合成孔徑雷達(dá)影像變化檢測研究進(jìn)展

公茂果　蘇臨之　李　豪　劉　嘉

(智能感知與圖像理解教育部重點(diǎn)實(shí)驗(yàn)室(西安電子科技大學(xué))　西安　710071)

(gong@ieee.org)

?

合成孔徑雷達(dá)影像變化檢測研究進(jìn)展

公茂果蘇臨之李豪劉嘉

(智能感知與圖像理解教育部重點(diǎn)實(shí)驗(yàn)室(西安電子科技大學(xué))西安710071)

(gong@ieee.org)

A Survey on Change Detection in Synthetic Aperture Radar Imagery

Gong Maoguo, Su Linzhi, Li Hao, and Liu Jia

(KeyLaboratoryofIntelligentPerceptionandImageUnderstanding(XidianUniversity),MinistryofEducation,Xi’an710071)

AbstractChange detection in remote sensing imagery is a significant issue to detect the changes happening during a period of time at the same area. The change detection task based on synthetic aperture radar (SAR) imagery has been widely concerned in recent years due to their independence on time or weather condition. This paper first gives out a brief introduction to the classical steps along with some traditional methods, and then puts its emphasis on the summary of the burgeoning methods proposed recently. By improving the traditional methods, these state-of-the-art algorithms aim at generating a difference image and analyzing it by using the threshold, clustering, graph cut and level set methods, obtaining some satisfactory results and making a contribution to an accurate detection. The algorithms are introduced from the elementary to the profound, and their performance is compared theoretically. To demonstrate their effectiveness, two datasets are tested on these algorithms and an objective comparison is made to show the different properties of these algorithms. Finally, several meaningful viewpoints based on the practical problems for the future research of change detection are proposed, throwing light upon some further research directions.

Key wordschange detection; synthetic aperture radar (SAR); remote sensing imagery; threshold clustering; graph cut; level set

摘要遙感影像變化檢測技術(shù)用于檢測同一地點(diǎn)在一段時(shí)間內(nèi)所發(fā)生的變化情況，具有重要的應(yīng)用價(jià)值.而基于合成孔徑雷達(dá)(synthetic aperture radar, SAR)影像的變化檢測由于其傳感器具有不受時(shí)段、天氣條件影響等優(yōu)良特性而在近年內(nèi)受到了廣泛的關(guān)注.針對SAR影像變化檢測這一核心任務(wù)，首先對其經(jīng)典步驟以及每一步的傳統(tǒng)方法進(jìn)行介紹，然后對在近年來的諸多新興熱點(diǎn)算法加以歸納總結(jié).這些熱點(diǎn)算法對差異圖的生成以及閾值、聚類、圖切和水平集4種常用的差異圖分析法進(jìn)行了不同程度的研究，將傳統(tǒng)方法針對變化檢測任務(wù)進(jìn)行了相應(yīng)改善，取得了良好的效果.在由淺入深地介紹了這些算法的同時(shí)也進(jìn)行了理論上的分析對比.為了驗(yàn)證這些方法的有效性，使用了2組數(shù)據(jù)集對這些方法進(jìn)行了測試，定量比較了一些方法的性能.最后針對目前SAR影像變化檢測技術(shù)中需要進(jìn)一步研究的內(nèi)容作了展望.

關(guān)鍵詞變化檢測；合成孔徑雷達(dá)；遙感影像；閾值聚類；圖切；水平集

基于遙感影像的變化檢測是開展環(huán)境監(jiān)測[1]、農(nóng)業(yè)調(diào)查[2]、城市研究[3-5]、森林資源監(jiān)測[6]等對地觀測應(yīng)用中的關(guān)鍵技術(shù)，具有迫切的科學(xué)應(yīng)用需求和廣泛的應(yīng)用前景.所謂基于遙感影像的變化檢測，就是從不同時(shí)間獲取的同一地理區(qū)域的多時(shí)相遙感影像中定性地或定量地分析和確定地表變化特征和過程的技術(shù).由于變化檢測技術(shù)可以檢測出遙感影像的局部紋理變化信息以及輻射值，在資源和環(huán)境監(jiān)測方面，可以監(jiān)測出土地利用率以及土地覆蓋狀況、森林以及植被的覆蓋率、城市的擴(kuò)張狀況等；在農(nóng)業(yè)調(diào)查方面，它可以及時(shí)地更新地理空間數(shù)據(jù)，了解某一地理區(qū)域內(nèi)農(nóng)業(yè)作物生長狀況等；同時(shí)它對于自然災(zāi)害監(jiān)測與評(píng)估、軍事等領(lǐng)域也有著重要作用.

遙感影像根據(jù)工作方式的不同主要分為光學(xué)遙感影像和微波遙感影像.光學(xué)遙感是被動(dòng)遙感，因此僅接受目標(biāo)物的自身發(fā)射和對自然輻射源的反射能量；而以合成孔徑雷達(dá)(synthetic aperture radar, SAR)為代表的微波遙感則是主動(dòng)式微波成像傳感器[7].SAR利用脈沖壓縮技術(shù)和合成孔徑原理，使得距離分辨率和方位分辨率分別加以提高，進(jìn)而獲取大面積的高分辨率的遙感影像.由于SAR傳感器的成像原理特殊，因此可全天時(shí)全天候拍攝，對地表穿透能量強(qiáng)，對地理紋理特征及金屬目標(biāo)探測能力強(qiáng)，同時(shí)具有多波段多極化的散射特征.

總體來講，SAR成像技術(shù)相對于光學(xué)遙感和其他微波遙感，不僅具有可變側(cè)視角，還可以準(zhǔn)確并詳細(xì)地獲取地物信息，更重要的是可以不受氣候條件(尤其是惡劣天氣狀況)的影響，因此在變化檢測技術(shù)上有著廣泛的應(yīng)用.但是另一方面，SAR影像的微波成像機(jī)理，使其背景信息大都較為復(fù)雜，尤其地物區(qū)域間特征混疊嚴(yán)重，目標(biāo)特性差異度量存在較大困難.這些困難體現(xiàn)在結(jié)構(gòu)的敏感性、成像幾何畸變、成像系統(tǒng)的干擾、相干斑噪聲等方面.其中，在單極化SAR影像變化檢測領(lǐng)域最為突出的困難是對相干斑噪聲影響的克服.文獻(xiàn)[8]指出，SAR成像系統(tǒng)基本分辨單元內(nèi)地物的隨機(jī)后項(xiàng)散射，使得相位角失去了連續(xù)性，在影像上表現(xiàn)為顆粒狀信號(hào)相關(guān)的強(qiáng)度畸變，即產(chǎn)生相干斑噪聲.一幅N視圖相干斑噪聲的幅度A分布服從參數(shù)為σ的N卷積Rayleigh分布[8]：

(1)

這樣的噪聲是以相乘的形式附加在原圖上的，嚴(yán)重影響SAR影像解譯的效果.特別是在SAR影像變化檢測中，變化類和非變化類相關(guān)統(tǒng)計(jì)項(xiàng)很難進(jìn)行準(zhǔn)確估計(jì)，在相干斑抑制和細(xì)節(jié)保持上存在矛盾，進(jìn)行精確的多時(shí)相SAR影像變化檢測存在較大困難.

文獻(xiàn)[9]首先給出了單極化SAR影像變化檢測的基本流程范式，即經(jīng)典的3步流程范式：1)預(yù)處理；2)生成差異圖；3)分析差異圖.這一流程范式在專門研究SAR影像變化檢測算法的相關(guān)文獻(xiàn)[10-19]中均有所使用.其中，預(yù)處理是進(jìn)行SAR影像變化檢測的第一步，其目的是讓2幅影像在空域和譜域具有一致可比性[9]，為后面的比較作差生成差異圖步驟做好基礎(chǔ)的準(zhǔn)備.在空域上，2幅影像首先要進(jìn)行配準(zhǔn)處理，即將2幅SAR影像匹配到同一空間場景架構(gòu)的過程，目前比較流行的方式是通過尺度不變特征或者互信息特征來對2幅影像進(jìn)行尺度級(jí)別或者灰度級(jí)別的配準(zhǔn)[20]；而在譜域上，則需要將因照射條件等原因產(chǎn)生的誤差進(jìn)行輻射校正，這一點(diǎn)可以通過對全圖進(jìn)行目標(biāo)區(qū)域的劃分來實(shí)現(xiàn)[21].

生成差異圖和分析差異圖這2個(gè)步驟是近年來SAR影像變化檢測的研究重點(diǎn)方向，其目的主要是為了盡量減小SAR影像受到的相干斑噪聲的影響.縱觀國內(nèi)外近幾年對SAR影像變化檢測研究，其研究熱潮和發(fā)展速度可以說是前所未有的，但是這些研究往往是基于某一個(gè)或幾個(gè)有限的方面進(jìn)行深層次探索.鑒于近些年SAR影像變化檢測技術(shù)的快速發(fā)展，我們認(rèn)為有必要對SAR影像變化檢測的2個(gè)關(guān)鍵步驟作一個(gè)全面的介紹，并對近年來一些經(jīng)典算法的性能進(jìn)行實(shí)驗(yàn)對比和總結(jié).

