SAR圖像試驗數(shù)據(jù)的變化檢測結果及比較，說明本文方法優(yōu)于其他相關技術。

2 差異圖的分析

對已配準、已校正的兩時刻SAR圖像It1和It2，構造差異圖DA

式中，N（p）表示位于（i，j）的像素p的鄰域像素構成的集合，p′為其中的一個元素?？紤]到窗口越大，噪聲去除得越干凈，但變化區(qū)域擴大得也越厲害，本文依據(jù)實際情況選取大小為3×3的窗口。給定差異圖后，若把變化檢測看成是一個對差異圖二分類的問題，則利用交互式的分割技術生成變化檢測結果是可行的，但存在以下兩個問題：如何給出交互式分割技術所需的“種子點”及克服差異圖中噪聲對其分割性能的影響。對交互式分割技術所需的“種子點”，本文根據(jù)差異圖的灰度分布特點，給出分別屬于變化類和非變化類的子集，并將其作為分割技術所需的種子點；對差異圖中殘留的部分噪聲，通過設置對噪聲具有一定抗差性的特征矢量來減少殘留的部分噪聲對分割性能的影響。最后，由于不同“種子點”對應不同的變化檢測結果，對不同“種子點”下得到的變化檢測結果，采用投票競爭策略對其進行決策級的融合生成最終的變化檢測結果。決策級融合的策略使最終的變化檢測結果對“種子點”的選取不敏感的同時，也加強了對噪聲的抗差性。流程圖如圖1所示。

圖1 本文方法的框架圖Fig.1 The general scheme of our proposed method

2.1 交互式分割技術對差異圖的分析

將交互式分割技術用于分析差異圖DA時，其實質(zhì)為對差異圖中每個像素賦予一個屬性向量后，由指定的“種子點”開始，根據(jù)競爭規(guī)則δ，通過鄰域N逐漸向外擴張，直到所有像素的狀態(tài)子集s不再變化。其中每個像素p的屬性向量由標簽lp、強度θp、特征Vp、鄰域系統(tǒng)N及競爭規(guī)則δ構成，狀態(tài)子集由標簽lp、強度θp、特征矢量Vp構成，即sp＝｛lp，θp，Vp｝。對給定的“種子點”，迭代結束后，所有像素的標簽即構成該“種子點”下的變化檢測結果。

如前所述，迭代前需解決種子點的選取和像素特征的設置問題。對分割方法所需的種子點，根據(jù)差異圖的分布特點［13］給出。利用差異圖的直方圖hD計算出兩個閾值Tn和Tc后，由該閾值確定分別屬于變化類和非變化類的“種子”。若兩閾值為Tn＝MD（1－α），Tc＝MD（1＋α），則變化類的種子有Sc＝｛DA（p）｜DA（p）＞Tc｝，非變化類的種子有Sn＝｛DA（p）｜DA（p）＜Tn｝，其中MD為直方圖hD的中間值，即MD＝［max｛DA｝－min｛DA｝］／2；α∈（0，1）是人為設定的一個參數(shù)，表征灰度值介于以MD為中心，MD×α為鄰域半徑內(nèi)的像素，其類別是有待確定的。

關于設置像素p的特征Vp問題，其關鍵在于部分殘留在差異圖中的斑點噪聲對分割技術的性能有影響，因此需設置對噪聲具有一定的抗差性的特征。受文獻［5］啟發(fā)，根據(jù)靜態(tài)小波變換對差異圖分解后再重構所得的對差異圖的不同層表示，其內(nèi)噪聲被去除程度不同的特點設置特征Vp。利用靜態(tài)小波變換獲得對差異圖的不同層表示后，將像素p在差異圖及其各層表示內(nèi)對應位置上的灰度值構成的矢量作為特征Vp，以消除斑點噪聲對分割技術性能的影響。靜態(tài)小波變換分解差異圖時，每層都產(chǎn)生4個大小與原圖一致的圖像，其中1個表示低頻信息，3個表示高頻信息。鑒于斑點噪聲都處在高頻系數(shù)內(nèi)，將分解后表示高頻信息的變換系數(shù)置0，只利用低頻系數(shù)進行逆靜態(tài)小波變換，得到對差異圖的某個分解層數(shù)下的表示。隨著分解層數(shù)的增加，該層表示內(nèi)噪聲去除的越多，但同時丟失的細節(jié)信息也越多?？紤]到噪聲去除和細節(jié)信息保持間的兩難，分別求得對差異圖的1層和2層表示，將特征設置為由三維灰度值構成的矢量。若Dk表示對差異圖的k層表示，則對位置（i，j）上的像素p，其特征矢量Vp為Vp＝［DA（i，j） D1（i，j） D2（i，j）］。

