基于特征增强与最小误差分割的变化检测方法

王晓花， 邓小炼， 何卓丽， 杜玉琪, 沈延峰

(1.三峡大学 理学院，湖北 宜昌 443000 ;2.凌云科技集团有限公司，湖北 武汉 430040)

基于特征增强与最小误差分割的变化检测方法

王晓花1， 邓小炼1， 何卓丽1， 杜玉琪1, 沈延峰2

(1.三峡大学 理学院，湖北 宜昌 443000 ;2.凌云科技集团有限公司，湖北 武汉 430040)

以河北省石家庄市2003年和2004年的专题制图仪(TM)遥感影像为例，针对各波段光谱特征，提出了一种基于地物特征增强的变化检测方法。在两期影像上对各类地物采样并计算样本在不同波段的均值、标准差等特征量，以确定波段组合运算的加权系数，计算特征增强图像，实现两期影像中所指定地物类型的特征增强；计算两期特征增强影像的差异影像；使用最小误差分割法获取变化检测结果。通过对比实验可知：方法提取变化区域总体精度达到90 %，相对于传统的基于主成分分析(PCA)的变化检测方法，具有较高的检测精度，较好的可行性与适应性。

变化检测； 波段组合； 特征增强； 最小误差分割

0 引 言

遥感是20世纪60年代发展起来的对地观测综合性技术。作为一门兴起时间不长却有着广泛应用前景的学科技术，在对资源和环境调查时，能不受时间、空间、地形阻隔限制，实现大面积的同步观测[1]。然而如何利用遥感图像光谱特征、形态与纹理特征、以及空间关系等特征作为识别信息，运用模式识别与专家系统相结合的方法进行数据融合，实现从遥感数据中提取和检测变化信息成为遥感应用技术研究的重要课题，受到越来越多的关注[2，3]。

遥感影像变化检测是指利用不同历史时期覆盖同一地表区域的多源遥感影像和相关地理数据，结合对应地物特法，确定和分析该区域地物的变化，包括地物位置、范围的确定和地物性质、状态的变化[4，5]。它在土地利用和覆盖变化、森林植被变性和遥感成像机理，采用图像图形处理理论及数理模型方化、城市扩展和灾害监测等诸多领域发挥着积极和重要的作用[6～8]。众多学者就不同的应用角度，研究了大量的变化检测方法和理论模型。如姜浩、冯敏等人[9]提出基于线状特征增强的专题制图仪(thematic mapper,TM)遥感影像细小河流提取方法；侯晓真、张书华等人[10]提出通过波段运算从空间范围和面积上对沙漠动态进行变化检测的方法；杜培军、柳思聪[11]提出在提取影像多种特征的基础上，构建一维和多维两种基于信息融合的变化检测方法。伴随着不断增加的技术和算法，变化检测系统变得越来越复杂多样，但学者们普遍认为，变化检测是一个复杂的综合处理过程，现有检测方法在实际生产应用中没有最优，没有哪一种能适合所有的应用，需要根据不同目的和数据源选择合适的方法[12，13]。

1 实验区介绍与遥感数据分析

本文选取了2003年和2004年河北省石家庄市的TM影像作为实验区数据，实验区两期假彩色影像(TM4，TM3，TM2)如图1所示。观察本实验区TM数据6个波段的光谱特征，总结出实验区数据各个波段道路整体的反射率都较高，所以,在各单波段影像中显示均为亮色；而城镇和河流的反射率较低，显示为暗色；裸地与植被则居中；道路与其他几种地物的反射率相差较大，实验区变化区域主要是道路，还有少量建筑、水塘与绿植。为实现多波段数据降维处理和减少数据间冗余，使变化检测流程更加简单、快捷，本文改进了常用的波段组合特征增强运算，对实验区数据中某特定地物(如建筑群，植被，河流，道路等)进行特征增强。观察遥感影像中主要的变化类型确定突出何种地物，从而弱化其他地物，减少干扰。

图1 河北省石家庄市TM彩色红外影像

2 研究方法

本文以增强道路为例，通过对各个地物样本进行采样，先计算均值、标准差等特征量确定各波段组合运算的加权系数，实现对两期影像特定地物类型增强，然后进行差值运算获取变化量，最后使用最大类间方差(OTSU)[14]和最小误差分割获取变化检测的结果。结果表明：基于波段组合运算的特征增强和基于最小误差的阈值分割能有效实现特定地物类型增强，减轻分割的难度，提高变化检测精度，算法具有一定实用价值。本文变化检测流程如图2所示。

图2 算法流程

2.1 基于图像特征增强的变化检测

图像增强技术可以分为基于空间域的方法和基于频域的方法，一般的图像增强技术有直方图均衡、直方图匹配、拉普拉斯锐化增强等方法[15]。而本文中波段组合特征增强运算是通过各波段之间线性组合运算来增强某类地物。例如：若突出道路，则应该在与道路光谱特征差异最大的其他波段增强运算系数；如若希望该波段差异越大，则减去的倍数越多，使该地物的差异增强，差异越小的波段要弱化这种增强。根据上述对各类地物光谱的分析，提出了改进的波段组合特征增强运算，基本公式如下

