基于差异图组合的遥感图像变化检测

姜欢欢, 杨学志, 董张玉, 胡志勇

(合肥工业大学 计算机与信息学院,安徽 合肥 230009)

基于差异图组合的遥感图像变化检测

姜欢欢, 杨学志, 董张玉, 胡志勇

(合肥工业大学 计算机与信息学院,安徽 合肥 230009)

针对传统差异图抗噪性差、检测精度低的缺点,文章提出了一种基于差异图组合的遥感图像变化检测算法。该方法通过傅里叶变换得到差值图的相位和对数比值图的幅值,对其组合后进行傅里叶反变换生成新差异图,最后用模糊C均值(fuzzyC-means,FCM)进行聚类。该文采用全色图像和合成孔径雷达(synthe tic aperture radar,SAR)图像进行验证,并与使用单一类型的差异图对比,结果表明,该方法由于利用差值图相位保留了图像中的弱变化信息,提高了检测准确率,且由于利用对数比值图幅值抑制了图像中的噪声,具有一定的抗噪性能。

遥感图像;变化检测;相位;差值图;比值图;模糊C均值(FCM)聚类

遥感是在远离目标和非接触目标物体条件下探测目标地物,获取其反射、辐射或散射的电磁波信息(如电场、磁场、电磁波、地震波等信息),并进行提取、判定、加工处理、分析与应用的一门科学和技术。作为遥感应用研究的热点,遥感图像变化检测技术发展迅速。遥感图像变化检测是指分析同一地区不同时期的遥感图像从而确定地物变化信息的过程。目前遥感图像变化检测技术已被广泛应用在国民经济建设领域,如土地利用和土地覆盖监测[1]、城镇的变化分析、农作物的变化监测、地表植被的变化分析[2]、灾害分析评估及天气预报、地形勘探、地形测绘、海洋探测等[3]方面都已经有了许多成熟的应用。在国防军事领域,如目标的侦查、监视与摧毁效果评估等[4]方面,遥感图像变化检测技术也发挥着重要作用。

变化检测可被看作是将遥感图像划分为变化类与非变化类的分类问题。传统的变化检测算法可分为监督与非监督2类。监督变化检测需要先标记含有变化区域真实值的样本,用样本集训练分类器再进行变化检测,常用的方法有决策树、神经网络、支持向量机(support vector machine,SVM)等;而非监督变化检测直接利用2幅遥感图像得到变化信息,常用的方法有聚类法、阈值法等。在实际应用中由于获取先验信息较难,且需要分析大面积区域,因此需要自动变化检测技术以减少图像手动分析工作,这使得非监督变化检测比监督变化检测研究的范围更广,本文采用非监督变化检测。

非监督变化检测方法主要分为图像预处理、生成差异图、差异图分析与处理3个步骤[5]。其中,图像预处理主要包括几何校正与配准、大气校正、辐射校正等。生成差异图的方法有很多,常用的有差值法、变化向量分析法(change vector analysis,CVA)和比值法。差值法可保留弱变化区域的细节信息,但受噪声影响较大;CVA可以利用遥感图像多个波段的信息,当图像为单波段时得到的差异图与差值法相同;比值法可以在一定程度上抑制噪声,却会夸大低灰度区域的变化[6],如灰度值从3变到6与从100变到200在比值差异图上是同样的值,可见单一类型的差异图存在检测精度低以及适用范围窄等问题。文献[7]采用图像融合方法构造差异图,但该方法只适用单类图像,不具有普遍性；文献[8]将差值图和比值图线性组合,但滤波后图像细节信息损失严重。差异图分析与处理主要是将差异图分为变化区域与非变化区域,传统的方法有K均值(K-means)聚类[9]、模糊C均值(fuzzyC-means,FCM)聚类[10]、EM-Bayes[11]等。

针对上述传统生成差异图方法的不足,本文提出了一种基于差值图相位和对数比值图幅值组合的遥感图像变化检测方法。首先用差值法和对数比值法生成差异图,然后进行傅里叶变换得到各图的幅值和相位,将差值图相位和对数比值图幅值组合并进行傅里叶反变换生成新差异图,最后用FCM进行聚类。差异图组合不仅利用了图像的幅值信息,还利用了图像的相位信息,与使用单一类型差异图的变化检测方法相比,本文方法具有较好的抗噪性能,进一步提高了检测准确率。

1 遥感图像变化检测

设X1和X2为已经过校正和配准的2幅在不同时刻从同一地区获取的遥感图像,大小均为M×N。采用基于差异图组合的变化检测主要分为如下3个步骤:

(1) 通过X1和X2构造差值图和对数比值图,得到2幅初始差异图。

(2) 分别对差值图和对数比值图进行傅里叶变换,求得各差异图的幅值与相位,并将差值图相位和对数比值图幅值进行组合,通过傅里叶反变换生成新差异图。

(3) 对生成的新差异图进行FCM聚类，获得最终变化检测结果。

具体实现流程如图1所示。

图1 基于差异图组合的变化检测流程

1.1 差值图和对数比值图

差值法和比值法是生成差异图像的2种基本方法,分别通过对X1和X2逐像素相减和相除来获得差异图。文献[12]提出使用对数比的方法构造差异图,这是目前用比值法构造差异图的主要采用形式,对数比值法就是对比值法取对数。

差值图XS和对数比值图XL的计算公式为:

XS=|X1-X2|

(1)

|lg(X2+1)-lg(X1+1)|

(2)

在求对数比值图XL的过程中用Xi+1(i=1,2)代替Xi(i=1,2),避免Xi的值为0,使(2)式无意义。然后对差值图XS、对数比值图XL进行中值滤波,可以去除孤立的噪声点并更好地保留边缘信息。本文实验中滤波窗口大小为3×3。

1.2 差异图组合

差值法常用于光学遥感图像差异图的构造,得到的差值图变化信息明显,方便对弱变化信息进行更精确地检测,但其对噪声比较敏感,图像中常含有很多噪声点。而对数比值法常用于合成孔径雷达(synthetic aperture radar,SAR)图像差异图的构造,这是由于SAR图像中的相干斑噪声为乘性噪声,通过对数比值法不仅将乘性噪声转化为加性噪声,还压缩了图像的变化范围,削弱了噪声的影响,然而对数比值法不能真实地反映低灰度区域的变化信息。由此可见,只利用单一类型差异图的灰度信息会造成变化检测精度低及方法适用范围窄等问题。

综合考虑上述因素,本文将差值图和对数比值图的相位信息运用到差异图的构造中。相位体现了图像的边缘信息,并具有良好的稳定性[13-14]。差值图幅值变化范围大,变化区域边缘的相位特征明显,而对数比值图幅值变化范围小,噪声幅值低,因此将差值图相位与对数比值图幅值组合不仅保留了图像的弱变化信息,还抑制了噪声的影响。

本文采用傅里叶变换获得差值图和对数比值图的幅值和相位,并将差值图相位和对数比值图幅值组合通过傅里叶反变换生成新的差异图。具体方法如下。

对差值图XS和对数比值图XL进行傅里叶变换,得到各图的幅值和相位,即

(3)

X(ω)描述了x(t)的频率结构,其指数形式为:

X(ω)=|X(ω)|ejφ(ω)

(4)

其中,|X(ω)|为幅值;φ(ω)为相位。由(4)式可得差值图相位φS(ω)和对数比值图幅值|XL(ω)|。将φS(ω)和|XL(ω)|组合,并对组合后的幅值和相位进行傅里叶反变换,计算公式为:

即可得到组合差异图X。

1.3 模糊C均值聚类

得到组合差异图X后,有多种方法可对其进行变化检测,本文采用经典的FCM算法。

FCM是用隶属度确定每个数据点属于某个聚类程度的一种聚类算法。FCM把图像xij分为C个模糊类,并求每类的聚类中心,使得目标函数达到最小。模糊划分结果用隶属矩阵U=[uij]表示,取值范围为[0,1],加上归一化规定,则一个数据集的隶属度的和总是等于1，即

∀j=1,…,n

(6)

FCM通过迭代和更新隶属度矩阵U和聚类中心F使目标函数达到最小,其目标函数如下:

其中,uij介于0～1之间;Fi为模糊类i的聚类中心,dij=‖Fi-x(i,j)‖为第i个聚类中心与像素间的欧几里德距离;且m∈[1,∞)是一个加权指数,通常取2。

FCM聚类过程如下:

(1) 采用值在0～1间的随机数初始化隶属矩阵U,使其满足(6)式中的约束条件。

(2) 计算C个聚类中心Fi(i=1,…,C),即

(3) 根据(7)式计算目标函数。若它小于某个确定的阀值,或相对上次价值函数值的改变量小于某个阀值,则算法停止。

(4) 计算新的U矩阵,返回步骤(2)。计算公式为:

通过FCM将组合差异图聚为2类,得到最终的变化检测结果。

2 实验结果与分析

本文选择2组遥感图像进行变化检测,验证本文算法的有效性,并与CVA[15]、差值法、对数比值法、小波融合法[7]和线性组合法[8]所构造的差异图进行比较,然后用FCM聚类方法进行差异图分析对比实验,用误检数、漏检数、总错误数、正确率和kappa系数作为评价指标[16]。