初始時，給定一個α，確定出變化類wc的種子，非變化類wn的種子及類別不確定的像素集Sα后，將差異圖中每個像素的狀態(tài)子集設置為

并開始迭代。迭代中，標簽不為零的種子點像素，通過鄰域系統(tǒng)N（選取二階鄰域），根據(jù)競爭規(guī)則δ更新差異圖中每個像素的狀態(tài)子集，直到Sα中所有像素的狀態(tài)子集不再變化。其中競爭規(guī)則δ為若當前像素自身的強度大于鄰域N 內(nèi)所有像素的強度，則該像素狀態(tài)子集保持不變；反之，該像素的狀態(tài)子集由其鄰域像素中強度最強的像素狀態(tài)決定，即標簽更新為與其一致，強度更新為最強強度與一個函數(shù)值的乘積，其中函數(shù)值由兩像素特征的相似度確定；若假設像素p的鄰域內(nèi)強度最強像素為q，則lp＝lq，θp＝g（x）·θq，其中

g（x）是值域在［0，1］間的單調(diào)遞減函數(shù)，能確保算法的收斂性；x表示像素p和q的特征Vp和Vq間的相似度，可由歐氏距離度量得到；maxc為歸一化常數(shù)，選取三維的灰度值作為特征矢量，maxc＝441.673。相關的偽代碼可參見文獻［19］。

2.2 決策級融合生成變化檢測圖

不同的α代表選取不同的種子點，而不同的種子點產(chǎn)生不同的變化檢測結果，這表明變化檢測結果的效果與α的取值有關。為了使最終的變化檢測結果較穩(wěn)定，同時增強其對斑點噪聲的抗差性，對不同種子點下的變化檢測結果進行決策級融合。將每個α對應的變化檢測結果都作為一個專家的判斷，根據(jù)少數(shù)服從多數(shù)的原則，通過投票策略［20］決定最終的變化檢測結果。對位置（i，j）上的像素p，其類別為獲取投票數(shù)最多的一類。若以Vwk（i，j），k＝c，n表示專家認為該像素屬于變化類（或非變化類）的票數(shù)，則差異圖DA中每個像素的類別可按式（4）確定

若給屬于變化類wc的像素賦予標簽1，而屬于非變化類wn的像素賦0，則對位置（i，j）上的像素p，其標簽Lp為最終，標簽圖L中，標簽值為1所在的位置即為檢測到的變化區(qū)域。

3 試驗設計及試驗結果對比

3.1 試驗數(shù)據(jù)描述

第一組真實的試驗數(shù)據(jù)是關于Bern城市水災的SAR圖像，由歐洲遙感2號衛(wèi)星SAR傳感器獲得，大小為301×301像素，如圖2所示。圖2（a）、（b）分別為水災前1999年4月的圖像和水災后1999年5月的圖像，圖2（c）為變化參考圖，其中真實變化目標數(shù)為1155個像素單元。要檢測的是1999年5月水災引起的變化。

圖2 第1組真實的有關Bern城市的試驗數(shù)據(jù)Fig.2 The first real dataset to be experimented on Bern city

第2組真實的試驗數(shù)據(jù)是Ottawa地區(qū)水災的Radarsat SAR圖像，大小為290×350像素，如圖3所示。圖3（a）為正處雨季，1997年5月的圖像，圖3（b）為雨季過后，1997年8月的圖像，圖3（c）為變化參考圖，其中變化目標數(shù)為16 049個像素單元。兩幅圖像已經(jīng)過配準，要檢測的是因為雨季來臨，洪水泛濫造成的變化。

圖3 第2組真實的有關Ottawa地區(qū)的試驗數(shù)據(jù)Fig.3 The second real dataset on Ottawa district