(1)

式中 T为最终得到的合成图像；TMi为各个波段的归一化反射率；Ki为第i波段的加权运算系数

Ki=(TMi1-μi)/σi

(2)

式中 Ki为通过实际采样值对波段组合运算的系数量化；TMi1为第i个波段第一种地物类型(待增强的目标地物道路)的归一化反射率值；每类地物取样若干个样本点，σi为第i个波段各类地物取样的标准差;μi为第i个波段各类地物取样的均值

(3)

式中 N为采样地物类型数；TMij为第i波段第j类地物的归一化反射率值，需要注意的是，若第i类地物采了M个样本，TMij的取值已经对M个样本进行了均值运算。TMij为第j类地物在波段i上均值，用该值代表第j类地物，方便运算。μi为N类地物在波段i上均值，σi为

(4)

各式中Ki的确定是关键，式(2)表示用待增强目标地物当前的归一化反射率值减去该波段采样数据各地物的平均值，差值与标准差的比值即可代表参与运算的系数。

2.2 最小误差阈值分割方法[16，17]

要继续和同学、老师、家长保持良好的关系。实在郁闷的时候，甚至可以大哭一场，但是，千万不要因为一时冲动而说出伤害他们的话！与他们相处的时间已经很短暂了，请一定、一定不要留下令他们难过的印象。

(5)

当选定阈值为T时，目标像素错分为背景像素的概率为

(6)

将背景像素错分为目标像素的概率为

H1(T)=∫T∞p1(z)dz

(7)

总错误率为

H(T)=θH1(T)+(1-θ)H2(T)

(8)

-θp1(T)+(1-θ)p2(T)=0

(9)

由此得出

(10)

(11)

(12)

说明正态分布时，最佳阈值可按式(11)求得。若p1(z)，p2(z)不是正态分布，可用式(9)确定最小误差的阈值T。

3 实验结果对比与精度评价

对几种典型地物分别在各个波段取样本若干并归一化采样样本值，利用上述波段组合特征增强方法，计算均值、标准差、波段加权系数，结果如表1。各波段所得加权系数皆为小数，将其四舍五入保留一位小数，TM2，TM3，TM4，TM5，TM7的系数为1.5，1.4，1.3，1.3，1.3。所以，最终波段组合特征增强运算为：TM1-1.5TM2-1.4TM3-1.3TM4-1.3TM5-1.3TM7。根据该式，对两期影像分别进行特征增强，获取道路增强后的两期影像，如图3所示,而图4则是采用传统的主成分分析(principalcomponentanalysis,PCA)变换，获取两期影像的第一主成分影像。

表1 归一化采样样本值和特征量计算

基于波段组合运算的特征增强检测方法，将两期道路增强后影像直接做差值获取变化量，如图5(a)；而基于PCA变换的检测方法则分别选择两期变换后影像的第一主成分做差值获取变化量，如图5(b)。波段线性组合运算和PCA变换均对遥感影像进行特征增强，但本文提出的波段组合运算对指定的地物道路进行特征增强，而传统PCA变换，针对全图像的特征增强。文中采用了OTSU和最小误差方法分别对上述变化量进行了分割，如图6、图7，具体分割结果的细节对比如图6(c)、图6(d)、图7(c)、图7(d)。

图3 河北省石家庄市特征增强影像

图4 河北省石家庄市PCA变换影像

图5 两期影像的差值影像

图6 OTSU阈值分割的变化检测结果

通过观察基于OTSU分割的局部细节图，可以看出，特征增强法图6(c)较PCA变换法图6(d)提取信息更简洁清晰，图6(d)提取的变化结果受噪声影响程度更大，将背景误检测为目标；而基于最小误差分割的局部细节图中，特征增强法图7(c)在一定程度上消除了噪声影响，较PCA变换法图7(d)提取的变化结果道路更加清晰和完整，图7(d)提取的变化结果会出现不连续、断节等现象，最终误检测的概率也会更大。整体来说，图7(c)检测结果是最优的。由此可以看出：OTSU提取出的结果较多，往往容易将未变化的区域检测为变化区域，不能有效地将目标和背景区分开来，不适合用在复杂图像变化检测的分割中。而最小误差方法整体分割效果较好，具有较好的抗噪能力，能将道路和背景有效的分割开来。

图7 最小误差阈值分割的变化检测结果

在2004年的TM遥感影像中，选取200个变化样本点和300个未变化样本点作为验证样本，利用混淆矩阵，计算总体精度、Kappa系数，对采用上述的变化检测方法及阈值分割方法获取的变化检测结果进行评估，结果如表2、表3、表4、表5所示。由表可以看出，不论采用OTSU还是最小误差阈值分割，特征增强变化检测结果的总体精度都在90%以上，Kappa系数均在0.8以上，均略优于PCA变换。