1SAR影像變化檢測的基本算法

如引言所述，SAR影像變化檢測重點(diǎn)在生成差異圖和分析差異圖2個(gè)步驟中.由于SAR影像的特殊性質(zhì)，這些基本算法和一般的影像處理有所不同，并且近年來所提出的熱點(diǎn)算法也基本上是基于這些基本算法改進(jìn)的.

1.1差異圖的生成

差異圖生成的目的是初步區(qū)分2幅SAR影像中未變化類和變化類，并為后續(xù)的差異圖分析環(huán)節(jié)提供基礎(chǔ).考慮2幅SAR影像I1={I1(i,j),1≤i≤A,1≤j≤B}和I2={I2(i,j),1≤i≤A,1≤j≤B}，它們分別在時(shí)刻t1和t2所獲得.這一步的目的是通過某種差異運(yùn)算構(gòu)造一幅和兩者尺寸一樣的差異圖IX={IX(i,j),1≤i≤A,1≤j≤B}.顯然，選擇合適的差異運(yùn)算極為重要.

總體來看，由于SAR影像數(shù)據(jù)的特殊性，近年來在其差異圖生成算法方面理論體系相對比較特殊.差異圖的生成，實(shí)際上是找到一個(gè)能表征2幅SAR影像之間距離的矩陣，這個(gè)矩陣經(jīng)過可視化處理后就是差異圖.傳統(tǒng)的差異圖生成算法主要是通過對像素求差異運(yùn)算來獲得差異圖.早期的差異圖生成算法主要采用最簡單的差值差異運(yùn)算，即直接將2幅SAR影像相減.但是SAR影像在成像機(jī)制上與光學(xué)遙感影像有較大差異，許多研究人員已經(jīng)證實(shí)其固有的相干斑噪聲的模型為乘性隨機(jī)噪聲[10]，差值法無法有效抑制相干斑噪聲，所以常規(guī)變化檢測方法直接應(yīng)用于SAR影像并不能取得很好的效果.在文獻(xiàn)[22]中提出，差值算子不符合SAR影像的統(tǒng)計(jì)模型，而且從校正誤差的角度講不具有穩(wěn)定性和魯棒性.相對于差值運(yùn)算來講，比值算子能夠較好克服對乘性噪聲敏感這一缺點(diǎn)，因此該方法可有效地抑制相干斑，并逐漸成為主要研究方向，在較長的一段時(shí)期內(nèi)得到了廣泛應(yīng)用.盡管如此，比值法沒有進(jìn)一步考慮影像的局部、邊緣、類條件分布等先驗(yàn)信息，因此仍然有改進(jìn)的余地，所以在比值算子的基礎(chǔ)上，另有對數(shù)比(log-ratio, LR)算子和均值比(mean-ratio, MR)算子2種改進(jìn)方法.

LR算子在比值差異圖的基礎(chǔ)上多了一步對數(shù)的運(yùn)算.文獻(xiàn)[23]提到，利用LR算子將比值差異圖轉(zhuǎn)換到對數(shù)尺度，從而將SAR影像中的相干斑噪聲轉(zhuǎn)換為加性噪聲，并且在經(jīng)過對數(shù)轉(zhuǎn)換后的差異影像素得到了非線性收縮，增強(qiáng)了變化類和非變化類的對比度.對數(shù)運(yùn)算本身的性質(zhì)能夠減小比值運(yùn)算所帶來的較大差異，所以可以進(jìn)一步降低未變化類背景部分的野點(diǎn)影響，在變化區(qū)域比未變化區(qū)域小的情況下比較有效.但與此同時(shí)，LR運(yùn)算將2類區(qū)域的邊緣信息完好保留的能力相對較弱，這是因?yàn)閷?shù)運(yùn)算收縮性較強(qiáng)、邊緣區(qū)域的像素值容易被模糊化的緣故.

MR算子在文獻(xiàn)[24]提出.該算子利用了像素的鄰域信息，對于單獨(dú)出現(xiàn)的野點(diǎn)有一定程度的抑制效果.這是由于相比的對象不再是對應(yīng)的孤立像素點(diǎn)，而是像素點(diǎn)所在的鄰域的均值.均值相比起到了空域的濾波效果，即在生成差異圖的同時(shí)對影像本身有了一定程度的去噪功能.但是，由于缺乏伸縮變換，如果噪聲不是以點(diǎn)狀的形式出現(xiàn)而是以成片的形式出現(xiàn)，則MR算子不易有效抑制其影響.

近年來對于差異圖的生成算法又有了進(jìn)一步的研究，涌現(xiàn)出一些性能優(yōu)良的熱點(diǎn)算法.此外，目前有許多的模型能夠?yàn)镾AR影像進(jìn)行統(tǒng)計(jì)建模，而且又有很多的算法用于衡量統(tǒng)計(jì)分布之間的距離來構(gòu)建差異圖，這也構(gòu)成了生成差異圖的新興算法.這些熱點(diǎn)算法將在第2節(jié)予以介紹.

1.2差異圖的分析

差異圖生成以后，需要對其進(jìn)行分析，最終生成一幅黑白二值圖IB.常用的分析方法有4種：閾值分析、聚類分析、圖切分析和水平集分析.

1) 閾值法.閾值法是通過某種閾值選擇方法找出一個(gè)最優(yōu)閾值以后，將差異圖以閾值像素值為界劃分為2類.以往的閾值往往需要人工來確定，但是隨著科技發(fā)展，更多科研人員更加青睞無監(jiān)督的閾值選取.其中，無監(jiān)督的最優(yōu)閾值的選擇方法中比較經(jīng)典的有Kittler & Illingworth(KI)算法[25]和期望最大化(expectation maximization, EM)算法[26]，這2種方法首先都需要通過建立模型對未變類和變化類的類條件分布進(jìn)行直方圖擬合，最后通過Bayes最小錯(cuò)誤率準(zhǔn)則使得2類分布的后驗(yàn)概率相等來擇出最優(yōu)閾值T*.類條件分布模型比較常用的有Gaussian模型、廣義Gaussian(GG)模型、對數(shù)正態(tài)(LN)模型等.這2種方法的不同之處在于：KI算法通過建立性能指標(biāo)函數(shù)，并求出函數(shù)最小值來尋找對應(yīng)T*；EM算法則是通過迭代不斷最大化期望值來求得T*.閾值法的優(yōu)點(diǎn)是運(yùn)算速度快、方法簡明，但是存在精確度不夠高等問題.

2) 聚類法.聚類法是通過對差異圖運(yùn)用聚類算法得到未變類和變化類的2個(gè)聚類中心，然后通過近鄰法分割出2類.聚類方法有硬聚類和模糊聚類2種，硬聚類以K均值(K-means, KM)聚類法[27]為代表，模糊聚類以模糊C均值(FuzzyC-means, FCM)聚類法[28]為代表.硬聚類KM聚類法用貪婪算法推導(dǎo)出，利用類間距離最大和類內(nèi)距離最小這2點(diǎn)，通過迭代找到合適的聚類中心，但由于硬劃分的原因會(huì)造成一些誤差.模糊聚類FCM聚類法在此基礎(chǔ)上又加入了模糊集合知識(shí)，生成有隸屬度矩陣，因此能夠更為有效地保留更多數(shù)據(jù)原有的特性，從而使分類精度得以提高，因此在現(xiàn)今成為一種更為流行的聚類基本方法.聚類法的優(yōu)點(diǎn)是不需要建立模型，比閾值法靈活，但是由于上述的2種基本的聚類法沒有考慮數(shù)據(jù)在空域上的諸多其他信息，因此仍舊對影像噪聲比較敏感.

3) 圖切法.圖切法是另一種影像的二分類方法，本質(zhì)上是將未變化類和變化類的標(biāo)簽分配給諸像素點(diǎn).該方法通過對給定的約束函數(shù)不斷進(jìn)行能量優(yōu)化，而當(dāng)能量達(dá)到最小時(shí)，影像像素就可以對應(yīng)于最優(yōu)的標(biāo)簽.在早期的視覺影像問題中，圖切法用于空間變量的噪聲測量.近幾年，諸多實(shí)驗(yàn)證實(shí)了在影像分割領(lǐng)域運(yùn)用圖切法進(jìn)行優(yōu)化的可行性[29]，文獻(xiàn)[30-31]也說明了圖切是解決差異圖分析的有效方法.差異圖的分析本身是一個(gè)二分類問題，即對每個(gè)像素點(diǎn)進(jìn)行分類，因此可以根據(jù)差異圖自身的性質(zhì)構(gòu)造合適的能量函數(shù)，并且使用圖切法最小化這個(gè)能量函數(shù)，使得能量最小時(shí)每一個(gè)像素點(diǎn)都屬于一個(gè)最合適的分類.圖切法的能量函數(shù)包含2部分：數(shù)據(jù)函數(shù)和平滑函數(shù).數(shù)據(jù)函數(shù)值用于衡量影像中某像素點(diǎn)與其當(dāng)前所持標(biāo)簽的擬合程度大??；平滑函數(shù)則是相當(dāng)于在某一鄰域中2個(gè)像素點(diǎn)之間不連續(xù)性的懲罰函數(shù)[32].