3.2 試驗設計

雖然已知α的值域為（0，1），且已知決策級融合可以消除不同的α對變化檢測性能的影響，但融合哪些α下的變化檢測結果得到最終的變化檢測結果，即存在α該如何取值的問題。為簡單起見，本文采取均分［0.05，0.95］的取值方式。這樣，最終變化檢測結果轉化為受取值間隔Δα的影響。為驗證本文方法的有效性，先分析參數(shù)Δα對變化檢測結果性能的影響，而后，從本文方法具有的3個特點組織了以下的比較試驗證明本文方法的有效性：① 與無監(jiān)督方式的變化檢測技術GGKIT［10］和LN－GKIT（或WR－GKIT）［11］比較；②與上下文敏感分析技術（EM＋MRF）［13］比較；③與無分布假設及利用上下文信息的變化檢測技術（FFL－ARS）［5］比較。其中，本文方法的變化檢測結果為投票策略融合α＝｛0.05：Δα：0.95｝，Δα＝0.05下的變化檢測結果所得。

為了更客觀地說明變化檢測結果的效果，給出4個定量評價檢測結果的分析指標：正確檢測數(shù)（right detections（RD），變化的像素被判斷為變化的像素個數(shù)）、漏檢數(shù)（missed alarms（MA），變化的像素被判為未變化的像素個數(shù)）、虛警（false alarms（FA），未變化的像素被判為變化的像素個數(shù)，也叫錯誤檢測數(shù)）和總錯誤檢測數(shù)（overall error（OE），即漏檢數(shù)＋虛警）。一個好的變化檢測技術在于使正確檢測數(shù)盡可能地多，而總錯誤檢測數(shù)盡可能地少。

3.3 參數(shù)分析

為分析參數(shù)α的取值間隔Δα對變化檢測結果的影響，以Bern試驗數(shù)據(jù)為例，給出以不同取值間隔Δα＝｛0.01，0.02，0.03，0.04，0.05，0.06，0.07，0.08，0.09，0.1｝均分區(qū)間［0.05，0.95］下各α對應的變化檢測結果，并在圖4給出其定量分析指標隨參數(shù)Δα的變化曲線。

圖4 本文方法的變化檢測結果受參數(shù)Δα的影響曲線Fig.4 Behaviors of quantitative analysis terms changing with the parameterΔα

給出不同Δα下變化檢測結果的定量分析指標后，得出正確檢測數(shù)在90.4±1.562 2個像素單元內(nèi)波動，而虛警數(shù)在289.1±5.557 1個像素單元范圍內(nèi)波動，這說明本文方法具有較好的變化檢測精度及較穩(wěn)定的性能。圖4展示的是取值間隔Δα對變化檢測結果性能的影響曲線，也表明本方法的變化檢測性能受取值間隔Δα的影響較小。

3.4 試驗結果及分析

對Bern試驗數(shù)據(jù)，各差異圖分析技術的變化檢測結果在圖5展示，其中圖5（a）、（b）分別為文獻［10—11］給出的對Bern試驗數(shù)據(jù)最好的變化檢測結果圖，圖5（e）為本文方法的變化檢測結果圖。表1給出了圖5中各變化檢測結果的定量分析指標。圖5（a）為對數(shù)比值法差異圖，假設其類分布模型符合廣義高斯分布（GGKIT）產(chǎn)生的變化檢測結果圖，圖5（b）為對比值法差異圖，假設其分布函數(shù)符合對數(shù)正態(tài)分布模型（LN－GKIT）得到的變化檢測結果；比較GGKIT和LN－GKIT法，GGKIT法的漏檢數(shù)比本文的多33個像素單元，LN－GKIT法的漏檢數(shù)比本文的多175個像素單元，這一方面是因為GGKIT和LN－GKIT法均需降斑預處理，而濾波程度設置得過小漏檢數(shù)較多，反之，則錯誤檢測數(shù)較多；另一方面是因為GGKIT和LN－GKIT法均涉及統(tǒng)計模型的選擇，對相同的試驗數(shù)據(jù)，相同的差異圖構造，不同的分布模型對應不同的變化檢測結果，即變化檢測結果的好壞取決于所選與真實的分布模型間的擬合度，若選取的分布模型不合適的話，變化檢測效果會不如本文方法的。

圖5 差異圖分析技術對Bern試驗數(shù)據(jù)均值比差異圖的變化檢測結果Fig.5 The results on Bern dataset of different techniques

表1 圖5中各變化檢測結果的定量分析指標Tab.1 The quantitative analysis terms on results shown in Fig.5

