自然资源遥感, 2023, 35(3): 134-144 doi: 10.6046/zrzyyg.2022205

技术方法

基于改进全连接条件随机场的SAR影像变化检测

董婷,1,2, 符潍奇1,2, 邵攀,1,2, 高利鹏3, 武昌东1,2

1.三峡大学湖北省水电工程智能视觉监测重点实验室,宜昌 443002

2.三峡大学计算机与信息学院,宜昌 443002

3.西北工业大学软件学院,西安 710129

Detection of changes in SAR images based on an improved fully-connected conditional random field

DONG Ting,1,2, FU Weiqi1,2, SHAO Pan,1,2, GAO Lipeng3, WU Changdong1,2

1. Hubei Key Laboratory of Intelligent Vision Monitoring for Hydropower Engineering, China Three Gorges University, Yichang 443002, China

2. College of Computer and Information Technology, China Three Gorges University, Yichang 443002, China

3. School of Software, Northwestern Polytechnical University, Xi’an 710129, China

通讯作者: 邵 攀(1985-),男,博士,副教授,主要从事遥感图像处理、变化检测、人工智能等研究。Email:panshao@whu.edu.cn。

责任编辑: 陈昊旻

收稿日期: 2022-05-20   修回日期: 2022-08-15  

基金资助: 国家自然科学基金项目“模糊拓扑空间下高分辨率遥感影像多尺度融合变化检测方法研究”(41901341)
“基于倾斜摄影和浮动车轨迹数据的精细化城市车道提取方法”(42101469)

Received: 2022-05-20   Revised: 2022-08-15  

作者简介 About authors

董 婷(1988-),女,博士,副教授,主要从事模式识别、遥感图像处理、3S技术等研究。Email: dongt@ctgu.edu.cn。

摘要

变化检测是遥感领域的重要研究方向。针对现有条件随机场变化检测技术的不足,通过改进全连接条件随机场(fully connected conditional random field, FCCRF),提出一种全新的合成孔径雷达(synthetic aperture Radar, SAR)影像变化检测方法。首先,对生成SAR差分影像的对比算法进行总结,将其划分为像素级、邻域级和超邻域级3个层级; 然后,选取对数比、邻域比和改进非局部图3种典型对比算法,生成3组互补差分影像; 最后,通过扩展FCCRF二元势函数的高斯核个数对FCCRF进行改进,并利用改进后FCCRF模型生成变化检测图。所提出变化检测技术能够综合利用2期SAR影像的原始影像、3组互补差分影像和影像全局空间信息。另外,本文通过提出一种简单有效的参数确定策略,使得FCCRF能够全自动进行变化检测。4组真实SAR影像数据的实验结果表明,本文方法可行有效。

关键词： 遥感; 非监督变化检测; SAR影像; 差分影像; 条件随机场

Abstract

Change detection is the research focus of remote sensing. To overcome the shortcomings of the existing conditional random field (CRF)-based change detection, this study proposed a novel change detection method for synthetic aperture Radar (SAR) images based on an improved fully connected CRF (FCCRF). Firstly, this study summarized the comparative algorithms for generating differential images from SAR images, which were divided into three levels, namely pixel, neighborhood, and super-neighborhood. Then, this study selected three typical comparative algorithms-log ratio (LR), neighborhood ratio (NR), and improved non-local graph (INLG)-to produce three sets of complementary differential images. Finally, this study improved the FCCRF by extending the number of Gaussian kernels of the pairwise potential function of FCCRF and generated the change detection maps using the improved FCCRF model. The change detection method proposed in this study integrated the two-phase original SAR images, three sets of complementary differential images, and the global spatial information of images. In addition, this study presented a simple and effective parameter determination strategy, which allows the FCCRF to perform the change detection automatically. Experimental results on four sets of real SAR image data confirmed the effectiveness of the change detection method proposed in this study.

Keywords： remote sensing; unsupervised change detection; SAR image; differential image; conditional random field

PDF (5646KB) 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

董婷, 符潍奇, 邵攀, 高利鹏, 武昌东. 基于改进全连接条件随机场的SAR影像变化检测[J]. 自然资源遥感, 2023, 35(3): 134-144 doi:10.6046/zrzyyg.2022205

DONG Ting, FU Weiqi, SHAO Pan, GAO Lipeng, WU Changdong. Detection of changes in SAR images based on an improved fully-connected conditional random field[J]. Remote Sensing for Land & Resources, 2023, 35(3): 134-144 doi:10.6046/zrzyyg.2022205

0 引言

遥感变化检测是通过分析在同一位置不同时刻获取的遥感影像来识别和检测地表覆盖变化信息的过程,是开展对地观测应用的关键技术,被广泛应用于灾害评估、城市研究和资源监测等众多领域,具有广阔的应用前景[1⇓-3]。合成孔径雷达(synthetic aperture Radar,SAR)利用脉冲压缩技术和合成孔径原理成像,具有全天时、全天候和穿透能力强等优势,使得SAR影像成为实施变化检测任务的重要数据源,特别是在恶劣天气情况下[4]。

