基于多特征融合的FCM面向对象变化检测∗

刘 战杜久升马登灿

（1.河南理工大学测绘与国土信息工程学院 焦作454000）（2.浙江交工集团股份有限公司 杭州310000）

1 引言

利用遥感影像的变化检测技术提取目标区域的变化信息，为环境、城市规划、农业、国防等领域提供支持，一直是遥感影像处理的研究热点［1~3］。面对高分辨率遥感影像，基于像素的传统变化检测方法不再适合，研究适用于高分辨率遥感影像的变化检测方法有着重要的意义。

与中低分辨率影像相比，高分辨率遥感影像地物细节信息更丰富，但在传统的面向像素方法下，这些细节信息往往不会得到有效利用，反而会干扰变化检测的结果。传统方法对地物形状、结构等信息的分析很少涉及，这也成为制约遥感应用的主要瓶颈之一［4~5］。面向对象的变化检测方法应运而生。目前，已有许多学者对面向对象的变化检测方法做了研究，并且在研究应用取得了一定的进展。

Bovolo［6］等提出基于像斑的变化向量分析方法，研究表明高分辨率遥感影像丰富的地物细节信息、“同谱异物”现象严重，利用单一类别特征进行变化检测很难获得满意的检测精度。杜培军［7］等利用一维特征空间加权距离相似度运算、多维特征空间的模糊集融合和支持向量机融合策略进行变化检测，有效集成了不同特征的优势与表征变化信息的能力，提高了变化检测过程的稳定性和适用性。徐俊峰［8］等通过SVM将多种特征进行有效集成，构造了较为稳定和适用的变化检测模型，通过对不同时相的航空影像与卫星影像进行实验，验证了该方法对多源遥感影像的变化检测是有效的。李亮［9］等通过自适应方法，借助光谱距离与纹理距离构建像斑的异质性，最终结合EM算法和贝叶斯最小错误率理论获取像斑的变化以及非变化类别，该方法能够充分融合光谱特征和纹理特征，从而提高变化检测的精度。Li［10］等提出了一种结合宏观和微观纹理特征的多纹理变化检测方法，通过集成微观纹理和宏观纹理，使用RF和模糊集合模型的纹理组合可以进一步提高变化检测的准确性。但总地来说，在特征融合时并没有考虑各个特征的权重，从而导致主要特征、次要特征以及无用特征无法在变化检测中体现出来。

无论是单一特征还是多特征直接加权进行变化检测，都容易受到各种因素的影响，对变化检测精度有较大的影响，因此本文根据多特征的权重进行融合，在此基础上提出面向对象的FCM多特征加权融合变化检测方法。

2 论文方法介绍

2.1 变化检测流程

本文以多尺度分割技术获取像斑，并以此为变化检测的分析基础。在选取了最佳的分割尺度的基础上进行变化检测，基本流程如图1所示。

图1 融合多特征的加权FCM面向对象变化检测流程图

2.2 对象的特征提取

2.2.1 纹理特征

纹理是对图像各像元之间空间分布的一种描述，是描述与识别图像的重要依据。提取纹理特征的方法很多，如基于局部统计特性的特征、基于随机场模型的特征、基于空间频率的特征、分形特征等［11］。本文主要介绍Gabor小波纹理特征与灰度共生矩阵（GLCM）特征并将两种特征和光谱特征融合进行遥感影像变化检测。Gabor函数本质上是复正弦调制的高斯核函数［12］，可以在给定区域内提取出局部的频域特征。一个典型的2-D Gabor变换是一种二维连续的小波变换，可以在不同尺度不同方向上提取影像的纹理特征［13~14］。GLCM是通过计算灰度图像的共生矩阵，得到矩阵的部分特征值用来代表图像的部分纹理特征。灰度共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度等综合信息，它是分析图像的局部模式和排列规则的基础［15］。通常用方差、能量、熵、相关性等特征量来表示纹理特征。

2.2.2 变化检测的特征的权重计算与特征选择

遥感影像包含纹理、空间、光谱等特征，但不是所有的特征都能应用于变化检测，有些特征反而会影响到变化检测的精度，通常把这些特征称为无用特征。因此增加有用特征的权重、尽量降低无用特征的权重，可以提高变化检测的精度。

Relief［16］算法最初针对于两类数据的分类问题，是一种特征权重算法，根据各个特征和类别的相关性赋予特征不同的权重，权重小于某个阈值的特征将被剔除。在Relief算法中特征和类别的相关性取决于特征对近距离样本的区分能力。算法从训练集D中随机选择一个样本R，然后从和R同类的样本中寻找最近邻样本H，称为Near Hit，从与R异类的样本中寻找最近邻样本M，称为Near Miss，然后根据以下规则更新每个特征的权重：如果R和Near Hit在某个特征上的距离小于R和Near Miss上的距离，则说明该特征对区分同类和异类的最近邻是有益的，则增加该特征的权重；反之，如果R和Near Hit在某个特征的距离大于R和Near Miss上的距离，说明该特征对区分同类和异类的最近邻起负面作用，则降低该特征的权重［17］。以上过程重复m次，最后得到各个特征权重。特征的权重越大，表示该特征的分类能力越强，反之，表示该特征分类能力越弱。