圖5（c）和圖5（d）分別為上下文敏感技術EM＋MRF和FFL－ARS法的變化檢測結果。比較EM＋MRF法與本文方法，雖然EM＋MRF法利用了鄰域信息，但EM＋MRF法多3085個像素單元。這主要是因為：① 差異圖中的斑點噪聲影響了EM＋MRF法的變化檢測性能；②暗含地認為差異圖的類分布符合高斯模型，而這與Bern試驗數(shù)據(jù)的差異圖中兩類的真實分布不太符合。比較FFL－ARS法與本文方法，F(xiàn)FL－ARS法的總錯誤檢測數(shù)比本文方法多107個像素單元。雖然FFL－ARS法不涉及分布模型的選擇且利用了鄰域信息，但該方法丟棄了差異圖自身所含的信息，只利用了由靜態(tài)小波變換對差異圖進行分解后再丟棄高頻系數(shù)重構的圖像數(shù)據(jù)（即對差異圖的k（k≥1）層表示）信息，而無論k取值多少，細節(jié)信息難免會有所丟失。本文方法利用了差異圖自身的信息，在一定程度上抑制了細節(jié)信息的丟失。比較兩方法的漏檢數(shù)，本文方法的漏檢數(shù)比FFL－ARS方法的少303個像素單元，這也定量地說明了FFL－ARS法細節(jié)信息丟失的較多。

通過上述比較，結果顯示本文方法優(yōu)于上述變化檢測技術。本文方法的變化檢測結果擁有較多的正確檢測數(shù)的同時，含有的總錯誤檢測數(shù)也較少，這說明在總錯誤檢測數(shù)和正確檢測數(shù)這個兩難的問題上達到了一個較好的平衡。究其原因，主要是因為：① 本文方法不涉及降斑預處理，避免了因濾波程度設置不當引起效果降低的可能性，且設置特征時，利用了差異圖本身，在一定程度上抑制了信息的丟失；② 不涉及分布模型的選擇，變化檢測結果只與初始選取的“種子點”有關，而通過決策級融合后，變化檢測結果已相對穩(wěn)定，且進一步克服了斑點噪聲對變化檢測結果的影響；③ 在變化檢測過程利用鄰域內(nèi)像素的競爭完成變化檢測，將鄰域信息引入提高了變化檢測精度。圖5（f）為給定差異圖下能獲取的最優(yōu)的變化檢測結果，即MTEP技術的變化檢測結果，與之相比進一步說明本文方法效果的有效性。

對Ottawa試驗數(shù)據(jù)，文獻［10］中GGKIT法的變化檢測結果較好，即對數(shù)比值法構造的差異圖，假設其類條件分布符合廣義高斯分布更合適，如圖6（a）所示；對比值法構造的差異圖，假設其類分布符合“Weibull－Ratio”模型更合適，即WRGKIT法的變化檢測結果較好，如圖6（b）所示。圖6（c）為上下文敏感技術EM＋MRF法的變化檢測結果圖，而圖6（d）為上下文敏感和無分布假設的FFL－ARS法的變化檢測圖；本文方法及MTEP技術的變化檢測結果分別在圖6（e）和圖6（f）展示。表2給出了各變化檢測結果的定量分析結果。

圖6 差異圖分析技術對Ottawa試驗數(shù)據(jù)均值比差異圖的變化檢測結果Fig.6 The results on Ottawa dataset of different techniques

表2 圖6中各變化檢測結果的定量分析指標Tab.2 The quantitative analysis terms on results shown in Fig.6

分析表2的數(shù)據(jù)可知：與Bern試驗數(shù)據(jù)相同的是，對Ottawa試驗數(shù)據(jù)，本文方法相比于其他技術，變化檢測效果有所改善。對Ottawa試驗數(shù)據(jù)，本文方法變化檢測結果的總錯誤檢測數(shù)為1199個像素單元，比GGKIT法少1508個像素單元，比WR－GKIT法的少1394個像素單元；比上下文敏感的EM＋MRF法少547個像素單元；比同時具有上下文敏感和無分布假設的FFL－ARS法少2002個像素單元。與MTEP技術的變化檢測結果相比，可進一步說明本文方法的有效性。而與Bern試驗數(shù)據(jù)不同的是，對Ottawa試驗數(shù)據(jù)，文獻［11］中WR－GKIT法的變化檢測效果較好，而對Bern試驗數(shù)據(jù)，相同方法構造的差異圖，LN－GKIT法的變化檢測效果較好，這進一步說明本文提出的變化檢測技術，不涉及分布模型假設的變化檢測技術的有效性。

