多特征混合核SVM模型的遥感影像变化检测

doi:10.6046/gtzyyg.2019.01.03

多特征混合核SVM模型的遥感影像变化检测

刘义志¹^,², 赖华荣³, 张丁旺⁴, 刘飞鹏², 蒋小蕾², 曹庆安²

1.中国地质大学(武汉)计算机学院,武汉 430074

2.江西核工业测绘院,南昌 330038

3.广东联合金地不动产评估勘测设计有限公司,韶关 512100

4.东莞浈江产业转移工业园管理委员会,韶关 512100

Change detection of high resolution remote sensing image alteration based on multi-feature mixed kernel SVM model

LIU Yizhi¹^,², LAI Huarong³, ZHANG Dingwang⁴, LIU Feipeng², JIANG Xiaolei², CAO Qing’an²

1.School of Computer Science, China University of Geosciences(Wuhan), Wuhan 430074, China

2.Jiangxi Nuclear Industry Institute of Surveying and Mapping, Nanchang 330038, China

3.Guangdong United to the Real Estate Assessment Survey and Design Co. Ltd., Shaoguan 512100, China

4.Dongguan Zhenjiang Industrial Transfer Industrial Park Management Committee, Shaoguan 512100, China

责任编辑: 陈理

收稿日期: 2018-01-2 修回日期: 2018-03-7 网络出版日期: 2019-03-15

Received: 2018-01-2 Revised: 2018-03-7 Online: 2019-03-15

作者简介 About authors

刘义志(1983-),男,高级工程师,主要研究方向为图像处理、遥感图像目标检测与识别、无人机遥感和云计算。Email:123654784@qq.com。。

摘要

针对传统变化检测方法会存在明显的“椒盐现象”以及不同核函数对同一特征性能表现差别比较大的问题,借鉴面向对象思想,提出多特征混合核支持向量机(support vector machine,SVM)模型的变化检测方法。首先,依据高空间分辨率遥感影像对象不同特征的变化检测优势,提取影像多种特征; 然后,利用多种特征的多核函数组合,给出多特征混合核函数的构造方法; 最后,构建基于多特征混合核SVM的变化检测模型,充分挖掘变化目标的完整性与准确性。实验结果表明,该方法能综合利用多种特征信息,检测精度明显高于单一特征,有利于提取小样本的变化信息,避免了以往检测方法需要确定变化阈值的复杂性和不确定性。

关键词： 面向对象 ; 变化检测 ; 多特征 ; 混合核 ; 支持向量机

Abstract

In view of the fact that different kernel functions have greatly different performance on the same feature, the authors propose a new method of change detection of multi-feature hybrid kernel support vector machine (SVM) model. According to the different characteristics of the change detection, the authors extract image features, make use of the multi-kernel function of several features, give the methods of constructing multi-feature and mixed-kernel function, construct change detection model of multi-feature mixed-nuclear support vector machine, and fully tap the integrity and accuracy of the varying target. The experimental results show that this method makes use of the information of various features. The detection precision is obviously higher than that of the single feature. The method not only takes advantage of extracting change information of small samples, but also avoids the complexity and uncertainty of the old detection method for determining the change threshold.

Keywords： object oriented ; change detection ; multi-feature ; mixed kernel ; support vector machines (SVM)

PDF (2114KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

刘义志, 赖华荣, 张丁旺, 刘飞鹏, 蒋小蕾, 曹庆安. 多特征混合核SVM模型的遥感影像变化检测. 国土资源遥感[J], 2019, 31(1): 16-21 doi:10.6046/gtzyyg.2019.01.03

LIU Yizhi, LAI Huarong, ZHANG Dingwang, LIU Feipeng, JIANG Xiaolei, CAO Qing’an. Change detection of high resolution remote sensing image alteration based on multi-feature mixed kernel SVM model. REMOTE SENSING FOR LAND & RESOURCES[J], 2019, 31(1): 16-21 doi:10.6046/gtzyyg.2019.01.03

0 引言

变化检测是从多时相的遥感数据中分析并确定地表覆盖变化的过程与特征,检测的是某2个时期影像像元的地表光谱响应随时间变化所发生的变化^[1]。遥感影像变化检测已经在资源和环境监测、地理国情监测、自然灾害评估以及地图更新等方面得到广泛应用。传统的单像素、单一特征的变化检测,如光谱特征^[2,3,4]、纹理特征^[5]和空间特征^[6]等,容易出现漏检或误检,不能满足变化目标检测的准确性和完整性^[7],因此目前普遍采用面向对象多特征融合进行变化检测^[8]。由于不同的核函数具有不同的特性,从而使得不同特征采用相同的核函数的性能差别很大。为了克服单一核函数不能有效表达多特征空间的问题,近年来,出现了大量关于核组合的方法。这方面的研究已经成为遥感图像处理中一个新的研究热点^[9]。

支持向量机(support vector machine,SVM)是目前被广泛使用的一种监督分类器,建立在统计学习理论和结构风险最小原理基础上,可解决少量样本的缺陷,实现高维度模式识别。在遥感图像分类、变化检测的应用中,与传统的神经网络、最小距离分类方法相比,该方法具有精度高、效率高的优点^[10]。田淞等^[11]运用SVM的改进模型KM-SVM对比值差异影像进行聚类,依据聚类结果训练SVM模型参数,获得了变化检测结果,但该方法的变化结果受聚类结果影响比较大; 夏晨阳等^[12]提出混合核SVM算法,根据差值影像的直方图选择置信度高的样本做训练样本,并结合SVM混合核确定变化检测结果; 魏立飞等^[7]提出的多特征差分核SVM遥感影像变化检测方法,利用TM影像数据,有效地提取变化信息,但在高空间分辨率遥感影像上存在明显的“椒盐现象”,实验效果较差。

单一类型特征空间下使用单个核函数来构造决策超平面,在影像分类、故障检测和图像检索等领域可行并有效。但是,不同的核函数具有的特性并不相同,从而使同一特征采用不同的核函数检测结果性能差别较大。当组合多种类型的特征空间进行变化检测,而样本特征含有异构信息且规模很大,或者数据高维特征空间分布不平坦时^[13],单一核函数处理方法并不合理,往往存在局限性^[14,15]。