4) 水平集法.基于水平集模型的方法近年來在影像分割領(lǐng)域引起了廣泛的關(guān)注.水平集利用曲線演化將二維閉合曲線的演化問題轉(zhuǎn)化為三維空間中水平集函數(shù)曲面演化的隱含方式來求解，即構(gòu)造一個(gè)三維的水平集函數(shù)，然后求使其值為零的解構(gòu)成的曲線集合，從而獲得影像分割的結(jié)果.Chan和Vese在文獻(xiàn)[33]中根據(jù)Mumford-Shah泛函模型[34]和變分水平集方法提出了著名的CV模型.該模型是基于區(qū)域的分析方法，具有很好的內(nèi)部邊緣和弱邊緣的檢測能力.通過不斷優(yōu)化能量函數(shù)來不斷修正水平集函數(shù)，輪廓曲線演化方程被轉(zhuǎn)化成求解數(shù)值化偏微分方程的問題.SAR影像變化檢測的差異圖由于受到噪聲的影響，容易在區(qū)域內(nèi)或邊界上產(chǎn)生野點(diǎn)現(xiàn)象，因此可以在其能量函數(shù)中加上若干鄰域或者邊緣信息，適應(yīng)于拓?fù)浣Y(jié)構(gòu)變化的處理.在曲線的分裂或者合并等過程中，不但具有較高的計(jì)算精度，而且算法穩(wěn)定性強(qiáng)，可以有效降低這些野點(diǎn)在分析過程中的干擾.近年來國內(nèi)外諸多科研人員都在致力于研究關(guān)于CV模型的進(jìn)一步優(yōu)化和改進(jìn)，并加以運(yùn)用到變化檢測的差異圖分析中.

有關(guān)SAR影像的差異圖分析方法的研究是這幾年的熱點(diǎn)問題，許多科研人員對以上的基本方法進(jìn)行研究并加以合理改良，使得最終獲得優(yōu)良的分析結(jié)果.

2近年熱點(diǎn)算法介紹

SAR影像變化檢測研究在近年來得到了廣泛的關(guān)注，國內(nèi)外的諸多優(yōu)秀團(tuán)隊(duì)對其進(jìn)行了廣泛而又細(xì)致的研究，取得了一些較為可喜的成果.本節(jié)將對近年來一些國內(nèi)外知名期刊中的SAR影像變化檢測熱點(diǎn)方法予以介紹和匯總.

2.1差異圖生成熱點(diǎn)算法

近年來，差異圖生成的熱點(diǎn)算法主要是基于鄰域信息的融合改進(jìn).Zheng等人在文獻(xiàn)[11]中提出了一種簡單實(shí)用的差異圖融合方法，即組合差異圖(combined difference image, CDI)法.該方法對差值差異圖和LR差異圖進(jìn)行參數(shù)加權(quán)獲得新的差異圖.CDI法將差值差異圖和LR差異圖分別進(jìn)行均值濾波和中值濾波，初步去除噪聲干擾和野點(diǎn)，然后利用人工加權(quán)的參數(shù)獲得最終的融合差異圖.這種方法簡單易行，且適合于并行處理，速度較快.但是其中含有人工參數(shù)，需要多次測試才能得出最優(yōu)的參數(shù)值，不易根據(jù)影像本身的性質(zhì)進(jìn)行自動(dòng)選擇.

為了去除人工參數(shù)，使得差異圖生成實(shí)現(xiàn)進(jìn)一步的無監(jiān)督化，Gong等人在文獻(xiàn)[12]中提出了一種基于鄰域的比值差異圖(neighborhood-based ratio, NR)算子.和MR算子不同的是，NR算子并不是簡單應(yīng)用一個(gè)鄰域窗口內(nèi)像素強(qiáng)度的均值信息，而是對比值差異圖和MR差異圖的一個(gè)加權(quán)平均.這個(gè)權(quán)值可以表征中心像素所在的位置是處于勻質(zhì)區(qū)域還是異質(zhì)區(qū)域，低值對應(yīng)勻質(zhì)區(qū)域，高值對應(yīng)異質(zhì)區(qū)域.NR算子構(gòu)建的差異圖充分結(jié)合了像素點(diǎn)的灰度信息和空間信息，而加權(quán)參數(shù)完全由影像自身的性質(zhì)確定，提高了差異圖構(gòu)造的魯棒性.

小波融合(wavelet fusion, WF)法是Ma等人在文獻(xiàn)[13]中提出的另一種差異圖構(gòu)造方法.如1.1節(jié)所述，LR差異圖從細(xì)節(jié)上能夠較好地去除背景噪點(diǎn)，而MR差異圖則對變化區(qū)域整體信息保持較好，因此WF算子結(jié)合2種差異圖的優(yōu)勢對兩者進(jìn)行有效融合.首先對已生成的LR和MR差異圖分別進(jìn)行小波變換，再分別抽取MR差異圖的低頻段和LR差異圖的高頻段，也就是抽取了MR差異圖的整體信息和LR差異圖的細(xì)節(jié)信息；然后對低低(LL)、低高(LH)、高低(HL)和高高(HH)諸頻率信息按照基于鄰域的融合規(guī)則進(jìn)行融合，生成一幅新的小波變換圖；最后進(jìn)行小波逆變換，得到了WF融合差異圖.這種方法結(jié)合了小波變換的性質(zhì)，使2種差異圖的優(yōu)點(diǎn)通過小波融合在一起.

通過結(jié)合SAR影像強(qiáng)度和紋理特征來構(gòu)造差異圖IT(intensity and texture)是又一熱點(diǎn)算法.Gong等人在文獻(xiàn)[35]中將輸入的2幅SAR影像進(jìn)行稀疏和低秩系數(shù)的分解，分別得到了對應(yīng)的強(qiáng)度和紋理信息.該方法對這2種信息分別構(gòu)建差異圖，然后進(jìn)行融合.這樣做既提取出了SAR影像中主要變化的區(qū)域，又能防止斑點(diǎn)噪聲對差異圖性能產(chǎn)生影響，尤其是在保持這一性能上具有較強(qiáng)的魯棒性.

2.2閾值法分析差異圖熱點(diǎn)算法

閾值法分析簡單、易操作，主要通過模型選擇確定最優(yōu)閾值.最終的二值圖IB由式(2)確定：

(2)

如1.2節(jié)所述，近年來無監(jiān)督的閾值選擇方法頗受研究人員的關(guān)注.Bazi等人在2005年就提出了用KI閾值法來分析差異圖[10]；之后，Moser和Serpico又在2006年聯(lián)合提出了廣義KI(generalized KI, GKI)閾值選擇算法[14].GKI所構(gòu)建的性能指標(biāo)函數(shù)包含了模型的整個(gè)類條件分布表達(dá)式，比起KI的指標(biāo)函數(shù)利用了更多的模型信息.不僅如此，Moser和Serpico還擴(kuò)充了可選擇模型的種類，即在Gaussian和GG模型上又增加了Nakagami-ratio,Log-normal和Weibull-ratio這3種模型，在操作中可以根據(jù)實(shí)際情況靈活使用.此外，為了充分發(fā)揮GKI算法的優(yōu)勢，Hu和Ban在2014年提出了一種直方圖優(yōu)化方法[5].這種方法在運(yùn)用GKI之前先對直方圖進(jìn)行優(yōu)化處理，這樣能夠有效地解決直方圖為單峰時(shí)GKI處理所遇到的困難.

EM算法原先用于估計(jì)缺損數(shù)據(jù)的統(tǒng)計(jì)情況[26]，由于SAR影像差異圖的灰度直方圖常常有混疊現(xiàn)象，可以認(rèn)為是一種缺損數(shù)據(jù)，因此EM算法也在此適用.2000年，Bruzzone和Prieto首先將基于Gaussian模型的EM算法應(yīng)用于差異圖的閾值分析上[36]，并推算出了其迭代公式.而在2007年，Bazi等人將基于性能更加優(yōu)良的GG模型的EM算法用于影像分割[37]，并以變化檢測的差異圖分析為例.不僅如此，他們還提出了用進(jìn)化算法中經(jīng)典的遺傳算法來對EM算法進(jìn)行初始化，細(xì)化了算法流程.這個(gè)算法的優(yōu)點(diǎn)是對影像及其變化區(qū)域分布狀況的可選范圍廣，但是由于要對2類同時(shí)進(jìn)行EM算法估計(jì)，需要比較繁雜的初始化及迭代計(jì)算.

針對EM算法初始化和迭代計(jì)算繁雜的問題，Su等人在2014年提出了一種局部擬合兼半期望最大化(locally fitting and semi-EM, LF&SEM)算法[15].該算法適用于變化區(qū)域的比例相對較小的普適情況，充分利用了這種情況下灰度直方圖的特點(diǎn).該算法首先鎖定了最優(yōu)閾值必然出現(xiàn)的一個(gè)子區(qū)間，使得未變化類模型的擬合區(qū)間限定在這個(gè)子區(qū)間內(nèi)而不像其余的算法去擬合全部灰度級(jí)；然后根據(jù)未變化類擬合的信息，對于被混疊的變化類采取了基于GG模型的EM迭代.這種算法充分考慮到了未變化類和變化類的分布特點(diǎn)，將2類的擬合方式加以區(qū)分，采取了局部擬合和搜索策略，縮減了擬合區(qū)間和搜索長度.由于計(jì)算復(fù)雜的EM算法只用在變化類估計(jì)上，所以其迭代計(jì)算量只有上述EM算法計(jì)算量的一半；同時(shí)由于未變化類的精確估計(jì)在先，因此也不需要進(jìn)行復(fù)雜的初始化，進(jìn)一步降低了算法時(shí)間消耗.