基于Relief算法的特征选取的实现如下所示。

1）对参与变化检测的各个特征的权重初始化为0；

2）依次寻找各个样本的最邻近样本和异类样本，计算样本与同类样本的和异类样本的特征距离，根据样本的特征距离跟新特征的权重；本文采用差值特征型距离，其计算如下：

3）根据特征权重值的排序，删除权重值小于阈值的特征；

4）对其余的特征权重值进行归一化处理并输出。

2.2.3 加权FCM

模糊C均值（Fuzzy C-means，FCM）聚类方法，属于基于目标函数的模糊聚类算法的范畴。在遥感影像分割后，假设所有分割的对象特征值X={xi，i=1，2，3…n}构成D维空间中的N个向量的集合，将N个向量划分成M个模糊组，其中隶属度矩阵UN×M表示各个对象属于某个类别的隶属度，如uij表示i对象属于第j类别的隶属度，uij满足如下条件：

FCM的基本思想是类内之间的加权误差平方和最小，即为

其中vj表示聚类的中心，xi为第i个分割对象的特征，M为聚类的类别数量，l为加权指数且，它是一个控制算法的柔性的参数，如果l过大，则聚类效果会很差，而如果m过小则算法会接近k均值聚类算法，一般取l=2。

传统FCM分类方法中各个特征是等权重这样就不能体现不同特征在面向对象遥感分类过程中的差异。在Relief算法分析了对象特征对变化检测结果的重要性之后，确定了各个特征在变化检测的权重，根据特征的权重，对FCM的目标函数J进行改进，将测度距离从大多数的欧式距离、马氏距离变为加权的欧式距离，计算方式如下：

其中xid为对象i的第d个特征值，vjd为第j个聚类中心第d个特征的值，wd为第d个特征的权重。改进后的FCM中目标函数J为

目标函数J达到最小的必要条件为

3 实验与分析

为了验证本文算法的有效性，利用不同时相的两幅影像进行实验：实验影像以河南省郑州市2015年7月 和2016年7月 的500*500大 小的GF-2影像为例。经过预处理的影像如图2所示。

图2 实验遥感影像

首先对两幅影像进行多尺度分割，根据分割对象内部异质性质性最小，选取多个尺度进行实验，结果如图3所示。

图3 不同尺度下的异质性

图4 分割结果

利用上文的分割结果，分别提取遥感影像的Gabor纹理和GLCM纹理，纹理提取的过程中，选择width为5，direction为12构建60个Gabor滤波器，一个波段即可提取60个纹理信息，由于各个波段之间的Gabor纹理特征具有相似性，本实验选取的T1时期影像和T2时期影像特征如图5所示。

图5 T1、T2时期影像纹理特征

为了验证FCM加权算法的有效性，本实验进行了三组实验：1）单独利用某一特征的差异进行变化检测；2）直接加权融合的变化检测；3）通过加权的FCM算法进行多特征融合变化检测。实验结果如图6所示。

图6 单一特征的变化检测结

常用的变化检测评价指标有虚检误差、漏检误差和总体精度，该实验中采用以上三种精度评价指标。变化检测精度如表1所示。

图7 直接加权融合的变化检测

图8 FCM加权融合的变化检测结果

表1 变化检测精度评价表

通过上表的精度评价结果可知：单独使用光谱特征、Gabor、GLCM进行变化检测的结果总体精度分别为0.9235、0.9286、0.9049，直接对光谱特征和Gabor加权的总体精度为0.9430，直接对光谱和GL⁃CM进行加权的变化检测的总体精度为0.9352，直接对GLCM和Gabor加权的变化检测的总体精度为09386，直接对三种特征进行加权的变化检测的总体精度为0.9587；通过对特征加权之后，变化检测的总体精度有所提高。加权的FCM融合光谱特征和Gabor纹理特征的变化检测的总体精度为0.9488，加权FCM融合光谱特征和GLCM特征的变化检测的总体精度为0.9479，加权FCM融合GLCM纹理特征和Gabor纹理特征的变化检测的总体精度为0.9436，加权的FCM融合三种特征的差异进行变化检测的总体精度为0.9625。两两FCM加权融合的变化检测的总体精度高于直接加权的变化检测的总体精度，而加权的FCM融合三种特征差异的变化检测是所有变化检测中精度最高的，达到0.9625。

4 结语

本文针对高分辨率的遥感影像提出了一种基于面向对象的变化检测方法。采用多尺度分割算法对影像进行多尺度分割，在选取最佳尺度的基础上实现了光谱特征和纹理特征的FCM加权融合，并以郑州市高分影像为例验证该方法的有效性。通过比较发现，整体上无论采用那种特征融合方式，都比单一特征的变化检测精度高，利用加权FCM融合三种特征的变化检测精度都比两两特征加权融合的精度高，说明特征的差异融合，实现了有效特征的信息互补，提高了变化检测的总体精度。基于多特征融合的FCM变化检测方法可以使丰富的高分辨遥感影像更加有效地应用。