近年来,SAR影像变化检测研究受到了广泛关注[5⇓⇓-8]。SAR影像变化检测一般包含3个主要步骤[9]: ①影像预处理; ②生成差分影像; ③分析差分影像。影像预处理步骤包括降噪、配准和几何纠正等操作,其目的是使2期SAR影像在空间域和波谱域具有可比性,为后续步骤做准备。生成差分影像步骤通过对比2期SAR影像提取其差异信息,本质上是生成一个能够表征2期SAR影像之间差异的数值矩阵。变化检测领域中有许多生成SAR影像差分影像的对比算法,如比值法[10]、对数比法(log radio,LR)[11]、均值比法[12]、邻域比法(neighborhood radio,NR)[13]、主成分分析法(principal component analysis,PCA)[14]、非局部图法[15]和改进非局部图法(improved non-local graph,INLG)[16]等。为集成不同差分影像的优势,一些学者采用融合技术来生成差分影像[17⇓-19]。Ma等[17]提出小波融合法,通过对均值比和LR差分影像实施小波融合来获取融合差分影像; Zheng等[18]提出加权平均法,通过加权平均差值和LR差分影像来生成融合差分影像; Zhang等[19]提出剪切波融合法,利用剪切波理论来融合差值和LR差分影像。生成差分影像后,需对其进行分析,将像素划分为变化类和未变化类,生成变化检测图。分析差分影像本质上是一个影像分割过程,可采用不同的技术实现。最常用的分析差分影像方法是阈值法,首先通过某种阈值选择技术确定一个全局最优阈值,然后以阈值为界将像素划分为2类[9,20]。阈值法具有简单、容易实现等优势,但其对阈值选择比较敏感,且未考虑影像空间上下文信息,有时不能取得理想的变化检测结果。为克服阈值技术不足,一些其他机器学习算法被引入差分影像分析,比如聚类法[17-18]、水平集法[21-22]、模糊拓扑[6,23]和随机场理论等[24-25]。马尔可夫随机场(Markov random field,MRF)是最流行的随机场模型之一,在变化检测领域有着广泛应用[20,25⇓⇓⇓ -29]。Bruzzone等[20]通过将最大期望阈值技术与MRF集成来提高变化检测精度; Hedjam等[25]通过MRF融合不同阈值技术的变化检测结果来增强检测效果; Gong等[26]、Hao等[27]和Subudhi等[28]从不同角度利用MRF来增强模糊聚类变化检测的性能。虽然MRF能够有效地利用差分影像的空间上下文信息,提高变化检测精度,但是MRF假设条件独立,且主要考虑标记场而忽略观测场,使得其对某些实际应用效果不理想。

近年来,为克服MRF的不足,一些学者将条件随机场(conditional random field,CRF)引入遥感变化检测[16,24,30⇓ -32]。CRF是对MRF的有效改进,其无需条件独立假设,且通过观测场构建空间邻域关系,更加灵活方便。CRF最早提出用于解决1维自然语言分割与标记问题[33]。随后被扩展用于处理2维图像分类问题[34]。Hoberg等[30]首次将CRF应用到遥感影像分类和变化检测任务; Zhou等[32]通过将区域约束条件引入CRF来增强变化检测性能; Lyu等[24]针对变化检测任务,提出一种混合CRF模型。为利用影像更广范围的空间上下文信息,Cao等[31]利用全连接条件随机场 (fully connected CRF,FCCRF) 进行变化检测。与CRF主要考虑差分影像像素的局部空间相关性不同,FCCRF考虑影像的全局空间相关性。上述研究证明了利用CRF进行变化检测的有效性和可行性。然而,现有基于CRF的变化检测存在以下不足: ①其主要针对光学遥感影像,缺乏针对SAR影像变化检测的相关研究; ②其在利用空间相关性时,要么只考虑差分影像空间,要么只考虑2期影像原始影像空间,未能综合利用2种空间信息; ③其一般只考虑单个差分影像,未能充分利用不同差分影像的互补信息。

为解决上述不足,本文将CRF引入SAR影像变化检测,通过改进FCCRF,提出一种全新的SAR影像变化检测技术。首先,对现有SAR差分影像生成算法进行总结,将其划分为3个层级: 像素级、邻域级和超邻域级; 然后,选取3种典型算法,生成3组互补差分影像; 最后,提出一种改进的FCCRF模型(improved FCCRF,IFCCRF),并用IFCCRF进行变化检测。IFCCRF能够综合利用2期SAR影像的原始影像空间、3组互补差分影像空间和影像的全局相关性。通过4组真实SAR影像数据的实验,进一步证明所提出的IFCCRF变化检测技术能够取得更优的变化检测结果。

1 IFCCRF变化检测技术

假设X1和X2是在同一位置不同时刻获取的2幅尺寸相同的SAR影像,且已经过配准和相对辐射校正等预处理操作。IFCCRF变化检测技术包括2个主要步骤: ①生成互补差分影像集,包含像素级、邻域级和超邻域级3种差分影像; ②改进FCCRF,使其能够综合考虑2期SAR影像、3组互补差分影像和全局空间信息,得到IFCCRF,并利用IFCCRF进行变化检测,如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   IFCCRF变化检测方法流程