2.3聚類法分析差異圖熱點(diǎn)算法

聚類法不需要建立模型，這一點(diǎn)比閾值法要靈活，最終的二值圖IB由式(3)確定：

(3)

其中,cU和cC分別代表未變化類和變化類的聚類中心.

近年來，改進(jìn)的差異圖聚類分析方法主要是利用鄰域信息對FCM聚類法的改進(jìn).Cai等人在2007年通過在目標(biāo)函數(shù)上加入3×3鄰域的空間約束，提出了快速廣義模糊C均值(fast generalized fuzzyC-means, FGFCM)聚類法[38]，提高了模糊聚類在影像分割方面的精度；但其算法需要依賴人工參數(shù)而使得其使用受到一定的限制.為了解決這個(gè)問題，Krinidis和Chatzis在2010年提出了局部鄰域信息模糊C均值(fuzzy local informationC-means, FLICM)聚類法[39]，該方法給出了一種體現(xiàn)3×3鄰域內(nèi)諸像素點(diǎn)和中心像素點(diǎn)的距離關(guān)系模糊因子，同時(shí)提出了基于此模糊因子的全新目標(biāo)函數(shù)和更新公式.由于此方法中沒有人工參數(shù)，所以具有適用性廣泛的優(yōu)點(diǎn)，近幾年來受到了科研人員的重點(diǎn)關(guān)注.為了更好地將這個(gè)算法運(yùn)用在變化檢測上，Gong等人在2012年又對該方法進(jìn)行改進(jìn)，提出了改良局部鄰域信息模糊C均值(reformulated fuzzy local informationC-means, RFLICM)聚類法[16].該方法考慮到了SAR影像變化檢測差異圖分析的復(fù)雜性，對模糊因子進(jìn)行了進(jìn)一步的研究和改良.經(jīng)過改良后的模糊因子將鄰域大小拓展到5×5，從而體現(xiàn)了2個(gè)3×3鄰域之間的距離關(guān)系.改良后的模糊因子不僅保持了原有FLICM聚類法中沒有人工參數(shù)這樣的優(yōu)點(diǎn)，還更加細(xì)致權(quán)衡所利用的鄰域信息，降低了FLICM中孤立野點(diǎn)對模糊因子的干擾，對隸屬度的計(jì)算更加精確，使得算法更加適合運(yùn)用于SAR影像變化檢測的差異圖分析過程.

此外，Markov隨機(jī)場(Markov random field, MRF)也作為了改進(jìn)FCM聚類法的優(yōu)良工具.被視為MRF的二維影像中，任何一個(gè)像素點(diǎn)性質(zhì)都只和其指定鄰域的像素點(diǎn)有關(guān)，而和場內(nèi)其余像素點(diǎn)無關(guān).Chatzis和Varvarigou在2008年將MRF中帶有能量函數(shù)的Gibbs表達(dá)式加入了FCM聚類法當(dāng)中，通過計(jì)算點(diǎn)式先驗(yàn)概率來獲得隸屬度，并在目標(biāo)函數(shù)中加以加權(quán)約束[40].這種方法拓寬了FCM聚類法的改進(jìn)思路，但是其中的加權(quán)參數(shù)是人工指定的,并且能量函數(shù)的表達(dá)式較為粗略，不能很好地應(yīng)對像SAR影像變化檢測差異圖分析這樣相對復(fù)雜的任務(wù).因此，Gong等人又在上述方法的基礎(chǔ)上提出了一種基于MRF的新型FCM(MRFFCM)算法[17].該算法根據(jù)能量函數(shù)指數(shù)形式的特點(diǎn)，提出了一種帶附加項(xiàng)能量函數(shù).附加項(xiàng)充分利用了3×3鄰域內(nèi)諸像素點(diǎn)和中心像素點(diǎn)的類別關(guān)系和隸屬度關(guān)系，根據(jù)鄰域像素的同屬類別個(gè)數(shù)來對隸屬度進(jìn)行修正.最后利用最小二乘法來對附加項(xiàng)的參數(shù)在不同情況下加以分別擬合，使得整個(gè)能量函數(shù)能夠完全自動(dòng)地進(jìn)行計(jì)算.此外，該方法待優(yōu)化的目標(biāo)函數(shù)回歸到FCM聚類法的最原始形式，這是由于精細(xì)的能量函數(shù)已經(jīng)可以對隸屬度加以約束，而不必要過多去修飾目標(biāo)函數(shù)，即沒有了人工加權(quán)參數(shù)的干預(yù).

2.4圖切法分析差異圖熱點(diǎn)算法

圖切法作為一種優(yōu)良的影像分割中對函數(shù)優(yōu)化的方法，在近年來SAR影像的變化檢測中逐漸成為一種熱點(diǎn)算法.近年來將圖切應(yīng)用到SAR影像變化檢測的方式主要有2種:

1) 用于其余分析方法的預(yù)處理階段.例如在2.3節(jié)的聚類法中，往往需要進(jìn)行初始化，即獲得初始的分類情況.差異圖的分布特性對變化類的理解和分類提供了依據(jù).然而由于相干斑噪聲、幾何校正和輻射校正等影響，通過假設(shè)的概率分布對差異圖的變化類和非變化類建模雖然有效，但推廣性較差.因此，利用圖切法對影像進(jìn)行過分割，得到較為精確的先驗(yàn)信息以便后續(xù)處理成為一種常見且有效的方式.例如Gou和Yu在2012年將圖切法應(yīng)用在FCM聚類法之前，提高了FCM分類的精確度[41].該算法將原始影像進(jìn)行一定的變形之后，通過鄰接圖之間的距離關(guān)系，初步獲得了每一個(gè)像素點(diǎn)的初步分類信息.而Zhang等人也同樣在2013年提出了一種類似的方法，并將這種方法作為基于GG模型最大后驗(yàn)概率分割的初始化，因而得名基于圖切的GG模型(GG segmentation based on graph cut, GC_GG)分析法[42].與上述第一種算法不同的是，該算法采用融合思想對圖切法本身通過加權(quán)平均數(shù)使其更加細(xì)化.

2) 用于能量最小化的優(yōu)化分析過程.由于SAR影像變化檢測是對差異圖的每個(gè)像素進(jìn)行分類，因此被往往構(gòu)造為能量最小化問題.Moser和Serpico在2012年提出了基于MRF的一種圖切算法[43].該方法對像素點(diǎn)及其鄰域像素點(diǎn)作以合理的假設(shè)：如果一個(gè)像素標(biāo)記為變化類或未變化類，那么它周圍的像素極有可能是同樣的標(biāo)記.根據(jù)這一假設(shè)，該算法利用line-process方法保留邊緣信息，結(jié)合EM算法和對數(shù)累積方法(method of logcumulants, MoLC)對影像的概率分布模型參數(shù)進(jìn)行精確估計(jì)，并選取MRF作為工具，通過圖切法不斷優(yōu)化MRF的能量函數(shù)，最終對差異圖中的未變類和變化類進(jìn)行有效區(qū)分.該方法適用范圍廣，對超高分辨的SAR影像變化檢測也十分有效.而在2014年，Gong等人研究了差異圖的分布特性，提出一種簡單有效的局部匹配方法對差異圖進(jìn)行準(zhǔn)確建模，稱作局部搜索兼核函數(shù)誘導(dǎo)圖切(local fit-search and kernel-induced graph cut, LFS&KGC)算法[18].該算法利用了灰度直方圖性質(zhì)，對其有效擬合的子區(qū)間進(jìn)行模型的建立，提高了圖切初始化的精度.同時(shí)由于SAR影像數(shù)據(jù)的復(fù)雜性，生成的差異圖往往不適合直接作為數(shù)據(jù)函數(shù)，因此該算法在圖切法中引入核函數(shù)，通過核函數(shù)轉(zhuǎn)換將影像映射到高維空間，增加影像的可分性，能夠有效地對不同等效視數(shù)的SAR影像進(jìn)行變化檢測任務(wù)的執(zhí)行.

2.5水平集法分析差異圖熱點(diǎn)算法

水平集法通過不斷最優(yōu)化能量函數(shù)來更新水平集函數(shù)，最終水平集函數(shù)值為正和為負(fù)的部分分別標(biāo)記為差異圖分析對應(yīng)的變化類與未變化類，表示為

(4)

其中,Φ(i,j)代表對應(yīng)于差異圖IX(i,j)的水平集函數(shù).

