一种新的遥感影像变化检测算法

余银峰 祝美玲 张 丽

1(新疆大学信息科学与工程学院 新疆 乌鲁木齐 830046)2(乌鲁木齐市第59中学 新疆 乌鲁木齐 830000)3(巴州外事侨务办公室 新疆 巴音郭楞 841000)

0 引 言

关于非下采样剪切波变换(Nonsubsampled Shearlet Transform，NSST)和自适应脉冲耦合神经网络(Adaptive Pulse Coupled Neural Network，APCNN)的研究、应用很多。例如：基于NSST的图像去噪[1]；基于NSST的边缘检测[2]；基于NSST域的影像增强[3-5]；基于NSST的图像融合[6-9]；基于APCNN的图像融合[10]；基于APCNN的图像分割[11]；基于NSST和APCNN的图像融合[12-15]。基于NSST和APCNN的图像变化高效检测的研究和应用尚未发现。

本文首次设计了一种基于NSST和APCNN的无监督类型的不同时相的遥感图像像素级别变化高效检测新算法。比较本文算法与文献[16]、文献[17]和文献[18]算法，两组实验结果表明：本文算法具有更强的抗噪能力、更高的检测精度和更低的时间成本。

1 算法设计与实现

本文首次将NSST与APCNN结合在一起解决遥感图的变化有效检测问题。算法的流程图如图1所示。运用自适应脉冲耦合神经网络对每个像素所对应的邻域信息进行两类分类，最终获得变化区域的结果图。

图1 算法流程图

新算法实现细节的详细描述如下：

1) 邻域均值化处理。对于一幅大小为H×W的输入图像I，点像素(i,j)的邻域信息通过以下公式来求得：

u=max(i-h,1)

(1)

d=min(i+h,H)

(2)

l=max(j-w,1)

(3)

r=min(j+w,W)

(4)

N=I(u:d,l:r)

(5)

X(i,j)=mean(N(:))

(6)

式中：i∈[1,H]，j∈[1,W]，h、w是邻域大小参数，N是点像素(i,j)的邻域，X(i,j)是点像素(i,j)的邻域信息，X是输入图像I经过邻域均值化处理的结果图像。

2) 根据两幅不同时相输入图像获得对数比图像。

(7)

式中:X1、X2分别是不同时相的输入图像I1、I2经过邻域均值化处理的结果图像。Y是X1、X2的对数比图像。

3) 将对数比图像进行NSST，得到多尺度和多方向的系数。

C0=NSST_DEC(Y)

(8)

4) 对多尺度和多方向的系数进行滤波处理。

C1=Coeffs_denoise(C0)

(9)

首先进行全局滤波。将所有尺度、所有方向的系数中按绝对值大小从大到小排列，将排在最后的10%的相对较小的系数设置为0。

σ=estimate(C1)

(10)

C2=NSST_HT(C1,σ)

(11)

然后进行每个方向、每个尺度的局部滤波。按照式(10)用所有方向、所有尺度的系数进行噪声估计。根据式(11)将每个尺度、每个方向的系数分别采用硬阈值去噪。

5) 对滤波后的系数进行非下采样Shearlet逆变换。

Z=NSST_REC(C2)

(12)

6) 用自适应脉冲耦合神经网络对非下采样Shearlet逆变换结果进行2类分类，从而得到最终的变化有效检测结果图。

CM=APCNN(Z)

(13)

2 实 验

2.1 实验数据

为了比较与测试算法性能，用两组遥感图片进行对比实验。图2(a)和图2(b)的图片组分别是1997年5月和1997年8月航拍的，地点是渥太华。图3(a)和图3(b)的图片组分别是1996年8月24日和1999年8月14日航拍的，地点是越南红河。图2(c)和图3(c)分别是渥太华和越南红河地区的真实变化情况图。每组三幅影像都裁切成256×256的大小。图2的实验图片在实验表格中记作T1，图3的实验图片在实验表格中记作T2。

(a) 时相1 (b) 时相2

(c) 实况变化图图2 渥太华

(a) 时相1 (b) 时相2

(c)实况变化图图3 越南红河

2.2 视觉定性比较

比较算法是PCANet[16]、NR-ELM[17]和FDA-RMG[18]给出的，本文算法简称为NSST-APCNN。

首先进行视觉定性比较。渥太华地区算法结果如图4所示。越南红河地区算法结果如图5所示。图4(d)的噪声点比图4(a)、图4(c)略好，比图4(b)好得多。图5(d)的噪声点比图5(a)略好，比图5(b)、图5(c)好得多。由图4和图5可知，本文算法的检测精度比PCANet、FDA-RMG略高，比NR-ELM高。

(a) PCANet结果 (b) NR-ELM结果

(c) FDA-RMG结果 (d) 本文结果图4 渥太华不同检测方法结果比较图

(a) PCANet结果 (b) NR-ELM结果

(c) FDA-RMG结果 (d) 本文结果图5 越南红河不同检测方法结果比较图

2.3 抗噪能力量化比较

输入影像I，其尺寸为H×W。对其添加斑点噪声，抑或添加白噪声，合成加噪图像I′。加噪前后，这幅影像所获得的噪声改变可以用峰值信噪比来描述，其定义为：

(14)

(15)