2.1 实验数据描述

第1组实验数据如图2所示,为墨西哥地区的2幅Landsat7 ETM+第4波段图像,时间分别为2000 年4 月和2002 年5 月,分辨率为512×512,发生变化的原因为火灾。

图2 墨西哥Landsat7 ETM+图像

第2组实验数据如图3所示,为伯尔尼地区的2幅SAR图像,时间为1999年4月和5月,分辨率为301×301,发生变化的原因为水灾。

图3 伯尔尼SAR图像

2.2 变化检测结果与分析

2.2.1 墨西哥地区变化检测结果与分析

墨西哥地区5种对比方法生成的差异图如图4所示,各差异图经过FCM聚类后的变化检测结果如图5所示。因为实验采用单波段图像,CVA与差值法得到的差异图相同,变化检测结果也相同,所以本文将其结果合并表示。由图4和图5可以看出,图4a差值图变化信息明显,但含有较多噪声,变化检测结果中(见图5a)有较多杂点;图4b噪声较少但变化信息的强度被抑制,因此图5b中漏检信息较多;图4c和图4d中变化信息得到了增强,但图5c、图5d图像细节信息损失严重;而图4e中本文算法由于利用差值图相位与对数比值图组合,变化信息比对数比值图明显,并且相对于差值图噪声灰度值较低,有效地保留了变化信息并抑制了噪声的影响(见图5e)。

墨西哥地区各方法变化检测精度评价结果见表1所列。由于光学遥感图像中的噪声为加性噪声,可以看出差值法检测效果优于对数比值法,线性组合法检测效果优于小波融合法;而本文方法利用对数比值图幅值抑制噪声降低了误检,又用差值图相位保留弱变化信息提高了总体变化检测精度,将检测正确率、kappa系数分别提升到98.21%、0.891 7,相比于小波融合法和线性组合法具有更好的变化检测结果。

图4 墨西哥地区差异图

图5 墨西哥地区变化检测结果

方法误检数漏检数总错误数正确率/%kappa系数差值法+FCM16174118573597．810．8701比值法+FCM17066686839296．800．8010小波融合法+FCM28662482534897．960．8849线性组合法+FCM22562771502798．080．8902本文方法+FCM6394065470498．210．8917

2.2.2 伯尔尼地区变化检测结果与分析

伯尔尼地区5种对比方法生成的差异图如图6所示,变化检测结果如图7所示。从图6和图7可以看出,图6a差值图突出了变化信息但含有较多噪声,变化检测结果中(见图7a)有较多误检;图6b和图6d中变化信息较不明显,使得图7b、图7d中存在较多漏检;图6c中变化信息得到了增强,但同时也增强了噪声,在变化检测结果中(见图7c)含有一定的噪声点;而图6e中本文所得差异图相对于对数比值图和差值图对噪声具有更好的抑制性,同时提高了差异图的可分性,经过FCM聚类后更好地削弱了噪声的影响(见图7e)。

图6 伯尔尼地区差异图

图7 伯尔尼地区变化检测结果

伯尔尼地区各方法变化检测精度评价结果见表2所列。

表2 伯尔尼地区变化检测结果

SAR图像中的噪声为乘性噪声,可以看出对数比值法、小波融合法、线性组合法检测效果远好于差值法,而本文方法结合了差值图相位和对数比值图幅值的优势,将变化检测总错误数从568、551降低至542,与小波融合法、线性组合法相比更好地抑制了噪声，且总错误数最少,将检测正确率提升至99.40%,相比于其他方法更有效地提取出了变化信息。

3 结 论

综合考虑差值法和对数比值法差异图的优缺点,本文提出了一种基于差异图组合的遥感图像变化检测算法。该方法对差值法和对数比值法生成的差异图进行傅里叶变换,获取各自的幅值和相位,并将差值图相位和对数比值图幅值进行组合生成新的差异图,而后利用FCM聚类得到最终变化检测结果。相位信息被运用到差异图的生成中,差值图变化区域边缘的相位特征明显,对数比值图噪声幅值低,两者组合更好地保留了变化区域,并抑制了噪声的影响。从2组不同类型实验的精度评价效果来看,差异图组合的变化检测精度优于小波融合法及线性组合法差异图,具有较好的抗噪性能,方法适用范围更广。

[1] EL-KAWY O R A,ROD J K,ISMAIL H A,et al.Land use and land cover change detection in the western Nile delta of Egypt using remote sensing data[J].Applied Geography,2011,31(2):483-494.