针对上述问题,为了充分利用遥感影像的光谱特征、空间特征以及纹理特征信息,对多特征差分核SVM方法进行改进,本文提出一种利用面向对象思想的混合核SVM融合多特征的变化检测方法,将不同特征对应的最优核函数进行组合,以期获得最优的映射关系。

1 原理与方法

1.1 混合核SVM理论

混合核通过多个核函数描述不同的特征空间,解决单个核函数不能有效描述不同的特征空间的问题,可以充分融合多特征信息,为多特征融合提供新思路。

多特征混合核SVM变化检测模型的构建,需要讨论多核SVM 定义、引理与定理。对于给定的函数K: $X \times X, x_{1}, x_{2}, x_{3}, \dots, x_{n} \in X$ ,称第i行、第j列的元素 $K_{ij} = K (x_{i}, x_{j})$ 为 $l \times l$ 矩阵 $K$ 关于 $x_{1}, x_{2}, x_{3}, \dots, x_{n}$ 的Gram矩阵。Mercer核的等价定义: 假定 $K (x, x')$ 是定义在 $X \times X$ 上的连续对称函数, $X$ 为 $R^{N}$ 上的一个紧集,并且对于任意的 $x_{1}, x_{2}, x_{3}, \dots, x_{n} \in X$ , $K (x, x')$ 都是Gram矩阵半正定,那么 $K (x, x')$ 是满足Merecer条件的核函数。假设 $K_{1} 和 K_{2}$ 都是 $X \times X$ 上的核, $X \in R^{N}$ ,有常数 $α \geq 0$ ,则式(1)—(2)均为核,即

(1)

K (x, x'^{'}) = K_{1} (x, x'^{'}) + K_{2} (x, x'^{'})

(2) $K (x, x'^{'}) = α K_{1} (x, x'^{'})$ 。

根据上述公式存在有一组常数 $β_{i}$ 使得

(3) $K (x, x'^{'}) = \overset{m}{\sum_{i = 1}} β_{i} K_{i} (x, x'^{'})$ 。

设向量 $x$ 为影像上N个不同特征数据组成,每个特征数据表示成向量 $x^{n}$ , $n$ = 1,2,…,N,则影像的所有特征向量 $x$ 可表示为 $x = \overset{N}{⋃_{n = 1}} x^{n}$ ,因此由式(1)—(3)可知,基于不同特征的交叉信息核函数表达方式为

(4) $K (x, x'^{'}) = \overset{m}{\sum_{i = 1}} K_{i, i'} (x^{i}, x'^{(i')}) + \overset{m}{\sum_{i, i' = 1}} K_{i, i'} (x^{i}, x'^{(i')})$ 。

交叉信息混合核是能够有效地融合光谱特征、空间特征和纹理特征的核函数信息,能更好地挖掘影像特征空间信息。

1.2 方法步骤

基于多特征混合核SVM模型的高空间分辨率遥感影像变化检测方法的步骤如下: 首先,运用多尺度分割算法分割获得影像对象,并计算影像光谱特征、纹理特征信息; 然后,对不同特征信息采用独立的核函数,组合成多特征空间的多核函数,构建基于面向对象的多特征混合核SVM变化检测模型。变化检测流程见图1。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 多特征混合核SVM变化检测模型流程

Fig.1 Flow chart of multi feature hybrid kernel SVM change detection model

1.2.1 影像分割

影像分割是面向对象影像分析的基础,其结果将对后续分析产生重要的影响。基于多尺度分割算法,通过计算各波段的形状与光谱异质性的特征值,根据各个波段信息自适应确定权重,通过迭代运算,直到影像对象的形状和光谱的综合加权值大于给定的阈值,停止迭代,完成影像的多尺度分割。对于任意波段的影像,其异质性 $f$ 为

(5)

f = ω h_{color} + (1 - ω) h_{shope}

(6)

h_{shope} = (1 - ω_{sm}) h_{cm} + ω_{sm} h_{sm}

式中: $ω$ 为影像的光谱异质性 $h_{color}$ 的权重; 形状异质性 $h_{shope}$ 通过形状平滑度的权重 $ω_{sm} 、$ 形状平滑度 $h_{sm}$ 和形状紧凑度 $h_{cm}$ 确定。

1.2.2 特征提取

通过广义的特征提取过程获得特征数据集,即依据原始影像的光谱特征提取感兴趣的特征数据,为下一步的变化信息提取提供依据。本文提取的特征数据集包括: ①光谱均值,即原始影像对应对象内给定波段的均值; ②纹理特征,灰度共生矩阵均值、灰度共生矩阵方差、灰度共生矩阵均匀性和灰度共生矩阵对比度等纹理统计量。面向对象的高空间分辨率影像变化检测选用多种特征信息组合,为确保构建的多源特征影像数据集具有合适的权重,使不同数据集归一化至[0,1]。这样能有效地避免数据的不一致性和不稳定性。

1.2.3 多特征差分核SVM模型构建

多特征差分核变化检测时,多时相遥感影像是不同的信息数据,本文借鉴差值影像变化检测方法,依据上述原理构建了一种新的影像混合核来提取变化信息。

设 $x_{i}$ 代表每个影像对象的特征向量, ${x^{s}}_{i}$ 和 ${x^{w}}_{i}$ 分别表示光谱和纹理特征,采用直接累加核函数和交叉信息核函数来融合2类特征的表达式分别为

(7)

K (x_{i}, x_{j}) = K_{s} ({x^{s}}_{i}_{}, {x^{s}}_{j}) + K_{w} ({x^{w}}_{i}_{}, {x^{w}}_{j})

(8) $K (x_{i}, x_{j}) = K_{s} ({x^{s}}_{i}_{}, {x^{s}}_{j}) + K_{w} ({x^{w}}_{i}_{}, {x^{w}}_{j}) + K_{sw} ({x^{s}}_{i}_{}, {x^{w}}_{j}) + K_{ws} ({x^{w}}_{i}_{}, {x^{s}}_{j})$ 。

为了提取变化信息,还需要构建一种新的影像混合核。设 $t_{1}$ 时相的特征向量为 $x^{t_{1}}$ , $t_{2}$ 时相的特征向量为 $x^{t_{2}}$ ,第i个样本的2个时相特征向量为 $x^{{t_{1}}_{i}}$ 和 $x^{{t_{2}}_{i}}$ ( $i = 1,2, 3, \dots, l$ , $l$ 为样本个数),将原始特征的数据集映射到高维特征空间,样本差值作为新的输入样本,即