由图6和图7可知，对于斑点噪声，在PSNR∈[26,51]dB，在抗噪能力方面，本文算法比PCANet、FDA-RMG略高，比NR-ELM高。由图8和图9知，对于白噪声，在PSNR∈[35,50]dB，在抗噪能力方面，本文算法比PCANet、FDA-RMG略高，比NR-ELM高。

图6 渥太华不同强度斑点噪声抗噪比较图

图7 越南红河不同强度斑点噪声抗噪比较图

图8 渥太华不同强度白噪声抗噪比较图

图9 越南红河不同强度白噪声抗噪比较图

综上所述，对于白噪声和斑点噪声，在峰值信噪比不小于35 dB、不大于50 dB区域内，NSST-APCNN的抗噪能力比FDA-RMG、PCANet略高，比NR-ELM高。

2.4 错误总量OE量化比较

对于不同时相的两幅大小均为H×W的输入遥感图片I1和I2，地面变化参考图记作GT，算法的检测图记作CM。在检测结果中为1而在变化参考图中为0的数量就是虚警，记作FP。在检测结果中为0而在变化参考图中为1的数量就是漏警，记作FN。在检测结果中为1而在变化参考图中为1的数量就是正确检测出了变化类，记作TP。在检测结果中为0而在变化参考图中为0的数量就是正确检测出了未变化类，记作TN。

FP=Count(CM==1 &>==0)

(16)

FN=Count(CM==0 &>==1)

(17)

TP=Count(CM==1 &>==1)

(18)

TN=Count(CM==0 &>==0)

(19)

OE=FP+FN

(20)

总的错误数量OE[17]是变化有效检测算法常用的一项量化比较指标，该指标值越小算法能力越好。算法的错误总量OE量化比较参见表1。可以看出，比较PCANet、NR-ELM、FDA-RMG与NSST-APCNN四种算法，NSST-APCNN算法的OE最小。换言之，就是比较算法的检测错误总量比本文所设计的算法的高。

表1 算法错误总量OE量化比较

2.5 总的准确率PCC量化比较

总的准确率PCC[17]是变化有效检测算法常用的一项量化比较指标，该指标值越大算法越好。算法总的准确率PCC量化比较参见表2。可以看出，比较PCANet、NR-ELM、FDA-RMG与NSST-APCNN四种算法，NSST-APCNN算法的PCC指标至少高出0.14%。换言之，就是NSST-APCNN的检测精度更高。

(21)

表2 算法总的准确率PCC量化比较

2.6 Kappa系数、召回率和F1量化比较

在本文这一部分中采用的变化高效检测算法性能的量化比较指标有以下三个： 1) Kappa系数KC[17]，该指标值越大算法性能越好；2) 召回率Recall，该指标值越大算法性能越好；3) F1，该指标值越大算法性能越好。算法的Kappa系数KC、召回率Recall和F1量化比较参见表3。可以看出，与文献[16]、文献[17]和文献[18]所提算法相比，本文设计的算法的KC指标至少高出1.04%，Recall指标至少高出1.74%， F1指标至少高出0.98%。总而言之，NSST-APCNN的检测精度更高。

(22)

(23)

(24)

(25)

(26)

表3 算法Kappa系数、召回率和F1量化比较 %

2.7 运行时间量化比较

算法运行时间Time(单位：s) 是各类算法常用的一项量化比较指标，该指标值越小算法性能越好。算法运行时间Time量化比较参见表4。可以看出，与文献[16]、文献[17]和文献[18]算法相比，本文算法的运行时间低于比较算法，说明本文算法的时间成本低。

表4 算法运行时间Time量化比较

2.8 实验分析

由于充分考虑了邻域信息，有效地降低了虚警数量；由于充分借助NSST的多尺度多方向的分解并结合全局滤波、局部滤波，有效地降低了漏警数量；APCNN具有旋转、平移、尺度不变性和阈值自动确定的特点，有效地提高了算法的准确率和抗噪能力；与此同时，NSST和APCNN的算法复杂度很低，有效地降低了整个算法的复杂性。NSST-APCNN算法较之PCANet、NR-ELM和FDA-RMG算法而言所具有的更强的抗噪能力和更高的检测准确度受益于充分将邻域信息、NSST和APCNN的优势有机紧密融合在一起。与此同时，本文算法具有更低的时间成本。实验证明了本文算法的有效性和可行性。

3 结 语

NSST-APCNN算法是一种应用于遥感影像的变化高效检测新算法。它既是一种像素级别的算法，也是一种无监督类型的算法。它首次应用于遥感影像的变化有效检测，是基于NSST和APCNN的新算法。PCANet、NR-ELM和FDA-RMG是三个比较算法。由两个地区的对比实验数据结果，结合实验分析得到如下结论：与PCANet、NR-ELM和FDA-RMG相比，不管是斑点噪声还是白噪声， 对于PSNR∈[35,50] dB，本文所设计的算法具有更强的抗噪能力。本文所提的算法的PCC指标至少高出0.14%， KC指标至少高出1.04%，Recall指标至少高出1.74%， F1指标至少高出0.98%。总而言之，NSST-APCNN算法较之于PCANet、NR-ELM和FDA-RMG算法检测精度更高。更重要的是，NSST-APCNN算法具有更低的时间成本。实验结果和实验分析都证明了本文所提算法优越性、可行性。