Fig.1   Flowchart of IFCCRF change detection method


1.1 生成互补差分影像集

根据对比层级不同,本文将生成SAR影像差分影像的对比算法分为3类: ①像素级。以像素作为对比基础,通过逐像素对比2期SAR影像生成差分影像,比如差值法和加权平均法。②邻域级。以邻域窗口作为对比基础,通过综合对比邻域窗口内所有像素来求解邻域窗口中心像素的差异值,比如均值比法和邻域比法。③超邻域级。不是以一个邻域窗口作为对比基础,而是以多个邻域窗口作为对比基础来生成差分影像,比如非局部图法以邻域窗口的K最邻近图作为对比基础[15]。图2给出现有主要SAR影像差分影像生成算法分类。像素级差分影像只考虑单个像素的差异,容易产生噪声,但包含的变化信息较为完整; 邻域级差分影像通过考虑局部上下文信息,能够有效抑制点状噪声,但不能很好地抑制片状噪声; 超邻域级差分影像通过多个邻域窗口考虑更高层级的空间上下文信息,能够很好地抑制点状和片状噪声,但容易造成漏检,特别是对细节变化和线状变化。像素级、邻域级和超邻域级差分影像能够在一定程度上提供互补的变化信息,故综合利用这3个层级的差分影像,有望得到更优的变化检测结果。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   主要SAR影像差分影像生成算法分类

Fig.2   Taxonomy of the main generation algorithms for SAR difference image


基于上述分析,本研究综合考虑3个层级的差分影像: 首先,利用像素级的LR、邻域级的NR和超邻域级的INLG算法来生成3组互补的差分影像; 然后,将其叠加得到三维差分影像特征。将由LR得到的像素级差分影像记作DI1,其计算公式为:

DI1(i)=ln[X1(i)+1]-ln[X2(i)+1]

式中X1(i)和X2(i)分别为第一期和第二期影像像素i的灰度值。

将由NR得到的邻域级差分影像记作DI2,其计算公式为:

DI2(i)=σ(i)min[X1(i),X2(i)]max[X1(i),X2(i)]+[1-σ(i)]∑j∈Ωi,j≠imin[X1(j),X2(j)]∑j∈Ωi,j≠imax[X1(j),X2(j)]

式中: Ωi为像素i的3×3邻域窗口; σ(i)为Ωi中像素方差与平均值的比值。

将由INLG得到的超邻域级差分影像记作DI3,DI3通过对前向差异Df(i)和后向差异Db(i)进行小波融合得到,前向差异和后向差异的计算方式为[16]: 首先,利用K最邻近技术构造K最邻近图,图中顶点集由邻域窗口构成,边集权重通过邻域窗口间的距离计算; 然后,基于K最邻近图之间的结构相似性来计算差异。Df(i)和Db(i)都是以多个邻域窗口作为对比基础,且计算方式相同,只是前者从第一期影像开始计算,后者从第二期影像开始。

为保持量纲一致性,得到差分影像DI1,DI2和DI3后,将其取值范围通过线性变换统一到[0,255]。然后将DI1,DI2和DI3叠加,得到三维差分影像特征DI = {DI1,DI2,DI3}。DI包含像素级、邻域级和超邻域级3种差分影像,能够提供互补的变化信息。

1.2 IFCCRF模型构建

本文将FCCRF引入SAR影像变化检测,并对其进行改进,提出IFCCRF变化检测技术。IFCCRF使用3组互补差分影像计算一元势函数,提高一元势函数的准确程度; 通过将二元势函数的高斯核个数从2个扩展至3个,使其在利用空间相关性时,能够同时考虑2期SAR原始影像、多个互补差分影像和影像的全局空间信息。

CRF模型通常通过将构建的后验概率模型转化为Gibbs能量函数来求解[28,35]。本研究所提出的IFCCRF模型的能量函数E(x)包含2部分,即

E(x)=∑i∈Vψi(xi)+∑i∈V∑j∈V,j≠iψij(xi,xj)

式中: ψi(xi)为一元势函数; ψij(xi,xj)为二元势函数; V为像素集,由影像中所有像素构成; xi和xj分别为像素i和j的类别标签。

1.2.1 一元势函数

一元势函数ψi(xi)用来建模标记场与观测场之间关系,表示在不考虑影像空间相关性的条件下,像素i被标记为类别xi的成本,通常被定义为:

ψi(xi)=-lnP(xi=Ck)

式中P(xi=Ck)为像素i属于类别Ck的概率,可通过不同的分类器获取。在变化检测问题中,Ck∈{wu, wc},wu和wc分别表示未变化类和变化类。

模糊C均值(fuzzy C means,FCM)聚类具有无需分布假设、对不确定性鲁棒和能够适用多维数据等优势,为分析多维差分影像提供了一种有力工具[36]。本研究利用FCM估算P(xi=Ck),首先用FCM对三维差分影像特征DI = {DI1,DI2,DI3}进行聚类,得到变化类和未变化类的隶属度函数; 然后用像素类别隶属度定义P(xi=Ck),即

P(xi=Ck)=ui(Ck)

式中ui(Ck)为通过FCM得到的像素i属于类别Ck的模糊隶属度,Ck∈{wu, wc}。

1.2.2 二元势函数

二元势函数ψij(xi,xj)通过建模影像的空间相关性来提高变化检测性能。传统FCCRF通常用2个高斯核函数的线性组合来定义二元势[35],即

ψij(xi,xj)=μ(xi,xj)[w1exp(-|Li-Lj|22θα2)+w2exp(-|Li-Lj|22θβ2-|Ii-Ij|22θγ2)]