(9) $φ (x) = {φ_{1} (x), φ_{2} (x), \dots} = {φ_{1} (x^{(t_{1})}) - φ_{1} (x^{(t_{2})}), φ_{2} (x^{(t_{1})}) - φ_{2} (x^{(t_{2})}), \dots}$ 。

相应的点积核函数及混合核函数可以分别表示为

(10)

K (x, x') = φ (x) φ (x') = φ (x^{(t_{1})}) φ (x'^{(t_{1})}) + φ (x^{(t_{2})}) φ (x'^{(t_{2})}) - φ (x^{(t_{1})}) φ (x'^{(t_{2})}) - φ (x^{(t_{2})}) φ (x'^{(t_{1})})

(11) $K (x, x') = K (x^{(t_{1})}, x'^{(t_{1})}) + K (x^{(t_{2})}, x'^{(t_{2})}) - K (x^{(t_{1})}, x'^{(t_{2})}) - K (x^{(t_{2})}, x'^{(t_{1})})$ 。

当不同时相的样本特征都包含光谱、纹理信息时,首先对多特征使用交差信息核函数,然后再构建不同时相的混合核,得到基于多特征空间的不同时相混合核函数,即

(12) $\{\begin{array}{l} K (x, x') = K (x^{(t_{1})}, x'^{(t_{1})}) + K (x^{(t_{2})}, x'^{(t_{2})}) - K (x^{(t_{1})}, x'^{(t_{2})}) - K (x^{(t_{2})}, x'^{(t_{1})}) \\ K (x^{(t_{1})}, x'^{(t_{1})}) = K_{s} (x^{(t_{1})}, x'^{(t_{1})}) + K_{w} (x^{(t_{1})}, x'^{(t_{1})}) + K_{sw} (x^{(t_{1})}, x'^{(t_{1})}) + K_{ws} (x^{(t_{1})}, x'^{(t_{1})}) \\ K (x^{(t_{2})}, x'^{(t_{2})}) = K_{s} (x^{(t_{2})}, x'^{(t_{2})}) + K_{w} (x^{(t_{2})}, x'^{(t_{2})}) + K_{sw} (x^{(t_{2})}, x'^{(t_{2})}) + K_{ws} (x^{(t_{2})}, x'^{(t_{2})}) \\ K (x^{(t_{1})}, x'^{(t_{2})}) = K_{s} (x^{(t_{1})}, x'^{(t_{2})}) + K_{w} (x^{(t_{1})}, x'^{(t_{2})}) + K_{sw} (x^{(t_{1})}, x'^{(t_{2})}) + K_{ws} (x^{(t_{1})}, x'^{(t_{2})}) \\ K (x^{(t_{2})}, x'^{(t_{1})}) = K_{s} (x^{(t_{2})}, x'^{(t_{1})}) + K_{w} (x^{(t_{2})}, x'^{(t_{1})}) + K_{sw} (x^{(t_{2})}, x'^{(t_{1})}) + K_{ws} (x^{(t_{2})}, x'^{(t_{1})}) \end{array}$ 。

至此,SVM优化问题的对偶形式可以进一步表达为

(13)

\begin{matrix} \max : L (a) = \overset{l}{\sum_{i = 1}} α_{i} - \frac{1}{2} \overset{l}{\sum_{i, j = 1}} α_{i} α_{j} y_{i} y_{j} (x_{i}, x_{j}) (C \geq α_{i} \geq 0, i = 1,2, \dots, l, \overset{l}{\sum_{i = 1}} α_{i} y_{i} = 0) \end{matrix}

式中: C为惩罚系数; y为所属类别。

将式(12)带入式(13),可以获得基于多特征混合核函数的SVM变化检测模型,即

(14) $\begin{array}{l} \max : L (a) = \overset{l}{\sum_{i = 1}} α_{i} - \frac{1}{2} \overset{l}{\sum_{i, j = 1}} α_{i} α_{j} y_{i} y_{j} [K (x_{i}^{(t_{1})}, x_{j}^{(t_{1})}) + K (x_{i}^{(t_{2})}, x_{j}^{(t_{2})}) - K (x_{i}^{(t_{1})}, x_{j}^{(t_{2})}) - K (x_{i}^{(t_{2})}, x_{j}^{(t_{1})})] \\ (C \geq α_{i} \geq 0, i = 1,2, \dots, l, \overset{l}{\sum_{i = 1}} α_{i} y_{i} = 0) \end{array}$ 。

2 实验与分析

2.1 研究区数据

本文采用的实验数据为2013年3月和2015年10月高分二号卫星遥感影像,空间分辨率为1 m,由蓝光、绿光、红光和近红外4个波段组成,影像首先进行影像配准和直方图匹配等预处理。实验数据为某城区,影像大小为1 800像素 $\times$ 1 500像素,如图2(a)和(b)所示; 图2(c)为通过人工目视解译综合获得的标准变化检测结果。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 某城区影像

Fig.2 City images

2.2 实验分析

实验采用多尺度分割算法对预处理后的多时相遥感影像进行分割,获得具备光谱和形状同质性的对象,然后将前后2个时相的分割结果进行叠加生成最终的矢量文件,如图2(d)所示。

采用半自动人机交互方式选取变化地物、未变化地物的部分样本数据占验证区总量的8.28%,选取样本的原则为: 样本在整幅影像上均匀分布且变化类别与未变化类别训练样本的比例符合影像本身变化像元较少而未变化像元较多的特点,充分考虑变化地物与未变化地物的光谱结构与纹理特征,从而使选择的样本具有代表性,并且样本尽可能包括建筑区、道路、耕地、水域和裸地等多种地物覆盖类型。随机选择70%样本作为训练样本,其余作为检验样本。

为了验证多特征融合的有效性,将单一光谱特征、纹理特征和本文方法进行了比较。不同特征组合的变化检测结果如图3所示,图中椭圆为漏检区域,矩形为虚检区域。表1为不同变化检测结果的精度评定。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 不同特征组合的SVM检测结果