CV模型是一種基于區(qū)域的經(jīng)典水平集模型，差異圖的分析問題可表示為求解某一能量泛函的最小值問題.該模型中的能量函數(shù)由3項(xiàng)組成[33]：前2項(xiàng)代表了被分成的2類的類內(nèi)距離，為基本的函數(shù)優(yōu)化項(xiàng)；最后1項(xiàng)是一個(gè)平滑先驗(yàn)項(xiàng)，其物理意義代表了曲線的長度.平滑先驗(yàn)項(xiàng)以加權(quán)的方式附加，具有初步平滑噪點(diǎn)的功效.通過梯度下降法可以得到CV模型中水平集函數(shù)的更新演化偏微分方程.CV模型用于灰度均勻影像分割獲得了很好的效果，能較好地保留影像的細(xì)節(jié).為了使CV模型能較好地分割灰度不均勻的影像，Li等人在2008年提出了加入局部信息的區(qū)域規(guī)模擬合(region-scalable fitting, RSF)模型[44].該模型在充分分析了基于區(qū)域的主動(dòng)輪廓模型后，把Gaussian核函數(shù)加入到能量函數(shù)的積分式中，平滑了影像；同時(shí)對二分類的擬合函數(shù)的表達(dá)式也在水平集函數(shù)的演變中加以推導(dǎo)，最終得到了用卷積形式表達(dá)的擬合函數(shù)更新表達(dá)式.該方法中核函數(shù)加入了數(shù)據(jù)項(xiàng)，所以零水平集部分(輪廓)在演化過程中由被抽取出的局部信息所引導(dǎo)，從而非勻質(zhì)區(qū)域也能得以恰當(dāng)?shù)靥幚?

然而CV模型需要進(jìn)行重新初始化，以使得水平集函數(shù)在演化過程中保持符號(hào)距離函數(shù)的特性，從而導(dǎo)致該過程的復(fù)雜度大大提升.為了解決CV模型需要重新初始化的問題，Li等人在2005年提出了正則項(xiàng)的概念[45].正則項(xiàng)附加在CV能量函數(shù)之后，可以認(rèn)為是水平集函數(shù)的一個(gè)泛函，它的出現(xiàn)避免了復(fù)雜的初始化問題，使得每一次水平集函數(shù)演化后都能夠盡可能保持符號(hào)距離函數(shù)特性.在該文中，他們提出了一種基于水平集函數(shù)梯度的簡單正則項(xiàng)，該正則項(xiàng)在梯度較大的區(qū)域取值較大，而在梯度較小的地方取值較小，在水平集函數(shù)演化過程中起到了一定的拉伸作用.這個(gè)正則項(xiàng)的出現(xiàn)打破了CV模型需要重新初始化的桎梏，對水平集分析算法的簡化起著重要的作用.但是該正則項(xiàng)在水平集函數(shù)梯度小于1時(shí)和實(shí)際期望的物理意義相差較大，于是在2010年Li等人又提出了帶有一種全新的正則項(xiàng)的改進(jìn)CV(improved CV, ICV)模型[46].ICV模型對上述正則項(xiàng)利用余弦函數(shù)進(jìn)行了改進(jìn)，且對水平集函數(shù)的取值進(jìn)行了討論處理，從而彌補(bǔ)了上述正則項(xiàng)在水平集函數(shù)值小于1時(shí)和實(shí)際物理意義差距甚遠(yuǎn)的問題.

然而水平集法對初始輪廓較為敏感，易陷入局部最優(yōu)，尤其是當(dāng)處理噪聲影響情況較復(fù)雜的SAR影像的差異圖時(shí)，這種現(xiàn)象變得更為嚴(yán)重.針對變化檢測差異圖分析的任務(wù)，Bazi等人在2010年提出了一種基于多級(jí)分辨率水平集(multiresolution level set, MLS)的差異圖分析方法[19].該方法首先通過下采樣的方式將差異圖蛻變?yōu)橐幌盗械头直媛实挠跋?；其次，將較低分辨率影像的水平集分割結(jié)果輪廓作為下一級(jí)較高分辨率影像的初始輪廓；最后，二值化最后一級(jí)分辨率影像(初始生成的差異圖)的分割結(jié)果，即獲得變化檢測的最終結(jié)果.這種方法在下采樣的過程中，將噪聲以一定的概率加以弱化或剔除，使得水平集第一次分割時(shí)能夠盡可能少地受噪聲影響，并且?guī)в泻軓?qiáng)的先驗(yàn)信息.在后續(xù)分析中，這些先驗(yàn)信息逐步引導(dǎo)水平集函數(shù)收斂至全局最優(yōu)，在復(fù)雜的環(huán)境下提高了分類精度.

35類熱點(diǎn)算法的性能比較

我們對第2節(jié)所介紹的一些性能優(yōu)良的熱點(diǎn)算法利用真實(shí)的SAR數(shù)據(jù)集進(jìn)行性能對比.我們首先對實(shí)驗(yàn)用數(shù)據(jù)集進(jìn)行簡要介紹；然后分別以圖和表格的形式給出5類方法的實(shí)驗(yàn)結(jié)果，并加以簡要分析.

3.1實(shí)驗(yàn)設(shè)置

本文選取2組真實(shí)的SAR數(shù)據(jù)集，每一組數(shù)據(jù)集包含有2幅已配準(zhǔn)的不同時(shí)刻的SAR影像和1幅人工標(biāo)定的標(biāo)準(zhǔn)參考二值圖.

Fig. 1　Bern dataset.圖1　Bern數(shù)據(jù)集

第1組數(shù)據(jù)集.SAR影像數(shù)據(jù)集原始影像及變化檢測參考圖如圖1所示，分辨率為20 m.其中，數(shù)據(jù)集的原始影像分別在1999年4月和1999年5月通過歐洲遙感2號(hào)星載SAR傳感器在瑞士Bern地區(qū)獲得.在此時(shí)間段內(nèi)，泛濫的Aare河洪水將Thun和Bern兩座城市的部分地區(qū)淹沒，Bern機(jī)場則是徹底被洪水淹沒.前一時(shí)刻的SAR影像顯示了洪水尚未發(fā)生時(shí)的情形，后一時(shí)刻的SAR影像中可以清楚地看出當(dāng)時(shí)泛濫的洪水,2幅影像的尺寸均為301×301;而變化參考圖通過結(jié)合當(dāng)?shù)卣鎸?shí)的陸地信息和專家知識(shí)得到.

第2組數(shù)據(jù)集.該數(shù)據(jù)集是由RADARSAT-SAR衛(wèi)星分別在1997年5月和1997年8月拍攝，分辨率為12 m，影像大小為290×350.該數(shù)據(jù)集反映的是加拿大Ottawa地區(qū)受雨季影響其地表變化情況，此時(shí)間段正值1997年的雨季過后，河道明顯變窄.從圖2可以清楚地看出河水退去后露出的大范圍陸地區(qū)域，變化參考圖通過結(jié)合當(dāng)?shù)卣鎸?shí)的陸地信息和專家知識(shí)得到.

Fig. 2　Ottawa dataset.圖2　Ottawa數(shù)據(jù)集

差異圖的生成算法評(píng)估中，我們繪出每一幅差異圖對應(yīng)的受試者工作特征(receiver operating characteristic, ROC)曲線[24]，曲線上的數(shù)據(jù)點(diǎn)代表了遍歷灰度級(jí)的諸閾值分割下的一系列虛警率(false alarm rate)和檢測率(detection rate)的對應(yīng)點(diǎn).為了觀察細(xì)節(jié)，我們給出了點(diǎn)(0,1)附近的局部放大圖，曲線下的面積大小(area under the curve, AUC)用來作為性能的評(píng)判，AUC越大代表差異圖性能越良好.

差異圖的分析算法中，我們采用通用的錯(cuò)檢數(shù)(false positive, FP)、漏檢數(shù)(false negative, FN)、總錯(cuò)誤數(shù)(overall errors, OE)和Kappa系數(shù)(Kappa coefficient, KC)四項(xiàng)指標(biāo)作為評(píng)估指標(biāo).FP代表了本屬于未變化類卻被檢測為變化類的像素點(diǎn)數(shù)，F(xiàn)N代表本屬于變化類卻被檢測為未變化類的像素點(diǎn)數(shù)，OE則是FP和FN兩者的加和，這3項(xiàng)指標(biāo)越小表明差異圖分析結(jié)果越好；KC的數(shù)值表征了經(jīng)過差異圖分析生成的最終的二值圖與真實(shí)參考圖的接近程度，KC越接近于1表明差異圖分析結(jié)果越接近于真實(shí)參考圖.文獻(xiàn)[15]給出了每項(xiàng)指標(biāo)的具體計(jì)算方法，并且指出：由于KC中包含了更多的分類信息，所以它是一個(gè)比OE更能反映分類優(yōu)劣的指標(biāo).

3.2差異圖生成算法對比結(jié)果

在這里我們分別對2組數(shù)據(jù)集使用LR,MR，CDI，NR，WF和IT六種方法生成差異圖.Bern數(shù)據(jù)集對應(yīng)差異圖和對應(yīng)ROC曲線及其對應(yīng)面積大小分別如圖3、圖4和表1所示.

Fig. 3　Six difference images of Bern dataset.圖3　Bern數(shù)據(jù)集6種差異圖

Fig. 4　ROC curves of six difference images of Bern dataset.圖4　Bern 數(shù)據(jù)集6種差異圖的ROC曲線

ParameterLRMRCDINRWFITAUC0.97800.97380.98870.99640.99190.9970

Ottawa數(shù)據(jù)集對應(yīng)差異圖如圖5所示,對應(yīng)ROC曲線及其對應(yīng)面積大小分別在圖6和表2中給出.