式中: Li和Lj分别为像素i和j的空间位置坐标参数; w1和w2分别为线性组合权重; 参数θα,θβ和θγ为正常数,用来控制高斯核的形状和尺度; μ(xi, xj)为标记兼容性函数,如果xi = xj,则μ(xi, xj)=0,否则μ(xi, xj) = 1; Ii和Ij分别为像素i和j的特征,在不同的应用中,Ii和Ij具有不同的内涵。在本研究中,Ii和Ij分别为2期SAR影像特征,即Ii = {X1(i), X2(i)},Ij = {X1(j), X2(j)}。

虽然式(6)所定义的二元势函数能够有效利用影像空间上下文信息,但其只考虑一种特征矢量空间,不便于同时利用SAR原始影像和差分影像2种特征空间。为解决此问题,本研究对上述二元势进行改进,将高斯核从2个扩展至3个,使其能够同时考虑2期SAR原始影像、3组互补差分影像和像素位置信息,改进二元势的计算公式为:

ψij(xi,xj)=μ(xi,xj)w1exp(-|Li-Lj|22θα2)+w2[exp(-|Li-Lj|22θβ2-|Ii-Ij|22θγ2)+exp(-|Li-Lj|22θβ2-|DIi-DIj|22θτ2)]

式中: DIi和DIj分别为差分影像特征,即DIi = {DI1(i), DI2(i), DI3(i)},DIj = {DI1(j), DI2(j), DI3(j)}; θτ为正常数。

遥感影像像素间通常具有很强空间相关性,且真实世界中变化通常是空间连通的区域,而不是孤立的点[6]。二元势函数ψij(xi,xj)用来建模此性质,作用是鼓励相邻像素具有相同的类别,本质上是来描述相邻像素i和j类别不一致的成本。从定义可知,如果相邻像素i和j具有相同类别,则μ(xi, xj) = 0,使得ψij(xi,xj)= 0,即像素i和j的类别不一致成本为0。改进后二元势能够同时考虑2期SAR影像的原始影像空间、互补差分影像空间和影像的全局空间信息,还能够更有效地建模遥感影像的空间相关性,取得更优的变化检测结果。

CRF一般通过最小化能量函数来生成变化检测图。与只考虑局部邻域像素对的CRF模型不同,FCCRF考虑所有像素对之间的关系,导致最小化其能量函数时计算量巨大。为解决此问题,本研究采用高效平均场算法[35]来最小化能量函数。

1.2.3 参数分析与设置策略

在CRF模型求解过程中,参数设置是一个重要问题。所提出的IFCCRF模型利用FCM求解一元势函数过程中无需设置参数,故其所需设置参数均在二元势函数中。与式(6)给出的传统二元势函数相比,本文改进后二元势函数将高斯核从2个扩展至3个,涉及参数由5个(w1,w2,θα,θβ和 θγ)增加至6个(w1,w2,θα,θβ,θγ和θτ)。在现有图像分析和变化检测文献中,FCCRF通常通过样本训练来确定其参数的取值,然而训练样本的获取一般费时费力,这在一定程度上影响FCCRF的实际应用。特别是在非监督变化检测任务中,一般无训练样本可用。

针对上述问题,本文给出具体参数设置策略,以避免通过样本训练来确定参数取值: ①对于参数w1和θα,研究表明,当其取值为1时,FCCRF能够取得比较理想的效果[35],鉴于此,本研究直接将参数w1和θα的值设置为1,即令w1 = θα = 1; ②对于高斯核调节参数θβ,θγ和θτ,受仅考虑局部邻域像素对CRF模型处理此类问题的启发,本研究将θβ,θγ和θτ分别定义为|Li-Lj|,|Ii-Ij| 和 |DIi-DIj|的平均值,自适应地确定其取值; ③对于权重系数w2,一方面,FCCRF模型对其比较敏感; 另一方面,其不同取值能够提供互补的变化检测结果,一般w2取值越大,空间信息在能量函数E(x)中所起作用越大,则容易去除噪声,但同时容易造成漏检,w2取值越小,空间信息在能量函数E(x)中所起作用越小,虽不易造成漏检,但会降低去除噪声的能力。基于上述分析,并受Shao等[37]的启发,本研究通过对多组w2取值对应的变化检测结果进行融合来获取最终的变化检测结果,以便降低参数w2对变化检测结果的影响,提高检测精度。本研究首先将w2的取值分别设置为0.5,1和2,生成3组互补的变化检测图,然后利用经典融合技术投票法对所获取的3组变化检测图进行融合,生成最终的变化检测图。

2 实验数据

为评估所提出变化检测技术的性能,采用4组SAR影像变化检测研究中常用的实验数据进行实验分析。数据1和2分别是从黄河数据集选取的2种典型变化区域,黄河沿岸(291像素×446像素)和农田区域(309像素×291像素)。黄河数据集由Radarsat-2 SAR传感器分别于2008年6月和2009年6月获取的黄河河口附近2期SAR影像构成。数据3由ERS-2 卫星分别于2003年8月和2004年5月获取的美国旧金山附近地区的2幅SAR影像构成,大小为256像素×256像素。数据4由ERS-2卫星分别于1999年4月和1999年5月获取的瑞士伯尼尔附近地区的2幅SAR影像构成,大小为301像素×301像素。图3分别给出4组数据的2期影像及其变化参考图,变化参考图是通过人工目视解译生成。在生成差分影像前,已对4组数据进行配准和辐射校正操作,并通过降斑各向异性扩散(speckle reducing anisotropic diffusion, SRAD)操作对2期SAR影像进行降噪。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   数据源