Fig.3 Detection results of SVM with different feature combinations

表1 不同特征组合的SVM检测结果精度评价

Tab.1 Accuracy assessment of detection results of SVM with different feature combinations

特征	变化类别	实际变化/km²	实际未变化/km²	合计/km²	虚检率/%	漏检率/%	正确率/%
光谱特征	变化	0.41	0.67	1.08	61.83	12.45	84.01
光谱特征	未变化	1.75	12.28	14.03	61.83	12.45	84.01
纹理特征	变化	1.21	0.93	2.14	43.27	7.29	87.61
纹理特征	未变化	0.95	12.03	12.98	43.27	7.29	87.61
融合光谱和纹理特征	变化	1.44	0.51	1.95	25.97	5.95	91.47
融合光谱和纹理特征	未变化	0.08	12.39	12.47	25.97	5.95	91.47

新窗口打开| 下载CSV

分析图3和表1可知,采用单一特征的变化检测方法,漏检、虚检现象比较明显,单一特征对某一特征变化检测效果较好,但是漏检较多。采用单一光谱特征变化检测的虚检率为61.83%、漏检率为12.45%; 采用单一纹理特征变化检测的虚检率为43.27%、漏检率为7.29%,虚检率和漏检率都有所下降; 融合光谱特征与纹理特征的变化检测虚检率和漏检率都最低而且正确率最高。这是由于不同时相遥感影像存在受太阳高度角、光照条件和季节等因素不同程度的影响,使得部分不同地物在影像上具有不同的灰度值,而仅依靠纹理特征反映地物结构信息比较单一。而融合2种特征更能利用单一特征的优势,有利于挖掘更多的影像信息。

为检验提出的混合核函数方法在遥感影像变化检测中的效果,将混合核的变化检测结果与单独使用多项式核、线性核以及RBF 核函数的单一核函数方法加以定性比较和定量分析。得到的数据结果分别如图4和表2所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 不同核函数变化检测结果比较

Fig.4 Comparison of detection results of different kernel functions

表2 不同核函数变化检测结果精度比较

Tab.2 Comparison of detection results accuracy of different kernel functions

核函数	变化类别	实际变化/km²	实际未变化/km²	合计/km²	虚检率/%	漏检率/%	正确率/%
多项式核	变化	0.80	0.70	1.50	46.57	9.98	86.39
多项式核	未变化	1.36	12.26	13.62	46.57	9.98	86.39
线性核	变化	0.79	0.45	1.24	36.29	12.75	85.31
线性核	未变化	1.77	12.11	13.88	36.29	12.75	85.31
RBF核	变化	1.16	0.65	1.81	35.98	7.55	89.05
RBF核	未变化	1.01	12.31	13.32	35.98	7.55	89.05
混合核	变化	1.44	0.51	1.95	25.97	5.95	91.47
混合核	未变化	0.08	12.39	12.47	25.97	5.95	91.47

新窗口打开| 下载CSV

分析图4和表2可以得出,采用单一核的SVM模型变化检测方法,正确率等指标都比较低,单一核SVM模型只是将不同的特征进行简单的累加,无法准确、完整地表现变化结果; 而采用多特征混合核SVM模型的变化检测的正确率最高,虚检率和漏检率都比较低; 多特征混合核SVM模型运用组合核,将不同的特征分别输入不同的核函数进行映射,能有效融合不同的特征信息,最大限度地挖掘影像信息,从而正确率、虚检率以及漏检率等指标达到了最好水平; 本文方法对于郊区光谱特征与纹理特征明显的道路、建筑物的检测效果较好,但也将许多未变化的植被覆盖区域错误判别为变化区域。这是因为2期影像拍摄季节差别较大,导致地表植被覆盖差异较大,相对辐射校正法未能有效减小其差异,从而容易导致虚检。

为了验证多特征混合核SVM变化检测模型的有效性,同具有代表性的变化检测方法^[8,11]进行比较分析,2种变化检测结果见表3。由于文献[8]采用基于像素的方法进行实验,检测结果的虚检率和漏检率都比较高; 文献[11]采用K均值与SVM结合的方法,利用K均值方法提取训练样本,由于K均值提取训练样本的不稳定性造成变化信息提取结果较差; 实验结果表明本文方法的变化检测精度最高。

表3 不同变化检测方法精度比较

Tab.3 Comparison of the accuracy of change detection algorithms(%)

类别	文献[8]方法	文献[11] 方法	本文方法
虚检率	37.85	35.85	25.97
漏检率	10.60	9.67	5.95
正确率	87.45	88.11	91.47

新窗口打开| 下载CSV

3 结论

通过运用多核函数融合光谱、纹理等不同特征,构建多时相混合函数,为多核SVM变化检测提供了一种思路。研究结果表明该方法依据对象的光谱、纹理信息,充分、有效地挖掘不同核函数对不同特征的检测优势,降低了虚检率和漏检率,提高了变化检测的正确率。但本文研究还缺少对地物类别信息进行变化判断及变化趋势的预测,这些内容有待于今后进一步研究。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

夏朝旭, 何政伟, 于欢 , 等.

面向对象的土地覆被变化检测研究

[J]. 遥感技术与应用, 2014,29(1):106-113.

DOI:10.11873/j.issn.1004-0323.2014.1.0106 URL Magsci [本文引用: 1]

运用面向对象的方法进行土地覆被变化检测,利用遥感数据光谱信息、纹理特征、拓扑关系,在多尺度分割获得对象的基础上,构建了变化矢量方法和向量相似性的检测方法,两种检测方法均成功检测出了所选取实验区的土地覆被变化信息。结果表明:对于同一区域同一时相的两期影像的面向对象变化检测,两种方法的总体精度都在80%以上,但变化矢量方法(CVA)精度要高于向量相似性方法。因此,在进行土地覆被变化检测时可以优先考虑变化矢量方法(CVA)。

Xia C

, He Z

, Yu

, et al.

Study on land cover change detection based on object-oriented

[J]. Remote Sensing Technology and Application, 2014,29(1):106-113.

Magsci [本文引用: 1]

[2]

Zhang

, Li

, Li Z

A new approach toward object-based change detection

[J]. Science China Technological Sciences, 2010,53(s1):105-110.