Fig. 5　Six difference images of Ottawa dataset.圖5　Ottawa數(shù)據(jù)集6種差異圖

Fig. 6　ROC curves of six difference images of Ottawa dataset.圖6　Ottawa數(shù)據(jù)集6種差異圖的ROC曲線

ParameterLRMRCDINRWFITAUC0.98590.98520.99280.99670.99600.9942

從2組數(shù)據(jù)集的ROC曲線及其局部放大圖可以看出，經(jīng)過改進(jìn)的6種方法的曲線部分更加靠近(0,1)點(diǎn)，即改進(jìn)后的差異圖有獲得更高正確率的潛力；而從其分別的AUC值也可以看出這6種改進(jìn)算法對2種基本方法具有顯著的改進(jìn)效果，驗(yàn)證了融合策略和模型距離算子的有效性.另外，由于NR差異圖和WF差異圖都是基于基本比值差異圖的融合算法，故相對于CDI差異圖來說具有更好的性能.

3.3閾值法分析差異圖實(shí)驗(yàn)對比結(jié)果

這里使用1.2節(jié)和2.2節(jié)介紹過的熱點(diǎn)算法GKI，EM和LF&SEM來分析LR差異圖.3種算法均是基于靈活的GG模型.Bern數(shù)據(jù)集對應(yīng)4種方法的二值圖及其指標(biāo)評(píng)價(jià)如圖7和表3所示.

Fig. 7　Final maps of Bern dataset through the threshold algorithms.圖7　Bern數(shù)據(jù)集閾值分析結(jié)果圖

Table 3Values of the Evaluation Criteria of Bern

Dataset Through the Threshold Algorithms

表3　Bern數(shù)據(jù)集閾值分析結(jié)果指標(biāo)評(píng)估值

Ottawa數(shù)據(jù)集對應(yīng)3種方法的二值圖及其評(píng)價(jià)指標(biāo)值如圖8和表4所示.

Fig. 8　Final maps of Ottawa dataset through the threshold algorithms.圖8　Ottawa數(shù)據(jù)集閾值分析結(jié)果圖

從圖8可以看出，近年的熱點(diǎn)閾值分析方法都取得了較好的效果，均檢測出了2組數(shù)據(jù)集變化區(qū)域的整體輪廓，和標(biāo)準(zhǔn)參考圖比較接近；從黑色背景區(qū)域上的白色錯(cuò)檢點(diǎn)的數(shù)量可以看出，各種方法都有一定的去噪能力.但是從表4可以看出，由于單純使用GKI或者EM閾值的選擇方法相對比較粗略，這些方法在不同的數(shù)據(jù)集表現(xiàn)出的性能好壞并不穩(wěn)定；而LF &SEM方法不但由于KC值優(yōu)于其余方法而在分析精度方面占用很大的優(yōu)勢，同時(shí)能在2組數(shù)據(jù)集中皆體現(xiàn)出這種穩(wěn)定的優(yōu)勢.

Table 4Values of the Evaluation Criteria of Ottawa

Dataset Through the Threshold Algorithms

表4　Ottawa數(shù)據(jù)集閾值分析結(jié)果指標(biāo)評(píng)估值

3.4聚類法分析差異圖實(shí)驗(yàn)對比結(jié)果

這里使用熱點(diǎn)變化檢測聚類算法RFLICM和MRFFCM，并與原始的FCM算法加以對比.Bern數(shù)據(jù)集對應(yīng)3種方法的二值圖及其指標(biāo)評(píng)價(jià)如圖9和表5所示.

Fig. 9　Final maps of Bern dataset through the clustering algorithms.圖9　Bern數(shù)據(jù)集閾值分析結(jié)果圖

Table 5Values of the Evaluation Criteria of Bern Dataset Through the Clustering Algorithms

表5　Bern數(shù)據(jù)集聚類分析結(jié)果指標(biāo)評(píng)估值

Ottawa數(shù)據(jù)集對應(yīng)3種方法的二值圖及其指標(biāo)評(píng)價(jià)如圖10和表6所示.從圖10可以看出，通過改進(jìn)FCM，2種方法都可以更多保留變化區(qū)域的細(xì)節(jié)，使得更多不易檢測的區(qū)域得以檢測出，這是由于2種方法充分使用了鄰域信息的緣故;同時(shí)這2種方法在抑制相干斑噪聲影響方面也各具優(yōu)勢.從表6可以清楚地看出，2種方法的KC值較原始FCM均有提升，證實(shí)了在聚類方法中利用鄰域信息的有效性.

Fig. 10　Final maps of Ottawa dataset through the clustering algorithms.圖10　Ottawa數(shù)據(jù)集閾值分析結(jié)果圖

Table 6Values of the Evaluation Criteria of Ottawa Dataset

Through the Clustering Algorithms

表6　Ottawa數(shù)據(jù)集聚類分析結(jié)果指標(biāo)評(píng)估值

3.5圖切法分析差異圖實(shí)驗(yàn)對比結(jié)果

這里使用熱點(diǎn)變化檢測圖切法GC_GG和LFS&KGC來進(jìn)行LR差異圖分析.Bern數(shù)據(jù)集對應(yīng)2種方法的二值圖及其指標(biāo)評(píng)價(jià)如圖11和表7所示.

Fig. 11　Final maps of Bern dataset through the graph cut algorithms.圖11　Bern數(shù)據(jù)集圖切分析結(jié)果圖

Table 7Values of the Evaluation Criteria of Bern Dataset

Through The Graph Cut Algorithms

表7　Bern數(shù)據(jù)集圖切分析結(jié)果指標(biāo)評(píng)估值

Ottawa數(shù)據(jù)集對應(yīng)2種方法的二值圖及其指標(biāo)評(píng)價(jià)如圖12和表8所示，從結(jié)果可以看出，圖切法不論是用在預(yù)處理方面還是用在函數(shù)優(yōu)化分析方面均有較好的效果.圖12主要體現(xiàn)在邊緣細(xì)節(jié)的保持方面，在GC_GG方法中，圖切的過分割預(yù)處理給利用GG分析打下了良好的基礎(chǔ)；而在LFS&KGC方法中，核函數(shù)的加入使得像素的分類更加精確，通過平滑影像降低了噪聲因素帶來的干擾，與此同時(shí)也較為完好地保存了變化區(qū)域的邊緣細(xì)節(jié).

Fig. 12　Final maps of Ottawa dataset through the graph cut algorithms.圖12　Ottawa數(shù)據(jù)集圖切分析結(jié)果圖

Table 8Values of the Evaluation Criteria of Ottawa Dataset Through the Graph Cut Algorithms

表8　Ottawa數(shù)據(jù)集圖切分析結(jié)果指標(biāo)評(píng)估值

3.6水平集法分析差異圖實(shí)驗(yàn)對比結(jié)果

這里使用熱點(diǎn)水平集法ICV,RSF和MLS來進(jìn)行LR差異圖分析.Bern數(shù)據(jù)集對應(yīng)3種方法的二值圖及其指標(biāo)評(píng)價(jià)如圖13和表9所示.

Fig. 13　Final maps of Bern dataset through the level set algorithms.圖13　Bern數(shù)據(jù)集水平集分析結(jié)果圖

Table 9Values of the Evaluation Criteria of Bern

Dataset Through the Level Set Algorithms

表9　Bern數(shù)據(jù)集水平集分析結(jié)果指標(biāo)評(píng)估值

Ottawa數(shù)據(jù)集對應(yīng)3種方法的二值圖及其指標(biāo)評(píng)價(jià)如圖14和表10所示.

Fig. 14　Final maps of Ottawa dataset through the level set algorithms.圖14　Ottawa數(shù)據(jù)集水平集分析結(jié)果圖

Table 10Values of the Evaluation Criteria of Ottawa

Dataset Through the Level Set Algorithms

表10　Ottawa數(shù)據(jù)集水平集分析結(jié)果指標(biāo)評(píng)估值

從圖14和表10可以看出，水平集法分析差異圖同樣能獲得相對較高的精確度.RSF由于加入了局部區(qū)域信息，使得差異圖在被分析時(shí)有著較強(qiáng)的平滑功能，對于抑制相干斑噪聲帶來的影響起到了有效的作用，但也會(huì)因此造成一些局部細(xì)節(jié)的損失；ICV在CV模型加入了正則項(xiàng)，不僅能達(dá)到相當(dāng)?shù)木?，同時(shí)避免了要重新初始化的繁雜工作，降低了時(shí)間和空間復(fù)雜度.但同時(shí)也可以看出對于SAR影像變化檢測中的分析差異圖這樣相對復(fù)雜的工作，以上2種方法并不是最優(yōu)算法；而MLS作為一種專門面向SAR影像變化檢測任務(wù)的方法，通過多分辨初始化，逐步鎖定了變化區(qū)域的范圍，具有更魯棒的初始化特性.

4總結(jié)與展望

本文首先介紹了變化檢測的概念，并說明了SAR影像變化檢測的重要意義和難點(diǎn)所在；然后根據(jù)變化檢測的一般步驟，總結(jié)了近年來國內(nèi)外在SAR影像變化檢測差異圖生成和差異圖分析的諸多熱點(diǎn)方法.差異圖生成方面的熱點(diǎn)算法主要是對差值、比值、對數(shù)比這3類基本方法的融合，其方式包含有空域和變換域融合等.差異圖分析方法是學(xué)者們重點(diǎn)研究的內(nèi)容，在影像分割中的諸多算法根據(jù)SAR變化檢測本身的復(fù)雜特點(diǎn)被針對性地改進(jìn).通過對2組數(shù)據(jù)集的實(shí)驗(yàn)，我們可以看出這些熱點(diǎn)算法的有效性和魯棒性.