Fig.3   Datasets


3 结果与分析

3.1 不同算法检测结果

为验证所提出变化检测技术的有效性,将其与8种先进算法进行比较: LR,NR,INLG [16],PCA和K-均值结合算法(principal component analysis and K-means chustering,PCAKM)[14],MRF [20],CRF,FCCRF [31]和FRFCM(fast and robust fuzzy C-means)[38]。其中LR,NR和INLG的变化检测结果通过以下方式获取: 首先分别利用LR,NR和INLG生成2期SAR影像的差分影像,然后通过FCM聚类得到各自的变化检测结果。后5组对比算法使用的差分影像由最常用的LR对比算子生成。采用变化检测文献中常用的4种精度指标来定量评价变化检测技术的性能: 虚检(false alarms,FA)、漏检(missed detections,MD)、总体错误(overall error,OE)和Kappa系数。

4组数据不同算法的变化检测结果如图4—7所示。各变化检测结果的定量指标如表1所示。从图4—7和表1中可知,对于4组实验数据,本研究选用的3组生成差分影像的对比算子LR(像素级)、NR(邻域级)和INLG(超邻域级)能够得到互补的变化检测结果: 图4—7(b)中都具有很少的红色漏检区域,但包含许多的黄色散射状虚检区域; 图4—7(c)中仅包含较少的黄色虚检像素,但包含较多的红色漏检像素; 而对于LR,其变化检测图优于INLG差于NR,而虚检优于NR差于INLG。这表明: ①本文给出的“差分影像生成算法”分类是合理的,选取的3组差分影像生成算法是有效的; ②通过综合考虑3组差分影像,对其实施融合策略有望得到更优的变化检测结果。 3种对比算子对4组实验数据的变化检测结果不够稳定,比如数据1,INLG的变化检测结果优于LR和NR,而数据4,NR的变化检测结果优于LR和INLG(图7和表1)。对其他5种对比算法,数据1中FCCRF的变化检测结果优于PCAKM,MRF,CRF和FRFCM,但其检测结果仍不够理想; 虽然其变化检测结果仅包含极少的散射黄色噪声斑点,但仍具有明显的红色漏检区域(图4(g))。数据2—4中,FCCRF和CRF的变化检测结果相近,并优于PCAKM,MRF和FRFCM,但其检测结果仍有待改善,比如数据3,其变化检测图有明显的红色漏检,特别是对左上角的线性变化目标。这主要是因为虽然CRF和FCCRF能够较有效地利用空间信息,但由于CRF利用空间信息时,只考虑差分影像,忽略2期原始影像,而FCCRF只考虑2期原始影像,忽略差分影像,使得它们对空间信息的利用不够精细,造成过度平滑。

表1   4组数据变化检测的定量指标

Tab.1  Quantitative indicators of four datasets for change detection

方法数据1数据2
MDFAOEKappaMDFAOEKappa
LR9814 0465 0270.586 25692 2412 8100.753 3
NR52124 06324 5840.209 33416 6977 0380.546 5
INLG1 6471 1682 8150.682 64952 2752 7730.758 5
PCAKM1 2201 5972 8170.708 43731 5251 8980.826 4
MRF9412 3773 3180.688 27195961 3150.865 9
CRF1 1431 6172 7600.716 96204251 0450.892 8
FCCRF1 2181 1062 3240.747 68341801 0140.891 4
FRFCM51713 89614 4130.335 59195141 5130.842 9
IFCCRF1 1966521 8480.790 24093587670.922 3
方法数据3数据4
MDFAOEKappaMDFAOEKappa
LR3389021 2400.865 0289913800.818 0
NR4032 28832 3280.110 3733514240.833 8
INLG7621499110.888 62882125000.773 4
PCAKM251 6181 6430.836 81433554980.799 8
MRF3288431 1710.871 9445335770.790 7
CRF4994609590.889 3261633240.844 8
FCCRF7001778770.893 71811743550.843 9
FRFCM4238301 2530.861 51146407540.730 1
IFCCRF1893625700.935 51511152660.881 5

新窗口打开| 下载CSV


图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   数据1不同算法的变化检测结果

Fig.4   Change detection results on dataset 1 with different algorithms


图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   数据2不同算法的变化检测结果

Fig.5   Change detection results on dataset 2 with different algorithms


图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   数据3不同算法的变化检测结果

Fig.6   Change detection results on dataset 3 with different algorithms


图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   数据4不同算法的变化检测结果

Fig.7   Change detection results on dataset 4 with different algorithms


4组实验数据中,所提出的IFCCRF的变化检测结果明显优于其他8种对比算法。从图4—7可知,IFCCRF的变化检测结果具有最少的彩色区域,与相应的变化参考图最接近。这主要是因为IFCCRF不仅在计算一元势的同时考虑像素级、邻域级和超邻域级3种互补的差分影像,而在利用空间信息时,综合考虑2期SAR影像原始影像空间、3组互补差分影像空间和全局空间信息。表1从定量的角度验证了所提出变化检测技术IFCCRF的优势。对4组实验数据,IFCCRF均取得最低的OE和最高的Kappa系数。数据1中IFCCRF的Kappa系数为0.790 2,比LR,NR,INLG,PCAKM,MRF,CRF,FCCRF和FRFCM分别提高0.204 0,0.580 9,0.107 6,0.081 8,0.102 0,0.073 3,0.042 6和0.454 7。数据3中,IFCCRF的Kappa系数为0.935 5,比其他算法至少提高0.041 8。