DOI:10.1007/s11431-010-3215-1 URL [本文引用: 1]

Object-based change detection has been the hotspot in remote sensing image processing.A new approach toward object-based change detection is proposed.The two different temporal images are unitedly segmented using the mean shift procedure to obtain corresponding objects.Then change detection is implemented based on the integration of corresponding objects intensity and texture differences.Experiments are conducted on both panchromatic images and multispectral images and the results show that the integrated measure is robust with respect to illumination changes and noise.Supplementary color detection is conducted to determine whether the color of the unchanged objects changes or not when dealing with multispectral images.Some verification work is carried out to show the accuracy of the proposed approach.

[3]

, Fang F

, Zhang G

Unsupervised change detection in SAR images using curvelet and L1-norm based soft segmentation

[J]. International Journal of Remote Sensing, 2016,37(14):3232-3254.

DOI:10.1080/01431161.2016.1196838 URL [本文引用: 1]

Abstract In this article, we propose a novel unsupervised change detection method for synthetic aperture radar (SAR) images. First, we generate a difference image as a weighted average of a log-ratio image and a mean-ratio image, which has the advantage of enhancing the information of changed regions and restraining the information of unchanged background regions simultaneously. Second, we propose a variational soft segmentation model based on non-differentiable curvelet regularization and L1-norm fidelity. Numerically, by using the split Bregman technique for curvelet regularization term and reformulating the L1-norm fidelity as weighted L2-norm fidelity, we get an effective algorithm in which each sub-problem has a closed-form solution. The numerical experiments and comparisons with several existing methods show that the proposed method is promising, with not only high robustness to non-Gaussian noise or outliers but also high change detection accuracy. Moreover, the proposed method is good at detecting fine-structured change areas. Especially, it outperforms other methods in preserving edge continuity and detecting curve-shaped changed areas.

[4]

Bovolo

, Bruzzone

, Marconcini

A novel approach to unsupervised change detection based on a semisupervised SVM and a similarity measure

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008,46(7):2070-2082.

DOI:10.1109/TGRS.2008.916643 URL [本文引用: 1]

This paper presents a novel approach to unsupervised change detection in multispectral remote-sensing images. The proposed approach aims at extracting the change information by jointly analyzing the spectral channels of multitemporal images in the original feature space without any training data. This is accomplished by using a selective Bayesian thresholding for deriving a pseudotraining set that is necessary for initializing an adequately defined binary semisupervised support vector machine classifier. Starting from these initial seeds, the performs change detection in the original multitemporal feature space by gradually considering unlabeled patterns in the definition of the decision boundary between changed and unchanged pixels according to a semisupervised learning algorithm. This algorithm models the full complexity of the change-detection problem, which is only partially represented from the seed pixels included in the pseudotraining set. The values of the classifier parameters are then defined according to a novel unsupervised model-selection technique based on a similarity measure between change-detection maps obtained with different settings. Experimental results obtained on different multispectral remote-sensing images confirm the effectiveness of the proposed approach.

[5]

庄会富, 邓喀中, 范洪冬 .

纹理特征向量与最大化熵法相结合的SAR影像非监督变化检测

[J]. 测绘学报, 2016,45(3):339-346.

URL [本文引用: 1]

合成孔径雷达（SAR）影像具有明显的斑点噪声,在变化检测中,一般需要考虑空间邻域信息。本文结合SAR影像丰富的纹理信息,提出一种考虑空间邻域信息的高分辨率SAR影像非监督变化检测方法,用基于灰度共生矩阵（GLCM）的32维纹理特征向量构造差异影像。通过最大化熵法自动选取阈值,对精度指标随窗口大小的变化进行回归分析,得到适合于变化检测的窗口为11×11。试验表明,本文方法优于马尔科夫随机场法,可以减小斑点噪声的影响,有效提高高分辨率SAR影像变化检测的精度。

Zhuang H

, Deng K

, Fan H

SAR images unsupervised change detection based on combination of texture feature vector with maximum entropy principle

[J]. Acta Geodaetica et Cartographica Sinica, 2016,45(3):339-346.

[本文引用: 1]

[6]

钟家强, 王润生 .

基于自适应参数估计的多时相遥感图像变化检测

[J]. 测绘学报, 2005,34(4):331-336.

DOI:10.3321/j.issn:1001-1595.2005.04.009 URL [本文引用: 1]

提出一种基于自适应参数估计实现多时相遥感图像的变化检测算法。首先应用分层Markov随机场模型建立多时相差分图像的统计模型;然后通过非监督的迭代自适应参数估计实现差分图像的分类,从而检测出变化的像元。在每次参数估计过程中,先将上次估计出的参数用于最大后验估计实现差分图像的分类,然后根据分类结果再对参数进行修正,并将修正后的参数用于下一次迭代分类,如此循环迭代,能够自适应地完成差分图像的参数估计与分类。

Zhong J

, Wang R

Multitemporal remote sensing image change detection based on adaptive parameter estimation

[J]. Acta Geodaetica et Cartographica Sinica, 2005,34(4):331-336.

[本文引用: 1]

[7]

魏立飞, 钟燕飞, 张良培 , 等,

遥感影像融合的自适应变化检测

[J]. 遥感学报, 2010,14(6):1196-1211.

URL Magsci [本文引用: 2]

提出一种基于影像融合和自适应阈值选择的遥感影像变化检测方法.首先利用经过改进的融合技术对原始数据的差值影像和比值影像进行处理,构造融合影像,在该融合影像的基础上进行自适应迭代运算得到初步变化阈值范围,然后通过分析阈值范围两侧影像像元的离散程度,求解最终的阈值范围,从而得到更优变化阈值,提取变化区域.实验结果表明,本文方法的检测精度优于传统的变化检测方法,同时具有一定的稳定性和智能性.

Wei L

, Zhong Y

, Zhang L

, et al.

Adaptive change method of remote sensing image fusion

[J]. Journal of Remote Sensing, 2010,14(6):1196-1211.

Magsci [本文引用: 2]

[8]

林怡, 刘冰, 陈映鹰 , 等,

多特征差分核支持向量机遥感影像变化检测方法

[J]. 武汉大学学报(信息科学版), 2013,38(8):978-982.