傳統(tǒng)的變化檢測研究往往著重于差異圖的分析階段.在這個(gè)階段里，閾值法簡單易行，但因?yàn)槟Ｐ瓦x擇問題使得其應(yīng)用在一定程度上受限.聚類法、圖切法和水平集法的改進(jìn)算法都是利用了各種空域信息.從所介紹的近年各種熱點(diǎn)算法可以看出，空域信息扮演著極為重要的角色，它使得對孤立像素點(diǎn)強(qiáng)度的操作轉(zhuǎn)變?yōu)閷ο袼攸c(diǎn)群體的操作.也正是因?yàn)榭沼蛐畔⒌膯l(fā)，變化檢測開始逐漸突破了之前研究差異圖分析這一單一局面，逐漸關(guān)注到差異圖的生成這一基礎(chǔ)階段.在此階段的熱點(diǎn)算法中，有利的空域信息進(jìn)行了有效融合，不利的空域信息被剔除，從而提高了差異圖質(zhì)量，更加有利于后續(xù)的分析處理.當(dāng)下的SAR影像變化檢測更是有著2個(gè)階段協(xié)同進(jìn)行的趨勢.

盡管如此，上述的空域信息基本上僅限于局部的鄰域信息.事實(shí)上，許多方法是基于像素局部鄰域信息的規(guī)律性假設(shè)，但由于SAR影像信息分布不規(guī)律的特性，很難尋找到一種理想的假設(shè)模型.實(shí)際上，對于包含較強(qiáng)邊緣和紋理信息的鄰域，這些假設(shè)一般都難以成立.文獻(xiàn)[47]指出，相對于基于局部統(tǒng)計(jì)假設(shè)的方法，非局部信息利用了整幅影像的空間信息，因此可以在去噪的同時(shí)很好地保存結(jié)構(gòu)信息.文獻(xiàn)[48]將非局部均值用于影像去噪方面.該文獻(xiàn)表明利用影像塊相似度，對未配準(zhǔn)的影像也可進(jìn)行非局部均值去噪處理,利用非局部信息，一個(gè)紋理或邊緣圖塊可通過影像中其他相似的紋理或邊緣圖塊得以完好地保存甚至修復(fù)，所以我們認(rèn)為如果在SAR影像變化檢測中有效加入非局部信息，將會(huì)帶來更加出色的性能.

自從2008年汶川特大地震發(fā)生以來，SAR影像變化檢測因?yàn)樵诳拐鹁葹?zāi)方面的突出作用而被越來越多的科研團(tuán)體、機(jī)構(gòu)所重視，而對其檢測精度又提出了進(jìn)一步的要求.上述檢測方法均為基于像素的方法，事實(shí)上，變化檢測越來越注重所檢測的變化類型.因此，有必要對變化的地物識(shí)別進(jìn)行深入地研究[49].尤其是識(shí)別水域的變化，因其在救災(zāi)工作中的重要作用也越來越得到研究者的青睞[50].與此同時(shí)，為了保證應(yīng)用的廣泛適用性，非同源傳感器影像之間的變化檢測算法研究也顯得尤為重要.文獻(xiàn)[51]對上述的問題進(jìn)行了初步的研究，利用極具魯棒性的深度神經(jīng)網(wǎng)絡(luò)[52]提取地物特征，構(gòu)建了特征映射函數(shù)，建立2幅影像之間的聯(lián)系，通過訓(xùn)練映射函數(shù)，計(jì)算映射誤差，得到差異圖.這類利用深度神經(jīng)網(wǎng)絡(luò)的方法并未強(qiáng)調(diào)SAR影像本身的特性，因此具有相當(dāng)?shù)钠者m性，給這類較為復(fù)雜的變化檢測任務(wù)指明了方向.

近年來，一些應(yīng)用領(lǐng)域?qū)ψ兓瘷z測方法的計(jì)算效率也提出了更高的要求.本文所進(jìn)行的實(shí)驗(yàn)是在以中央處理單元(central processing unit, CPU)為核心處理器的計(jì)算機(jī)上運(yùn)行的,而近年來又有了以圖形處理單元(graphic processing unit, GPU)并行處理器為核心的實(shí)驗(yàn)機(jī)器.GPU具有較高的加速性能及較低的成本[53-54]，使得算法運(yùn)行時(shí)間和物料成本得以節(jié)約.目前Zhu等人已經(jīng)在文獻(xiàn)[55]中利用GPU對變化檢測進(jìn)行初步嘗試，加速效果可以達(dá)到原先的63～145倍，由此可見其具有極大的應(yīng)用潛力.因此，我們認(rèn)為有必要進(jìn)一步探究和GPU并行運(yùn)算相關(guān)的SAR影像變化檢測技術(shù).這對于SAR影像(尤其是表征大區(qū)域的SAR影像)變化檢測同樣會(huì)具有重要而深遠(yuǎn)的意義.

參考文獻(xiàn)

[1]Chavez P S, Mackinnon D J. Automatic detection of vegetation changes in the southwestern United States using remotely sensed images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1994, 60(5): 1285-1294

[2]Bruzzone L, Serpico S B. An iterative technique for the detection of land-cover transitions in multispectral remote sensing images[J]. IEEE Trans on Geoscience and Remote Sensing, 1997, 35(4): 858-867

[3]Yousif O, Ban Yifang. Improving SAR-based urban change detection by combining MAP-MRF classifier and nonlocal means similarity weights[J]. IEEE Journal of Selected Topics in Applied Earth Observation Remote Sensing, 2014, 7(10): 4288-4300

[4]Ban Yifang, Yousif O. Multitemporal spaceborne SAR data for urban change detection in China[J]. IEEE Journal of Selected Topics in Applied Earth Observation Remote Sensing, 2012, 5(4): 1087-1094

[5]Hu Hongtao, Ban Yifang. Unsupervised change detection in multitemporal SAR images over large urban areas[J]. IEEE Journal of Selected Topics in Applied Earth Observation Remote Sensing, 2014, 7(8): 3248-3261

[6]Hame T, Heiler I, Miguel-Ayanz J S. An unsupervised change detection and recognition system for forestry[J]. International Journal of Remote Sensing, 1998, 19(6): 1079-1099

[7]Chen Yuan, Zhang Rong, Yin Dong. Multi-polarimetric SAR image compression based on sparse representation[J]. Science China, 2012, 55(8): 1888-1897

[8]Lee J S, Pottier E. Polarimetric Radar Imaging: From Basics to Applications[M]. Boca Raton, FL: CRC Press, 2013

[9]Bruzzone L, Prieto D F. An adaptive semiparametric and context-based approach to unsupervised change detection in multi-temporal remote-sensing images[J]. IEEE Trans on Image Processing, 2002, 11(4): 452-466

[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 Trans on Geoscience and Remote Sensing, 2005, 43(4): 874-887

[11]Zheng Yaoguo, Zhang Xiangrong, Hou Biao, et al. Using combined difference image and k-means clustering for SAR image change detection[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(3): 691-695

[12]Gong Maoguo, Cao Yu, Wu Qiaodi. A neighborhood-based ratio approach for change detection in SAR images[J]. IEEE Geoscience and Remote Sensing Letters, 2012, 9(2): 307-311

[13]Ma Jingjing, Gong Maoguo, Zhou Zhiqiang. Wavelet fusion on ration images for change detection in SAR images[J]. IEEE Geoscience and Remote Sensing Letters, 2012, 9(6): 1122-1126

[14]Moser G, Serpico S B. Generalized minimum-error thresholding for unsupervised change detection from SAR amplitude imagery[J]. IEEE Trans on Geoscience and Remote Sensing, 2006, 44(10): 2972-2982

[15]Su Linzhi, Gong Maoguo, Sun Bo, et al. Unsupervised change detection in SAR images based on locally fitting model and semi-EM algorithm[J]. International Journal of Remote Sensing, 2014, 35(2): 621-650

[16]Gong Maoguo, Zhou Zhiqiang, Ma Jingjing. Change detection in synthetic aperture radar images based on image fusion and fuzzy clustering[J]. IEEE Trans on Image Processing, 2012, 21(4): 2141-2151

[17]Gong Maoguo, Su Linzhi, Jia Meng, et al. Fuzzy clustering with a modified MRF energy function for change detection in synthetic aperture radar images[J]. IEEE Trans on Fuzzy System, 2014, 22(1): 98-109

[18]Gong Maoguo, Jia Meng, Su Linzhi. Detecting changes of the Yellow River estuary via SAR images based on local fit-search model and kernel-induced graph cuts[J]. International Journal of Remote Sensing, 2014, 35(1112): 4009-4030

[19]Bazi Y, Melgani F, Al-Sharari H D. Unsupervised change detection in multispectral remotely sensed imagery with level set methods[J]. IEEE Trans on Geoscience and Remote Sensing, 2010, 48(8): 3178-3187

[20]Gong Maoguo, Zhao Shengmeng, Jiao Licheng, et al. A novel coarse-to-fine scheme for automatic image registration based on SIFT and mutual information[J]. IEEE Trans on Geoscience and Remote Sensing, 2014, 52(7): 4328-4338