4 結 論

本文利用差異圖的特點給出種子點后，結合種子點和一種基于鄰域像素競爭的交互式分割技術及決策級融合策略，給出了一種無監(jiān)督、上下文敏感及無分布假設SAR圖像變化檢測技術。該方法無需要求對SAR圖像作降斑預處理，且性能優(yōu)于其他相關的變化檢測技術，但當處理的圖像所含噪聲嚴重時，可以利用靜態(tài)小波變換對差異圖作多次分解后再重構，將特征設置為由灰度值構成的高維矢量，以增強對斑點噪聲的抗差性；也可以先作預處理去除部分斑點噪聲再由本文技術產(chǎn)生變化檢測結果，其中，濾波程度不夠強、仍有殘留的斑點噪聲對變化檢測結果有影響的情況可以不考慮，因為本文方法可以較好地處理含噪聲不嚴重的圖像。

分割技術中鄰域像素間競爭實為特征間的相似性比較，本文以灰度為特征、歐式范數(shù)為測度。實際上，使用者可以考慮任何具有辨別力的特征，諸如紋理、方差、局部直方圖等以及相應的相似性度量測度，如自適應的距離測度［22］等。

［1］ RIDD M，LIU J.A Comparison of Four Algorithms for Change Detection in an Urban Environment［J］.Remote Sensing of Environment，1998，63（2）：95－100.

［2］ MAS J F.Monitoring Land－cover Changes：a Comparison of Change Detection Techniques［J］.International Journal of Remote Sensing，1999，20（1）：139－152.

［3］ WEYDAHL D J.Detecting Seasonal Changes at Nordic Latitudes Using ERS－1SAR Images［C］∥Proceedings of IEEE International Geoscience and Remote Sensing Symposium，IGARSS’93.Tokyo：IEEE Computer Society，1993：1462–1464.

［4］ COPPIN P，JONCKHEERE I，NACKAERTS K，et al.Digital Change Detection Methods in Ecosystem Monitoring：a Review［J］.International Journal of Remote Sensing，2004，25（9）：1565－1596.

［5］ BOVOLO F，BRUZZONE L.A Detail－preserving Scaledriven Approach to Change Detection in Multitemporal SAR Images［J］.IEEE Transactions on Geoscience and Remote Sensing，2005，43（12）：2963－2972.

［6］ RIGNOT E J M，VAN ZYL J J.Change Detection Techniques form ERS－1SAR Data［J］.IEEE Transactions on Geoscience and Remote Sensing，1993，31（4）：896－906.

［7］ ONANA V P，TROUVE E，MAURIS G，et al.Change Detection in Urban Context with Multitemporal ERS－SAR Images by Using Data Fusion Approach［C］∥Proceedings of IEEE International Geoscience and Remote Sensing Symposium，IGARSS’03.Toulouse：IEEE Computer Society，2003：3650－3652.

［8］ WU F，WANG C，Zhang H，et al.Change Detection and Analysis with Radarsat－1SAR Image［C］∥Proceedings of IEEE International Geoscience and Remote Sensing Symposium，IGARSS’07.Barcelona：IEEE Computer Society，2007：2601－2604.

［9］ DEKKER R J.Speckle Filtering in Satellite SAR Change Detection Imagery［J］.International Journal of Remote Sensing，1998，19（6）：1133－1146.

［10］ BAZI Y，BRUZZONE L，MELGANI F.An Unsupervised Approach Based on the Generalized Gaussian Model to Automatic Change Detection in Multitemporal SAR Images［J］.IEEE Transactions on Geoscience and Remote Sensing，2005，43（4）：874－887.

［11］ MOSER G，SERPICO S B.Generalized Minimum－error Thresholding for Unsupervised Change Detection from SAR Amplitude Imagery［J］.IEEE Transactions on Geoscience and Remote Sensing，2006，44（10）：2972－2983.

［12］ BRUZZONE L，PRIETO D F.Automatic Analysis of the Difference Image for Unsupervised Change Detection［J］.IEEE Transactions on Geoscience and Remote Sensing，2000，38（3）：1171－1182.

［13］ BAZI Y，MELGANI F，BRUZZONE L，et al.A Genetic Expectation－maximization Method for Unsupervised Change Detection in Multitemporal SAR Imagery［J］.International Journal of Remote Sensing，2009，30（24）：6591－6610.