URL Magsci [本文引用: 4]

讨论了利用遥感影像光谱、纹理等多种特征信息的多核函数组合方式,给出了多特征空间差分核函数的构建方法,设计了多特征差分核支持向量机变化检测算法,该算法能够实现联合类别样本加权和遥感影像多种变化类别信息的直接检测。实验结果表明,该算法综合利用多种特征信息,检测精度明显高于传统方法,有利于提取小样本的变化信息,避免了以往检测方法需要确定变化阈值的复杂性和不确定性。

Lin

, Liu

, Chen Y

, et al.

Change detection method based on multi-feature differencing kernel SVM for remote sensing imagery

[J]. Geomatics and Information Science of Wuhan University, 2013,38(8):978-982.

Magsci [本文引用: 4]

[9]

Zien

, Ong C

Multiclass multiple kernel learning [C]//Proceedings of the Twenty-Fourth International Conference Machine Learning (ICML)

.Corvallis:ACM, 2007.

[本文引用: 1]

[10]

谭琨, 杜培军 .

基于支持向量机的高光谱遥感图像分类

[J]. 红外与毫米波学报, 2008,27(2):123-128.

URL [本文引用: 1]

多数传统分类算法应用于高光谱分类都存在运算速度慢、精度比较低和难以收敛等问题.本文从支持向量机基本理论出发建立了一个基于支持向量机的高光谱分类器,并用国产OMIS传感器获得的北京中关村地区高光谱遥感数据进行试验,分析比较了各种SVM核函数进行高光谱分类的精度,以及网格搜寻的方法来确定C和愕闹?结果表明SVM进行高光谱分类时候径向基核函数的分类精度最高,是分类的首选.并且与神经网络径向基分类算法以及常用的最小距离分类算法进行比较,分类的精度远远高于SVM分类算法进行分类的结果.SVM方法在高光谱遥感分类领域能得到广泛的应用.

Tang

, Du P

Hyperspectral remote sensing image classification based on support vector machine

[J]. Journal of Information and Millimeter Waves, 2008,27(2):123-128.

[本文引用: 1]

[11]

田淞, 宋建社, 张雄美 , 等.

KM-SVM法的SAR图像无监督变化检测

[J]. 系统工程与电子技术, 2015,37(5):1042-1046.

DOI:10.3969/j.issn.1001-506X.2015.05.10 URL Magsci [本文引用: 4]

针对合成孔径雷达（synthetic aperture radar, SAR）图像变化检测获得有标记样本的数量十分有限且困难，传统方法检测率低等问题，提出了一种基于原始特征空间的K-均值和支持向量机(K--means and support vector machine, KMSVM)法SAR图像无监督变化检测。首先，不需要任何先验信息的条件下，利用K-means聚类方法获取差异图像的分类阈值；其次，利用阈值，引入偏移量，自动选取伪训练集和无标签集，并用伪训练集定义SVM的初始决策超平面；最后，用基于统计特征的半监督学习算法和支持向量机相结合对图像进行变化类与非变化类的分类。实验结果表明：该算法优于基于混合高斯分布模型的KI法和基于广义高斯分布模型的KI法，能保持较好的分类、泛化能力和较稳定的检测精度。这些结果表明了文中方法的有效性。

Tian

, Song J

, Zhang X

, et al.

KM-SVM approach to unsupervised change detection in SAR images

[J]. Systems Engineering and Electronics, 2015,37(5):1042-1046.

Magsci [本文引用: 4]

[12]

夏晨阳, 石爱业, 吴国宝 .

基于SVM混合核的遥感图像变化检测

[J].信息技术, 2014(8):38-41.

DOI:10.3969/j.issn.1009-2552.2014.08.010 URL [本文引用: 1]

针对由实际遥感地物类型难以确定导致的多光谱遥感影像变化检测精度较低的问题，提出一种基于 SVM混合核的遥感图像变化检测。首先利用CVA算法构造差异影像，其次利用灰度共生矩阵提取差异影像的纹理特征与差异影像的灰度特征组成特征向量，接着利用差异影像的直方图选择置信度高的训练样本，并利用构造的SVM混合核进行训练得到分类超平面，最后利用SVM混合核函数对差异影像进行二分类得到最后的变化检测结果。实际遥感数据验证结果表明，所构造的SVM混合核函数用于多光谱遥感影像变化检测中是可行、有效的。

Xia C

, Shi A

, Wu G

Remote sensing image change detection based on mixed kernel of SVM

[J].Information Technology, 2014(8):38-41.

[本文引用: 1]

[13]

祁增营, 王京, 左正立 .

湿地变化监测研究现状与展望

[J]. 遥感信息, 2012,27(6):124-132.

DOI:10.3969/j.issn.1000-3177.2012.06.021 URL [本文引用: 1]

从湿地变化监测与分类方法、湿地景观格局变化分析、湿地生态环境退化研究、湿地生态系统模型研究、湿地生态服务功能价值评估和以往研究中取得的主要成果等几个方面,总结了当前已有的湿地变化监测和分类的各种方法,并举例说明湿地变化监测的主要研究领域。同时,针对当前卫星遥感技术和计算机技术发展特点,指出以大时空尺度、高时空分辨率和高精度数值模拟为代表的遥感手段,与水文、生态、地理等手段有机结合将成为未来湿地变化监测研究领域的重点发展方向。

Qi Z

, Wang

, Zuo Z

Current status and prospect of researches on wetland change monitoring

[J]. Remote Sensing Information, 2012,27(6):124-132.

[本文引用: 1]

[14]

慕彩红, 霍利利, 刘逸 , 等,

基于小波融合和PCA-核模糊聚类的遥感图像变化检测

[J]. 电子学报, 2015,43(7):1375-1381.

DOI:10.3969/j.issn.0372-2112.2015.07.019 URL Magsci [本文引用: 1]

本文提出了一种变化检测方法以提高算法的鲁棒性、检测精度以及抗噪性.首先对差值法构造的差异图和比值法构造的差异图进行小波融合.然后将融合图像分成互不重叠的小块,并用主成分分析得到图像块的正交基.通过将融合图像中每个像素的邻域小块映射到正交基上使得每个像素用一个特征向量来表示.最后用基于核的模糊C均值对特征向量进行聚类.实验结果显示与使用单一类型差异图的聚类方法相比,本方法由于采用了图像融合的策略而增强了鲁棒性,且由于采用了核模糊聚类,进一步提高了变化检测精度.此外由于使用了特征提取的技术,本方法具有一定的抗噪性能.