[21]Liu S C, Fu C W, Chang S. Statistical change detection with moments under time-varying illumination[J]. IEEE Trans on Image Processing, 1998, 7(9): 1258-1268

[22]Rignot E J M, Zyl J J V. Change detection techniques for ERS-1 SAR data[J]. IEEE Trans on Geoscience and Remote Sensing, 1993, 31(4): 896-906

[23]Bovolo F, Bruzzone L. A detail-preserving scale-driven approach to change detection in multitemporal SAR images[J]. IEEE Trans on Geoscience and Remote Sensing, 2005, 43(12): 2963-2972

[24]Inglada J, Mercier G. A new statistical similarity measure for change detection in multitemporal SAR images and its extension to multiscale change analysis[J]. IEEE Trans on Geoscience and Remote Sensing, 2007, 45(5): 1432-1445

[25]Kittler J, Illingworth J. Minimum error thresholding[J]. Pattern Recognition, 1986, 19(1): 41-47

[26]Dempster A P, Laird N M, Rubin D B. Maximum likelihood from incomplete data via the EM algorithm[J]. Journal of the Royal Statistical Society, 1977, 39(1): 1-38

[27]Celik T. Unsupervised change detection of satellite images using local gradual descent[J]. IEEE Trans on Geoscience and Remote Sensing, 2012, 50(5): 1919-1929

[28]Ghosh A, Mishra N S, Ghosh S. Fuzzy clustering algorithms for unsupervised change detection in remote sensing images[J]. Information Science, 2011, 181(4): 699-715

[29]Salah M B, Mitiche A, Ayed I B. Multiregion image segmentation by parametric kernel graph cuts[J]. IEEE Trans on Image Processing, 2011, 20(2): 545-557

[30]Hwang Y, Kim J S, Kweon I. Change detection using a statistical model of the noise in color images[C]Proc of IEEE Conf on Intelligent Robots and System. Piscataway, NJ: IEEE, 2004: 2713-2718

[31]Chen Keming, Huo Chunlei, Zhou Zhixin, et al. Unsupervised change detection in SAR image using graph cuts[C]Proc of IEEE Int Geoscience and Remote Sensing Symp. Piscataway, NJ: IEEE, 2008: 1162-1165

[32]Boykov Y, Veksler O, Zabih R. Fast approximate energy minimization via graph cuts[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2001, 23(11): 1222-1239

[33]Chan T F, Vese L A. Active contours without edges[J]. IEEE Trans on Image Processing, 2001, 10(2): 266-277

[34]Mumford D, Shah J. Optimal approximation by piecewise smooth functions and associated variational problems[J]. Communications on Pure and Applied Mathematics, 1989, 42(5): 577-685

[35]Gong Maoguo, Li Yu, Jiao Licheng, et al. SAR change detection based on intensity and texture changes[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 93: 123-135

[36]Bruzzone L, Prieto D F. Automatic analysis of the difference image for unsupervised change detection[J]. IEEE Trans on Geoscience and Remote Sensing, 2000, 38(3): 1171-1182

[37]Bazi Y, Bruzzone L, Melgani F. Image thresholding based on the EM algorithm and the generalized Gaussian distribution[J]. Pattern Recognition, 2007, 40(2): 619-634

[38]Cai Weiling, Chen Songcan, Zhang Daoqiang. Fast and robust fuzzy C-means clustering algorithms incorporating local information for image segmentation[J]. Pattern Recognition, 2007, 40(3): 825-838

[39]Krinidis S, Chatzis V. A robust fuzzy local information C-means clustering algorithm[J]. IEEE Trans on Image Processing, 2010, 19(5): 1328-1337

[40]Chatzis S P, Varvarigou T A. A fuzzy clustering approach toward hidden Markov random field models for enhanced spatially constrained image segmentation[J]. IEEE Trans on Fuzzy System, 2008, 16(5): 1351-1361

[41]Gou Shuiping, Yu Tiantian. Graph based SAR images change detection[C]Proc of IEEE Int Geoscience and Remote Sensing Symp. Piscataway, NJ: IEEE, 2012: 2152-2155

[42]Zhang Xiaohua, Chen Jiawei, Meng Hongyun. A novel SAR image change detection based on graph-cut and generalized Gaussian model[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(1): 14-18

[43]Moser G, Serpico S B. Unsupervised change detection with high-resolution SAR images by edge-preserving Markov random fields and graph-cuts[C]Proc of IEEE Int Geoscience and Remote Sensing Symp. Piscataway, NJ: IEEE, 2012: 1984-1987

[44]Li Chunming, Kao C Y, Gore J C, et al. Minimization of region-scalable fitting energy for image segmentation[J]. IEEE Trans on Image Processing, 2008, 17(10): 1940-1949

[45]Li Chunming, Xu Chenyang, Gui Changfeng, et al. Level set evolution without re-initialization: A new variational formulation[C]Proc of IEEE Computer Society Conf on Computer Vision and Pattern Recognition. Piscataway, NJ: IEEE, 2005: 430-436

[46]Li Chunming, Xu Chenyang, Gui Changfeng, et al. Distance regularized level set evolution and its application to image segmentation[J]. IEEE Trans on Image Processing, 2010, 19(12): 3243-3254

[47]Buades A, Coll B, Morel J M. A review of image denoising algorithms, with a new one[J]. Multiscale Modeling & Simulation, 2005, 4(2): 490-530

[48]Su Xin, Deledalle C, Tupin F, et al. Two-step multitemporal nonlocal means for synthetic aperture radar images[J]. IEEE Trans on Geoscience and Remote Sensing, 2014, 52(10): 6181-6196

[49]Hussain M, Chen Dongmei, Cheng A, et al. Change detection from remotely sensed images: From pixel-based to object-based approaches[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 80: 91-106

[50]Li Jinji, Jiao Licheng, Zhang Xiangrong, et al. Detection for flood change with SAR images based on fusion and T-distribution[J]. Journal of Computer Research and Development, 2011, 48(2): 271-280 (in Chinese)(李金基, 焦李成, 張向榮, 等. 基于融合和T-分布的SAR圖像水災(zāi)變化檢測[J]. 計(jì)算機(jī)研究與發(fā)展, 2011, 48(2): 271-280)

[51]Zhao Jiaojiao, Gong Maoguo, Liu Jia, et al. Deep learning to classify difference image for image change detection[C]Proc of 2014 Int Joint Conf on Neural Networks (IJCNN). Piscataway, NJ: IEEE, 2014: 411-417

[52]Yu Kai, Jia Lei, Chen Yuqiang, et al. Deep learning: Yesterday, today and tomorrow[J]. Journal of Computer Research and Development, 2013, 50(9): 1799-1804 (in Chinese)(余凱, 賈磊, 陳雨強(qiáng), 等. 深度學(xué)習(xí)的昨天、今天和明天[J]. 計(jì)算機(jī)研究與發(fā)展, 2013, 50(9): 1799-1804)

[53]Setoain J, Prieto M, Tenllado C, et al. GPU for parallel on-board hyperspectral image processing[J]. International Journal of High Performance Computing Applications, 2008, 22(4): 424-437

[54]Luo Xinyuan, Chen Gang, Wu Sai. A GPU-accelerated highly compact and encoding based database system[J]. Journal of Computer Research and Development, 2015, 52(2): 362-376 (in Chinese)(駱歆遠(yuǎn), 陳剛, 伍賽. 基于GPU加速的超精簡型編碼數(shù)據(jù)庫系統(tǒng)[J]. 計(jì)算機(jī)研究與發(fā)展, 2015, 52(2): 362-376)

[55]Zhu Huming, Cao Yu, Zhou Zhiqiang, et al. Parallel unsupervised synthetic aperture radar image change detection on a graphics processing unit[J]. International Journal of High Performance Computing Applications, 2013, 27(2): 109-122

Gong Maoguo, born in 1979. Received his BSc degree in electronic engineering and PhD degree in electronic science and technology from Xidian University, Xi’an, China, in 2003 and 2009, respectively. Senior member of IEEE and China Computer Federation. Currently a full professor with Xidian University, Xi’an, China. His main research interests include computational intelligence with applications to optimization, learning, data mining and image understanding.

Su Linzhi, born in 1989. PhD candidate in circuit and system at the School of Electronic Engineering, Xidian University. His main research interests include computational intelligence and image understanding (Omegasulz@gmail.com).

Li Hao, born in 1990. PhD candidate in pattern recognition and intelligent systems at the School of Electronic Engineering, Xidian University. His main research interests include computational intelligence and image understanding (Omegalihao@gmail.com).

Liu Jia, born in 1991. PhD candidate in pattern recognition and intelligent systems at the School of Electronic Engineering, Xidian University. His main research interests include computational intelligence and image understanding (Omegaliuj@gmail.com).

2013年《計(jì)算機(jī)研究與發(fā)展》高被引論文TOP10

數(shù)據(jù)來源：中國知網(wǎng)；統(tǒng)計(jì)日期：2014-12-18

中圖法分類號(hào)TP751.1

基金項(xiàng)目：國家自然科學(xué)基金優(yōu)秀青年科學(xué)基金項(xiàng)目(61422209)

收稿日期：2015-07-16；修回日期：2015-10-19

This work was supported by the National Natural Science Foundation for Excellent Young Scholars of China (61422209).