［14］ YU H T，LIN A P，CHAI G L，et al.A DCT－based Change Detection Method for Multi－temporal SAR Images［C］∥Proceedings of IEEE International Geoscience and Remote Sensing Symposimu，IGARSS’08，Boston：IEEE Computer Society，2008：166－169.

［15］ ZHANG S Q，LU H Q.Learning Texture Classifier for Flooded Region Detection in SAR Images［C］∥Proceedings of the International Conference on Computer Graphics，Imaging and Visualization，CGIV’05.Washington DC：IEEE Computer Society，2005：93－98.

［16］ CELIK T，MA K K.Unsupervised Change Detection for Satellite Images Using Dual－tree Complex Wavelet Transform［J］.IEEE Transactions on Geoscience and Remote Sensing，2010，48（3）：1199－1210.

［17］ CELIK T.A Bayesian Approach to Unsupervised Multiscale Change Detection in Synthetic Aperture Radar Images［J］.Signal Processing，2010，90（5）：1147－1471.

［18］ HUANG Shiqi，LIU Daizhi，HU Mingxing，et al.Multi－temporal SAR Images Change Detection Technique Based on Wavelet Transform［J］.Acta Geodaetica et Cartographica Sinica，2010，39（2）：180－186.（黃世奇，劉代志，胡明星，等，基于小波變換的多時相SAR圖像變化檢測技術［J］.測繪學報，2010，39（2）：180－186.）

［19］ VEZHNEVETS V，KONOUCHINE V.“GrowCut”—Interactive Multi－label N－D Image Segmentation by Cellular Automata［C］∥Proceedings of Graphicon.Novosibirsk：［s.n.］，2005.

［20］ KITTLER J，HATEF M，DUIN R P W，et al.On Combining Classifier［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1998，20（3）：226－239.

［21］ KITTLER J，ILLINGWORTH J.Minimum Error Thresholding［J］.Journal of Pattern Recognition，1986，19（1）：41－47.

［22］ DAVIS J V，KULIS B，JAIN P，et al.Information—Theoretic Metric Learning［C］∥Proceedings of the 24th International Conference on Machine learning，ICML’07.New York：ACM，2007：209－216.

Interactive Segmentation Technique and Decision－level Fusion Based Change Detection for SAR Images

WAN Honglin，JIAO Licheng，XIN Fangfang
The Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education，Xidian University，Xi’an 710071，China

To avoid reducing the speckle noise，and meanwhile overcome the limitation of selecting the distribution model，first，characteristics of the difference image（DI）are integrated with an interactive segmentation method not referring to any distribution assumption，to generate change detection maps corresponding to different“seeds”，then a voting competition strategy is used to fuse those results to give the final change detection map.During segmenting，the feature of each pixel is set as a vector consisted of the corresponding intensities in the DI and each scale representation of the DI given by stationary wavelet transform（SWT）.This kind of features and the decision level fusion make our proposed method robust to the speckle noise.Results on real SAR datasets obtained under the situation that there is no despeckling preprocessing of SAR images confirm the effectiveness of our method.

interactive segmentation method；characteristics of the difference image；decision－level fusion；stationary wavelet transform；SAR images；change detection

WAN Honglin（1983—），female，PhD candidate，majors in SAR image segmentation，object detection and change detection.

WAN Honglin，JIAO Licheng，XIN Fangfang.Interactive Segmentation Technique and Decision－level Fusion Based Change Detection for SAR Images［J］.Acta Geodaetica et Cartographica Sinica，2012，41（1）：74－80.（萬紅林，焦李成，辛芳芳.基于交互式分割技術和決策級融合的SAR圖像變化檢測［J］.測繪學報，2012，41（1）：74－80.）

TP751

A

1001－1595（2012）01－0074－07

國家863計劃（2008AA01Z125；2009AA12Z210）；國家自然科學基金（60702062；60803097；60972148；60971128；60970066）；國家部委科技項目（XADZ2008159；51307040103）；教育部博士點基金（200807010003）；教育部重點項目（108115）；高等學校學科創(chuàng)新引智計劃（111計劃）（B07048）；中央高?；究蒲袠I(yè)務費專項（JY10000902001；JY10000902038；JY10000902032）

雷秀麗）

2010－07－15

2011－03－15

萬紅林（1983—），女，博士生，主要研究方向為SAR圖像分割、目標檢測及變化檢測等。

E－mail：hlwan＠m(xù)ail.xidian.edu.cn