Mu C

, Huo L

, Liu

, et al.

Change detection for remote sensing images based on wavelet fusion and PCA-kernel fuzzy clustering

[J]. Acta Electronica Sinica, 2015,43(7):1375-1381.

Magsci [本文引用: 1]

[15]

Wang X

, Jia Z

, Yang

, et al.

Change detection in SAR images based on the logarithmic transformation and total variation denoising method

[J]. Remote Sensing Letters, 2017,8(3):214-223.

DOI:10.1080/2150704X.2016.1258125 URL [本文引用: 1]

Noise interference and the need to process massive image data present challenges to change detection in synthetic aperture radar (SAR) images. In order to improve the change detection accuracy and decrease the processing time, this paper proposes a novel unsupervised change detection algorithm for SAR images. The logarithmic transformation is applied to transform images into the logarithmic domain, while the multiplicative noise in images is transformed into additive noise. The total variation (TV) denoising algorithm is then used to reduce image noise, and the difference operator in the logarithmic domain is employed to provide the difference image. The k-means clustering algorithm, which does not require consideration of the statistical properties of an image, is employed to cluster the difference image into two disjointed classes: changed and unchanged. The experimental results demonstrate that change detection results achieved by the proposed algorithm offer great improvement over existing algorithms in terms of objective quantitative indices and the visual effect.

[16]

王光辉, 李建磊, 王华斌 , 等.

基于多特征融合的遥感影像变化检测算法

[J]. 国土资源遥感, 2018,30(2):93-99.doi: 10.6046/gtzyyg.2018.02.13.

URL

针对传统的变化检测算法主要依赖像斑的光谱信息,未能有效地利用影像多特征检测优势的问题,基于面向对象的分析思想,提出一种多特征融合的遥感影像变化检测算法.首先,以多尺度分割的影像对象为基础,统计各对象的颜色直方图和边缘直线梯度直方图;然后,利用推土机距离计算不同时期对象之间的颜色距离和边缘直线特征距离,采用自适应加权方法将颜色距离和边缘直线特征距离组合构建对象的异质性;最后,采用直方图曲率分析获得像斑的变化检测结果.实验结果表明,该方法能够充分融合颜色和边缘直线特征,提高变化检测的精度.

Wang G

, Li J

, Wang H

, et al.

Change detection based on adaptive fusion of multiple features

[J]. Remote Sensing for Land and Resources, 2018,30(2):93-99.doi: 10.6046/gtzyyg.2018.02.13.

[17]

尹凌宇, 覃先林, 孙桂芬 , 等.

利用KPCA法检测高分一号影像中的森林覆盖变化

[J]. 国土资源遥感, 2018,30(1):95-101.doi: 10.6046/gtzyyg.2018.01.13.

URL

为了研究利用高分一号宽幅影像(GF-1 WFV)监测森林覆盖变化的方法,选取四川省甘孜州雅江县为研究区,利用2014年和2016年2期GF-1WFV数据,采用迭代加权多元变化检测(iteration re-weight multivariate alteration detection,IR-MAD)法对数据进行辐射归一化;分别对2期影像进行核主成分分析(kernel principal component analysis,KPCA)方法变换,采用最大类间方差法(OTSU)确定自动识别阈值,对2期GF-1WFV影像中的森林覆盖变化区域进行检测和精度验证;并与变化矢量分析(change vector analysis,CVA)法检测结果进行对比分析。研究结果表明:所用2种变化检测算法的总体检测精度都超过了80%,其中,KPCA法的总体精度为89.27%,未变化区用户精度达93.88%,变化区用户精度为80.28%;基于KPCA法的精度均较优于传统CVA检测算法,说明KPCA算法通过数据变换后,可减少变量间的相关性、增强影像信噪比,从而提高了对变化区域的识别精度。

Yin L

, Qin X

, Sun G

, et al.

The method for detecting forest cover change in GF-1images by using KPCA

[J]. Remote Sensing for Land and Resources, 2018,30(1):95-101.doi: 10.6046/gtzyyg.2018.01.13.

[18]

邓曾, 李丹, 柯樱海 , 等.

基于改进SVM算法的高分辨率遥感影像分类

[J]. 国土资源遥感, 2016,28(3):12-18.doi: 10.6046/gtzyyg.2016.03.03.

URL Magsci

针对面向对象高分辨率遥感影像分类样本维数多、数据量大的特点,提出了一种简单的支持向量机(support vector machine,SVM)改进算法。首先对原始样本数据进行主成分分析(principal component analysis,PCA)实现降维,对降维后的样本数据进行SVM分类器训练,利用网格搜索法得出降维数据的最佳参数;以此参数作为基准,对基于原始样本数据的SVM分类器参数搜索范围进行重新设定,从而快速获取原始样本数据的最佳SVM分类器参数,并实现分类。利用2景WorldView2高分辨率影像分别对城市土地利用以及林木树种进行分类实验,比较分析传统SVM算法、仅基于PCA降维样本数据的SVM算法以及改进的SVM算法在分类精度与效率方面的差异。实验结果表明,改进的SVM算法能够快速有效地寻找最佳SVM分类器参数,并获得较高的分类精度。

Deng

, Li

, Ke Y

, et al.

An improved SVM algorithm for high spatial resolution remote sensing image classification

[J]. Remote Sensing for Land and Resources, 2016,28(3):12-18.doi: 10.6046/gtzyyg.2016.03.03.

Magsci

面向对象的土地覆被变化检测研究

2014

... 变化检测是从多时相的遥感数据中分析并确定地表覆盖变化的过程与特征,检测的是某2个时期影像像元的地表光谱响应随时间变化所发生的变化^[1].遥感影像变化检测已经在资源和环境监测、地理国情监测、自然灾害评估以及地图更新等方面得到广泛应用.传统的单像素、单一特征的变化检测,如光谱特征^[2,3,4]、纹理特征^[5]和空间特征^[6]等,容易出现漏检或误检,不能满足变化目标检测的准确性和完整性^[7],因此目前普遍采用面向对象多特征融合进行变化检测^[8].由于不同的核函数具有不同的特性,从而使得不同特征采用相同的核函数的性能差别很大.为了克服单一核函数不能有效表达多特征空间的问题,近年来,出现了大量关于核组合的方法.这方面的研究已经成为遥感图像处理中一个新的研究热点^[9]. ...