[2] VARSHNEY A.Improved NDBI differencing algorithm for built-up regions change detection from remote-sensing data:an automated approach[J].Remote Sensing Letters,2013,4(5):504-512.

[3] LHERMITTE S,VERBESSELT J,VERSTRAETEN W W,et al.A comparison of time series similarity measures for classification and change detection of ecosystem dynamics[J].Remote Sensing of Environment,2011,115(12):3129-3152.

[4] CARLOTTO M J.A cluster-based approach for detecting man-made objects and changes in imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(2):374-387.

[5] BRUZZONE L,PRIETO D F.An adaptive semiparametric and context-based approach to unsupervised change detection in multitemporal remote-sensing images[J].IEEE Transactions on Image Processing,2002,11(4):452-466.

[6] GONG M,ZHOU Z,MA J.Change detection in synthetic aperture radar images based on image fusion and fuzzy clustering[J].IEEE Transactions on Image Processing,2012,21(4):2141-2151.

[7] MA J,GONG M,ZHOU Z.Wavelet fusion on ratio images for change detection in SAR images[J].Geoscience and Remote Sensing Letters,2012,9(6):1122-1126.

[8] ZHENG Y,ZHANG X,HOU B,et al.Using combined difference iImage and-means clustering for SAR Image change detection[J].Geoscience and Remote Sensing Letters,2014,11(3):691-695.

[9] YETGIN Z.Unsupervised change detection of satellite images using local gradual descent[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(5):1919-1929.

[10] GHOSH A,MISHRA N S,GHOSH S.Fuzzy clustering algorithms for unsupervised change detection in remote sensing images[J].Information Sciences,2011,181(4):699-715.

[11] HAO M,SHI W,ZHANG H,et al.Unsupervised change detection with expectation-maximization-based level set[J].Geoscience and Remote Sensing Letters,2014,11(1):210-214.

[12] DEKKER R J.Speckle filtering in satellite SAR change detection imagery[J].International Journal of Remote Sensing,1998,19(6):1133-1146.

[13] KOVESI P.Phase congruency detects corners and edges[C]//The Interrational Conference on Digital Imoge Computer:Techniques and Applications.[S.l.]:The Australian Pattern Recognition Society Conference,2003:309-318.

[14] KOVESI P.Image features from phase congruency[J].Journal of Computer Vision Research,1999,1(3):1-26.

[15] SHI W,SHAO P,HAO M,et al.Fuzzy topology-based method for unsupervised change detection[J].Remote Sensing Letters,2016,7(1):81-90.

[16] ROSENFIELD G H,FITZPATRICK-LINS K.A coefficient of agreement as a measure of thematic classification accuracy[J].Photogrammetric Engineering and Remote Sensing,1986,52(2):223-227.

Changedetectionforremotesensingimagesbasedoncombineddifferenceimage

JIANG Huanhuan, YANG Xuezhi, DONG Zhangyu, HU Zhiyong

(School of Computer and Information, Hefei University of Technology, Hefei 230009, China)

In view of the fact that the traditional difference image has poor noise immunity and low detection accuracy, a change detection algorithm based on combined difference image(CDI) is presented for remote sensing images. The subtraction operator and the log ratio operator are used to generate two kinds of difference images. Then the combination of the phase of the subtraction difference image and the amplitude of the log ratio difference image obtained by Fourier transform is processed by inverse Fourier transform to generate CDI. Finally, the change detection image is achieved by clustering CDI using fuzzyC-means(FCM) clustering algorithm. Experiments on panchromatic image and synthe tic aperture radar(SAR) image are conducted and the results show that the proposed method has certain anti-noise performance and improves the detection accuracy when compared with those based on single difference image, for that the phase of the subtraction operator can preserve the weak change signals and the amplitude of the log ratio operator can combat noise.

remote sensing image; change detection; phase; subtraction difference image; log ratio difference image; fuzzyC-means(FCM) clustering

2016-09-08；

2016-11-15

国家自然科学基金资助项目(61371154;61271381;61503111);中国科学院流域地理学重点实验室开放基金资助项目(WSGS2015009)和中央高校基本科研业务费专项资金资助项目(2014HGBZ0362;2015HGQC0193;JZ2016HGTA0704)

姜欢欢(1990-),女,黑龙江绥化人,合肥工业大学硕士生;

杨学志(1970-),男,安徽合肥人,博士,合肥工业大学教授,博士生导师,通讯作者，E-mail:xzyang@hfut.edu.cn.

10.3969/j.issn.1003-5060.2017.12.007

TP751.1

A

1003-5060(2017)12-1614-06

(责任编辑胡亚敏)