3.2 增强过程分析

表1和图4—7给出的实验结果表明,所提出的变化检测方法IFCCRF明显优于其他8种对比方法。为了进一步分析IFCCRF的增强过程,以数据2和数据3为例,F-FCM,F-FCCRF和IFCCRF的变化检测结果对比如表2所示。F-FCM的变化检测结果是通过对LR,NR和INLG的差分影像集(即DI={DI1,DI2,DI3})实施FCM聚类得到的。同时,F-FCM的变化检测结果也是IFCCRF只考虑一元势函数的检测结果。F-FCCRF的变化检测结果是通过传统FCCRF模型对F-FCM的变化检测结果进行优化得到的。IFCCRF的检测结果是通过改进后FCCRF优化F-FCM变化检测结果得到的。

表2   F-FCM,F-FCCRF和IFCCRF的变化检测结果

Tab.2  Change detection results obtained by F-FCM, F-FCCRF and IFCCRF

方法数据2数据3
MDFAOEKappaMDFAOEKappa
F-FCM5091 2451 7540.835 04393557940.908 0
F-FCCRF71076314730.852 23762946700.922 4
IFCCRF4093587670.922 31893625700.935 5

新窗口打开| 下载CSV


通过分析表1—2可知,所提出变化检测技术IFCCRF通过2个阶段来增强变化检测性能。

1)对3组互补的差分影像进行融合。通过对比LR,NR,INLG和F-FCM关于数据2和数据3的变化检测结果可知,通过融合像素级、邻域级和超邻域级的3组差分影像能够显著提高变化检测精度。如数据2,F-FCM通过融合3组差分影像, Kappa系数为0.835 0,比基于单一差分影像的LR,NR和INLG的结果分别提高0.081 7,0.288 5和0.076 5。

2)利用IFCCRF对F-FCM的变化检测结果进行优化。通过比较F-FCM和IFCCRF的检测结果可知,IFCCRF能够显著提高变化检测精度,如数据2,IFCCRF的Kappa系数比F-FCM提高0.087 3。此外,通过对比F-FCCRF和IFCCRF的变化检测结果可知,本文提出的IFCCRF方案,能够有效增强变化检测性能,如数据2,改进后模型IFCCRF的Kappa系数比改进前模型F-FCCRF的Kappa系数提高0.070 1。

4 结论

1)通过改进全连接条件随机场,提出一种全新的SAR影像变化检测方法IFCCRF。所提出方法具有以下优势: ①综合考虑3个层级的差分影像,能够更充分地利用2期影像的变化信息; ②通过优化全连接条件随机场,使IFCCRF能够同时利用2期原始SAR影像和3组互补差分影像; ③提出一种简单有效的参数设定策略,提高IFCCRF的自动化程度。

2)4组真实SAR影像数据的实验结果验证了所提出变化检测方法IFCCRF的有效性: 对于4组实验数据,IFCCRF的Kappa系数比8种对比算法(LR,NR,INLG,PCAKM,MRF,CRF,FCCRF和FRFCM)至少分别提高0.042 6,0.029 5,0.041 8和0.036 7。

3)对于参数w1和θα,本文根据已有文献将其设置为定值1,未来可研究如何自适应地确定参数w1和θα的方案。同时需通过更多数据进一步验证所提出方法IFCCRF的有效性。

参考文献

公茂果, 苏临之, 李豪, 等.

合成孔径雷达影像变化检测研究进展

[J]. 计算机研究与发展, 2016, 53(1):123-147.

[本文引用: 1]

Gong M G, Su L Z, Li H, et al.

A survey on change detection in synthetic aperture Radar imagery

[J]. Journal of Computer Research and Development, 2016, 53(1):123-147.

[本文引用: 1]

王译著, 黄亮, 陈朋弟, 等.

联合显著性和多方法差异影像融合的遥感影像变化检测

[J]. 自然资源遥感, 2021, 33(3):89-96.doi:10.6046/zrzyyg.2020312.

[本文引用: 1]

Wang Y Z, Huang L, Chen P D, et al.

Change detection of remote sensing images based on the fusion of co-saliency difference images

[J]. Remote Sensing for Natural Resources, 2021, 33(3):89-96.doi:10.6046/zrzyyg.2020312.

[本文引用: 1]

吴柳青, 胡翔云.

基于多尺度多特征的高空间分辨率遥感影像建筑物自动化检测

[J]. 国土资源遥感, 2019, 31(1):71-78.doi:10.6046/gtzyyg.2019.01.10.

[本文引用: 1]

Wu L Q, Hu X Y.

Automatic building detection of high-resolution remote sensing images based on multi-scale and multi-feature

[J]. Remote Sensing for Land and Resources, 2019, 31(1):71-78.doi:10.6046/gtzyyg.2019.01.10.

[本文引用: 1]

何陈临秋, 程博, 陈金奋, 等.

基于GF-3全极化SAR数据的滨海湿地信息提取方法

[J]. 自然资源遥感, 2021, 33(4):105-110.doi:10.6046/zrzyyg.2020353.

[本文引用: 1]

He C L Q, Cheng B, Chen J F, et al.