面向对象的土地覆被变化检测研究

2014

A new approach toward object-based change detection

2010

Unsupervised change detection in SAR images using curvelet and L1-norm based soft segmentation

2016

A novel approach to unsupervised change detection based on a semisupervised SVM and a similarity measure

2008

纹理特征向量与最大化熵法相结合的SAR影像非监督变化检测

2016

纹理特征向量与最大化熵法相结合的SAR影像非监督变化检测

2016

基于自适应参数估计的多时相遥感图像变化检测

2005

基于自适应参数估计的多时相遥感图像变化检测

2005

遥感影像融合的自适应变化检测

2010

... 支持向量机(support vector machine,SVM)是目前被广泛使用的一种监督分类器,建立在统计学习理论和结构风险最小原理基础上,可解决少量样本的缺陷,实现高维度模式识别.在遥感图像分类、变化检测的应用中,与传统的神经网络、最小距离分类方法相比,该方法具有精度高、效率高的优点^[10].田淞等^[11]运用SVM的改进模型KM-SVM对比值差异影像进行聚类,依据聚类结果训练SVM模型参数,获得了变化检测结果,但该方法的变化结果受聚类结果影响比较大; 夏晨阳等^[12]提出混合核SVM算法,根据差值影像的直方图选择置信度高的样本做训练样本,并结合SVM混合核确定变化检测结果; 魏立飞等^[7]提出的多特征差分核SVM遥感影像变化检测方法,利用TM影像数据,有效地提取变化信息,但在高空间分辨率遥感影像上存在明显的“椒盐现象”,实验效果较差. ...

遥感影像融合的自适应变化检测

2010

多特征差分核支持向量机遥感影像变化检测方法

2013

... 为了验证多特征混合核SVM变化检测模型的有效性,同具有代表性的变化检测方法^[8,11]进行比较分析,2种变化检测结果见表3.由于文献[8]采用基于像素的方法进行实验,检测结果的虚检率和漏检率都比较高; 文献[11]采用K均值与SVM结合的方法,利用K均值方法提取训练样本,由于K均值提取训练样本的不稳定性造成变化信息提取结果较差; 实验结果表明本文方法的变化检测精度最高. ...

... .由于文献[8]采用基于像素的方法进行实验,检测结果的虚检率和漏检率都比较高; 文献[11]采用K均值与SVM结合的方法,利用K均值方法提取训练样本,由于K均值提取训练样本的不稳定性造成变化信息提取结果较差; 实验结果表明本文方法的变化检测精度最高. ...

... Comparison of the accuracy of change detection algorithms(%)

Tab.3

类别	文献[8]方法	文献[11] 方法	本文方法
虚检率	37.85	35.85	25.97
漏检率	10.60	9.67	5.95
正确率	87.45	88.11	91.47

3 结论

通过运用多核函数融合光谱、纹理等不同特征,构建多时相混合函数,为多核SVM变化检测提供了一种思路.研究结果表明该方法依据对象的光谱、纹理信息,充分、有效地挖掘不同核函数对不同特征的检测优势,降低了虚检率和漏检率,提高了变化检测的正确率.但本文研究还缺少对地物类别信息进行变化判断及变化趋势的预测,这些内容有待于今后进一步研究. ...

多特征差分核支持向量机遥感影像变化检测方法

2013

... Comparison of the accuracy of change detection algorithms(%)

Tab.3

类别	文献[8]方法	文献[11] 方法	本文方法
虚检率	37.85	35.85	25.97
漏检率	10.60	9.67	5.95
正确率	87.45	88.11	91.47

3 结论

Multiclass multiple kernel learning [C]//Proceedings of the Twenty-Fourth International Conference Machine Learning (ICML)

2007

基于支持向量机的高光谱遥感图像分类

2008

基于支持向量机的高光谱遥感图像分类

2008

KM-SVM法的SAR图像无监督变化检测

2015

... ]采用基于像素的方法进行实验,检测结果的虚检率和漏检率都比较高; 文献[11]采用K均值与SVM结合的方法,利用K均值方法提取训练样本,由于K均值提取训练样本的不稳定性造成变化信息提取结果较差; 实验结果表明本文方法的变化检测精度最高. ...

... Comparison of the accuracy of change detection algorithms(%)

Tab.3

类别	文献[8]方法	文献[11] 方法	本文方法
虚检率	37.85	35.85	25.97
漏检率	10.60	9.67	5.95
正确率	87.45	88.11	91.47

3 结论

KM-SVM法的SAR图像无监督变化检测

2015

... Comparison of the accuracy of change detection algorithms(%)

Tab.3

类别	文献[8]方法	文献[11] 方法	本文方法
虚检率	37.85	35.85	25.97
漏检率	10.60	9.67	5.95
正确率	87.45	88.11	91.47

3 结论

基于SVM混合核的遥感图像变化检测

2014

基于SVM混合核的遥感图像变化检测

2014

湿地变化监测研究现状与展望

2012

... 单一类型特征空间下使用单个核函数来构造决策超平面,在影像分类、故障检测和图像检索等领域可行并有效.但是,不同的核函数具有的特性并不相同,从而使同一特征采用不同的核函数检测结果性能差别较大.当组合多种类型的特征空间进行变化检测,而样本特征含有异构信息且规模很大,或者数据高维特征空间分布不平坦时^[13],单一核函数处理方法并不合理,往往存在局限性^[14,15]. ...

湿地变化监测研究现状与展望

2012

基于小波融合和PCA-核模糊聚类的遥感图像变化检测

2015

基于小波融合和PCA-核模糊聚类的遥感图像变化检测

2015

Change detection in SAR images based on the logarithmic transformation and total variation denoising method

2017

基于多特征融合的遥感影像变化检测算法

2018

基于多特征融合的遥感影像变化检测算法

2018

利用KPCA法检测高分一号影像中的森林覆盖变化

2018

利用KPCA法检测高分一号影像中的森林覆盖变化

2018

基于改进SVM算法的高分辨率遥感影像分类

2016

基于改进SVM算法的高分辨率遥感影像分类

2016

〈

〉