表2 基于OTSU阈值分割+特征增强法的混淆矩阵

表3 基于OTSU阈值分割+PCA变换的混淆矩阵

4 结束语

本文提出了基于特征增强与最小误差阈值分割相结合的变化检测方法。在变化检测方面增强了准确性，在分割方面增强了抗噪性。采用PCA变换法与特征增强的变换检测方法做对比实验，分析比较了两种方法的变化检测结果，证明了经过地物特征增强后获取的变化量能更准确地提取出变化区域。方法不仅融合了各波段的特点，而且增强了各地物的可区分度，效果较好。另外，文中采用了两种阈值分割方法，无论是理论还是实验都充分证实了，利用本文所提出的基于特征增强的变化检测方法获取变化量，不论采用OTSU阈值分割法还是最小误差阈值分割法，在检测精确度上都具有优越性，而基于特征增强与最小误差阈值分割相结合的变化检测相对来说是最优的、最具可行性的。

表4 基于最小误差阈值分割+特征增强法的混淆矩阵

表5 基于最小误差阈值分割+PCA变换的混淆矩阵

[1] 陈鑫镖.遥感影像变化检测技术发展综述[J].测绘与空间地理信息,2012,35(9):38-41.

[2] 王立刚，牟海维，张 勇.基于专家知识的数据融合技术研究[J].传感器与微系统,2007,26(10):60-62.

[3] 李秀玲.浅谈遥感技术在3S技术中的应用[J].中国地名,2010(11):72-73.

[4] 殷守敬,吴传庆,王 桥,等.多时相遥感影像变化检测方法研究进展综述[J].光谱学与光谱分析,2013,33(12):3339-3342.

[5] 王伟平,周海银,胡永刚,等.基于聚类分析的SAR图像变化检测 [J].传感器与微系统,2007,26(9):76-82.

[6] Willis K S.Remote sensing change detection for ecological monitoring in United States protected areas[J].Biological Conservation,2015,182:233-242.

[7] 徐显荣,高清维,李中一.一种用于农业环境监测的无线传感器网络设计[J].传感器与微系统,2013,32(4):61-64.

[8] 郭全民,张海先.基于图像处理技术的混凝土路面裂缝检测方法[J].传感器与微系统,2009,28(7):98-100.

[9] 姜 浩,冯 敏,肖 桐,等.基于线状特征增强的TM遥感影像细小河流提取方法[J].测绘学报,2014,43(7):705-710.

[10] 侯晓真,张毕书,宁晓刚,等.基于TM影像波段运算的沙漠变化检测分析[J].大地测量与地球动力学，2013,33(6):145-149.

[11]DuPJ,LiuSC.Changedetectionfrommulti-temporalsensingimagesbyintegratingmultiplefeatures[J].JournalofRemoteSensing,2012,16(4):663-677.

[12] 阳春花,胡吉林.多时相遥感影像的变化检测方法应用试验与分析[J].测绘与空间地理信息,2015,38(3):54-56.

[13]TewkesburyAP,ComberAJ,TateNJ,etal.Acriticalsynthesisofremotelysensedopticalimagechangedetectiontechnique-s[J].RemoteSensingofEnvironment,2015,160:1-14.

[14] 魏 武,龚树锋.基于机器视觉的非结构化道路检测算法研究[J].传感器与微系统,2010,29(1):39-41.

[15] 陈学堂,张 元，杨坤平，等.基于第二代曲波变换算法的检测图像增强[J].传感器与微系统,2008,27(12):8-10.

[16] 范九伦,雷 博.灰度图像最小误差阈值分割法的二维推广[J].自动化学报,2009,35(4):386-393.

[17] 贾永红.数字图像处理 [M].2版.武汉：武汉大学出版社,2010:156-157.

Change detection method based on feature enhancement and minimum error threshold segmentation

WANG Xiao-hua1, DENG Xiao-lian1, HE Zhuo-li1, DU Yu-qi1, SHEN Yan-feng2

(1.College of Science,China Three Gorges University,Yichang 443000,China；2.Lingyun Science and Technology Group Company Limited,Wuhan 430040,China)

Take thematic mapper(TM) remote sensing image of Shijiazhuang,Hebei Province in 2003 and 2004 as example,aiming at spectrum characteristics at each waveband,a change detection algorithm is proposed,which is based on surface feature enhancement technology.Firstly,in order to determine the weight coefficient of band combination operation,the average,standard deviation and other characteristic values of different bands are calculated by ground samples from multi-temporal images,and then the feature enhancement image can be calculated.Secondly,the difference image of two phases feature enhancement images is calculated.Finally,the minimum error threshold segmentation is performed on the difference image to obtain the change detection results.It shows through comparison experimental results that the overall precision of distinguishing reaches 90 %,and compare with the traditional change detection method based on principal component analysis(PCA),the new method has higher precision,better properties of applicability and feasibility.

change detection; band combination; feature enhancement; the minimum error threshold segmentation

2017—04—14

10.13873/J.1000—9787(2017)06—0142—04

TP 751

A

1000—9787(2017)06—0142—04

王晓花(1991-)，女，硕士，主要研究方向为遥感信息处理。

邓小炼(1970-)，男，通讯作者,博士，副教授，主要从事遥感信息处理、模式识别工作，E—mail:345937408@qq.com。