Information extraction methods of coastal wetland based on GF-3 fully polarimetric SAR data

[J]. Remote Sensing for Natural Resources, 2021, 33(4):105-110.doi:10.6046/zrzyyg.2020353.

[本文引用: 1]

Gong M G, Li Y, Jiao L C, et al.

SAR change detection based on intensity and texture changes

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 93(7):123-135.

DOI:10.1016/j.isprsjprs.2014.04.010      URL     [本文引用: 1]

王建明, 史文中, 邵攀.

自适应距离和模糊拓扑优化的模糊聚类SAR影像变化检测

[J]. 测绘学报, 2018, 47(5):611-619.

DOI:10.11947/j.AGCS.2018.20160607      [本文引用: 3]

针对模糊聚类算法的不足，结合差分影像的特点，提出一种基于自适应距离（adaptive distance）和模糊拓扑（fuzzy topology）理论的SAR影像变化检测技术框架（FATCD）。FATCD首先基于自适应距离公式提出一种自适应的样本到聚类中心的距离计算方法，优化了聚类过程中像元隶属度的计算公式，提高了模糊隶属度函数的准确程度；而后利用模糊拓扑理论改进传统去模糊化方式最大隶属度原则，从而增强了去模糊化过程。借助这两点，FATCD提高了模糊聚类变化检测的性能。两组真实SAR影像数据的试验结果表明本文方法可行、有效。

Wang J M, Shi W Z, Shao P.

Change detection method for SAR image using adaptive distance and fuzzy topology optimization-based fuzzy clustering

[J]. Acta Geodaetica et Cartographica Sinica, 2018, 47(5):611-619.

[本文引用: 3]

庄会富, 邓喀中, 余美, 等.

结合KI准则和逆高斯模型的SAR影像非监督变化检测

[J]. 武汉大学学报(信息科学版), 2018, 43(2):282-288.

[本文引用: 1]

Zhuang H F, Deng K Z, Yu M, et al.

A novel approach combining KI criterion and inverse Gaussian model to unsupervised change detection in SAR images

[J]. Geomatics and Information Science of Wuhan University, 2018, 43(2):282-288.

[本文引用: 1]

Sun Y L, Lei L, Guan D D, et al.

SAR image change detection based on nonlocal low-rank model and two-level clustering

[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 1(99):1-14.

DOI:10.1109/JSTARS.4609443      URL     [本文引用: 1]

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 Transactions on Geoscience and Remote Sensing, 2005, 43(4):874-887.

DOI:10.1109/TGRS.2004.842441      URL     [本文引用: 2]

Moser G, Serpico S B.

Generalized minimum-error thresholding for unsupervised change detection from SAR amplitude imagery

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(10):2972-2982.

DOI:10.1109/TGRS.2006.876288      URL     [本文引用: 1]

Celik T.

Change detection in satellite images using a genetic algorithm approach

[J]. IEEE Geoscience and Remote Sensing Letters, 2010, 7(2):386-390.

DOI:10.1109/LGRS.2009.2037024      URL     [本文引用: 1]

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 Transactions on Geoscience and Remote Sensing, 2007, 45(5):1432-1445.

DOI:10.1109/TGRS.2007.893568      URL     [本文引用: 1]

Gong M G, Cao Y, Wu Q D.

A neighborhood-based ratio approach for change detection in SAR images

[J]. IEEE Geoscience and Remote Sensing Letters, 2011, 9(2):307-311.

DOI:10.1109/LGRS.2011.2167211      URL     [本文引用: 1]

Celik T.

Unsupervised change detection in satellite images using principal component analysis and K-means clustering

[J]. IEEE Geoscience and Remote Sensing Letters, 2009, 6(4):772-776.

DOI:10.1109/LGRS.2009.2025059      URL     [本文引用: 2]

Sun Y L, Lei L, Li X, et al.

Nonlocal patch similarity based heterogeneous remote sensing change detection

[J]. Pattern Recognition, 2020, 109:107598.

DOI:10.1016/j.patcog.2020.107598      URL     [本文引用: 2]

Sun Y L, Lei L, Li X, et al.

Structure consistency-based graph for unsupervised change detection with homogeneous and heterogeneous remote sensing images

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60:1-21.

[本文引用: 4]

Ma J J, Gong M G, Zhou Z Q.

Wavelet fusion on ratio images for change detection in SAR images

[J]. IEEE Geoscience and Remote Sensing Letters, 2012, 9(6):1122-1126.

DOI:10.1109/LGRS.2012.2191387      URL     [本文引用: 3]

Zheng Y, Zhang X, Hou B, 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.

DOI:10.1109/LGRS.2013.2275738      URL     [本文引用: 3]

Zhang Y, Wang S G, Wang C, et al.

SAR image change detection using saliency extraction and Shearlet transform

[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(12):4701-4710.

DOI:10.1109/JSTARS.4609443      URL     [本文引用: 2]

Bruzzone L, Prieto D F.

Automatic analysis of the difference image for unsupervised change detection

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(3):1171-1182.

DOI:10.1109/36.843009      URL     [本文引用: 4]

Hao M, Shi W, Zhang H, et al.

Unsupervised change detection with expectation-maximization-based level set

[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(1):210-214.

DOI:10.1109/LGRS.2013.2252879      URL     [本文引用: 1]

Bazi Y, Melgani F, Al-Sharari H D.

Unsupervised change detection in multispectral remotely sensed imagery with level set methods

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(8):3178-3187.

DOI:10.1109/TGRS.2010.2045506      URL     [本文引用: 1]

Shao P, Shi W, Liu Z, et al.

Unsupervised change detection using fuzzy topology-based majority voting

[J]. Remote Sensing, 2021, 13:3171.

DOI:10.3390/rs13163171      URL     [本文引用: 1]

Remote sensing change detection (CD) plays an important role in Earth observation. In this paper, we propose a novel fusion approach for unsupervised CD of multispectral remote sensing images, by introducing majority voting (MV) into fuzzy topological space (FTMV). The proposed FTMV approach consists of three principal stages: (1) the CD results of different difference images produced by the fuzzy C-means algorithm are combined using a modified MV, and an initial fusion CD map is obtained; (2) by using fuzzy topology theory, the initial fusion CD map is automatically partitioned into two parts: a weakly conflicting part and strongly conflicting part; (3) the weakly conflicting pixels that possess little or no conflict are assigned to the current class, while the pixel patterns with strong conflicts often misclassified are relabeled using the supported connectivity of fuzzy topology. FTMV can integrate the merits of different CD results and largely solve the conflicting problem during fusion. Experimental results on three real remote sensing images confirm the effectiveness and efficiency of the proposed method.

Lyu P Y, Zhong Y F, Zhao J, et al.

Unsupervised change detection based on hybrid conditional random field model for high spatial resolution remote sensing imagery

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(7):4002-4015.

DOI:10.1109/TGRS.2018.2819367      URL     [本文引用: 3]

Hedjam R, Kalacska M, Mignotte M, et al.

Iterative classifiers combination model for change detection in remote sensing imagery

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(12):6997-7008.

DOI:10.1109/TGRS.2016.2593982      URL     [本文引用: 3]

Gong M G, Su L Z, Jia M, et al.

Fuzzy clustering with a modified MRF energy function for change detection in synthetic aperture Radar images

[J]. IEEE Transactions on Fuzzy Systems, 2013, 22(1):98-109.

DOI:10.1109/TFUZZ.2013.2249072      URL     [本文引用: 2]

Hao M, Zhang H, Shi W Z, et al.

Unsupervised change detection using fuzzy C-means and MRF from remotely sensed images

[J]. Remote Sensing Letters, 2014, 4(12):1185-1194.

DOI:10.1080/2150704X.2013.858841      URL     [本文引用: 2]

Subudhi B N, Bovolo F, Ghosh A, et al.

Spatio-contextual fuzzy clustering with Markov random field model for change detection in remotely sensed images

[J]. Optics and Laser Technology, 2014, 57:284-292.

DOI:10.1016/j.optlastec.2013.10.003      URL     [本文引用: 3]

范奎奎, 王中元, 欧阳斯达, 等.

DT-CWT结合MRF的遥感图像变化检测

[J]. 遥感学报, 2017, 21(3):375-385.

[本文引用: 1]

Fan K K, Wang Z Y, Ouyang S D, et al.

Change detection of remote sensing images through DT-CWT and MRF

[J]. Journal of Remote Sensing, 2017, 21(3):375-385.

[本文引用: 1]

Hoberg T, Rottensteiner F, Feitosa R Q, et al.

Conditional random fields for multitemporal and multiscale classification of optical satellite imagery

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 53(2):659-673.

DOI:10.1109/TGRS.2014.2326886      URL     [本文引用: 2]

Cao G, Zhou L C, Li Y P.

A new change-detection method in high-resolution remote sensing images based on a conditional random field model

[J]. International Journal of Remote Sensing, 2016, 37(5):1173-1189.

DOI:10.1080/01431161.2016.1148284      URL     [本文引用: 3]

Zhou L C, Cao G, Li Y P, et al.

Change detection based on conditional random field with region connection constraints in high-reso-lution remote sensing images

[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(8):3478-3488.

DOI:10.1109/JSTARS.4609443      URL     [本文引用: 2]

Lafferty J, McCallum A, Pereira F C.

Conditional random fields:Probabilistic models for segmenting and labeling sequence data

[C]// International Conference on Machine Learning(ICML), 2001:282-289.

[本文引用: 1]

Kumar S, Hebert M.

Discriminative random fields:A discriminative framework for contextual interaction in classification

[C]// Ninth IEEE International Conference on Computer Vision.IEEE, 2003:1150-1157.

[本文引用: 1]

Krähenbühl P, Koltun V.

Efficient inference in fully connected CRFs with Gaussian edge potentials

[J]. Advances in Neural Information Processing Systems, 2011, 24(1):109-117.

[本文引用: 4]

Bezdek J C. Pattern recognition with fuzzy objective function algorithms[M]. New York: Plenum Press, 1981:43-93.

[本文引用: 1]

Shao P, Yi Y Q, Dong T, et al.

Novel multiscale decision fusion approach to unsupervised change detection for high-resolution images

[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19(1):1-5.

[本文引用: 1]

Lei T, Jia X H, Zhang Y N, et al.

Significantly fast and robust fuzzy C-means clustering algorithm based on morphological reconstruction and membership filtering

[J]. IEEE Transactions on Fuzzy Systems, 2018, 26(5):3027-3041.

DOI:10.1109/TFUZZ.91      URL     [本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发