基于多特征融合的遥感影像变化检测算法

王光辉， 李建磊， 王华斌， 杨化超

(1.国家测绘地理信息局卫星测绘应用中心，北京 100830； 2.中国矿业大学(徐州)，徐州 221116)

0 引言

随着空间信息技术的飞速发展，遥感影像的空间分辨率、光谱分辨率和时间分辨率不断提高，其获取的地表信息更加丰富，应用领域越来越广。如何利用高空间分辨率遥感图像丰富的地物细节信息，并抑制成像条件与自然条件带来的信息干扰，是目前遥感影像变化检测研究中倍受关注的问题。传统的单像素、单一特征的变化检测算法已经不能满足变化目标检测的准确性和完整性[1]，面向对象多特征融合的变化检测算法[2-3]已成为高空间分辨率遥感变化检测研究领域的热点。

由影像派生的多特征是变化检测信息的载体，主要包括光谱、边缘和纹理等特征。利用影像对象特征进行多时相变化检测时传统的变化检测算法选用单一特征，如Bovolo等[4]采用像斑均值信息进行变化检测； 庄会富等[5]提出基于纹理特征的影像变化检测算法，通过多方向、多个纹理特征构建差异影像提高了变化检测的精度； 李松等[6]提出结合纹理分析与比率变换的变化检测算法，通过分析纹理特征，统计纹理的指标，有效地识别出滑坡灾害信息； 钟家强等[7]提出线特征变化检测算法，通过提取影像的边缘梯度信息、压缩、拟合等处理，获得变化检测结果，避免了线匹配的复杂过程，具有较强的实用性。虽然以上的算法都从不同的角度验证特征的有效性和可用性，但单一特征模型的适用性和精度并不理想。刘臻等[8]利用梯度和纹理相似度进行变化检测； 李亮等[9]将光谱信息与纹理信息结合提出多特征融合的变化检测算法； 魏立飞等[10]提出应用多特征流行嵌入模型，充分综合多特征的信息，获得了完整的变化信息。但上述多特征融合方法多采用光谱与纹理的特征，未能考虑颜色的空间分布信息以及影像的边缘特征。

鉴于上述情况，本文通过研究不同特征的特点，提出多特征自适应融合的变化检测方法，以影像对象的颜色直方图为依据，通过统计颜色直方图、边缘直线梯度直方图的最大概率差别自适应确定权值，实现颜色特征与边缘直线特征的自适应加权组合，为下一步变化强度阈值的选取做准备。

1 基于多特征融合的变化检测

为了充分利用遥感图像的颜色空间分布信息以及边缘直线梯度特征，本文提出一种基于面向对象思想的多特征融合变化检测方法。首先，运用多尺度分割算法(multi-solution segmentation)获得影像对象，并统计影像对象的颜色直方图和边缘直线梯度直方图信息； 然后，利用推土机距离(earth mover’s distance， EMD)计算不同时相影像对象之间的颜色距离和边缘直线距离，并自适应加权颜色距离和边缘直线距离，获得对象的异质性，对象的异质性越接近于0变化可能性越低，远离0则变化可能性越高； 最后，基于以上理论采用直方图曲率分析获得像斑的变化检测结果。

具体变化检测流程见图1。

图1 变化检测流程

1.1 多尺度影像分割

影像分割是面向对象影像分析的基础，其结果将对后续的分析产生重要的影响[11]。本文选用多尺度分割算法[12]，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，进行迭代运算，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时停止迭代，完成影像的多尺度分割。对于任意波段的影像i，其异质性fi为

fi=ωihcolor+(1-ωi)hshope,

(1)

hshope=(1-ωsm)hcm+ωsmhsm,

(2)

式中：ωi为第i波段光谱异质性hcolor的权重；hshope为形状异质性，通过形状平滑度的权重ωsm、形状平滑度hsm和形状紧凑度hcm确定。

1.2 颜色和边缘直线特征提取

直方图是一种空间统计特征，颜色和边缘直线梯度直方图能较好地表达对象的空间特征分布情况，为下一步计算前后2期差异提供依据。本文采用影像对象的颜色直方图和边缘直线梯度直方图来描述不同时相影像对象的光谱特征和空间特征。

1.2.1 颜色特征提取

颜色作为影像上一种直观显著的重要视觉特征，对影像的形态、大小、方向和视角依赖较小。窦建军等[13]曾将全局颜色直方图应用于图像检索领域。常用的RGB模型都存在以下不足： ①不符合人对颜色的感知心理； ②在颜色感知上存在较小差异的2个点，难以在非均匀分布的RGB颜色空间中以2个点来表示。HSV颜色空间是面向视觉感知的模型，符合人眼感知的色调、亮度和饱合度3要素，能更好地模拟人工变化检测的过程，因此能更好地用于提取颜色特征。颜色直方图的提取主要包括2步： ①RGB模型与HSV模型转换； ②HSV的量化。

首先，RGB模型转换成HSV模型，具体公式为

(3)

(4)

(5)

(6)

式中：R，G和B分别为红光、绿光和蓝光波段影像。经过HSV颜色变换，影像上的每一个像素点都可以用H，S和V来表示； 然后，依据人眼对颜色感知的特性，对HSV 3分量均匀量化，将H，S和V分别空间量化为8，5和5份； 最后，统计获得影像对象的颜色直方图。

1.2.2 边缘直线特征提取

高空间分辨率遥感图像纹理比较丰富，采用canny，soble和lapace等算子可以直接提取低矮建筑物区的边缘，但边缘比较琐碎，难以表达影像对象的特征。本文采用line segment detector算子[14]检测遥感图像中几何形状明显的目标。由于直线区域的灰度通常是不连续的，直线上每一像素对应一个梯度方向，基于直线像素点的梯度方向建立的直方图能够表示影像对象的形状特征，对于发生变化的对象能很好地反映前后2期的差异。对于影像上点(x,y)处f(x,y)的梯度定义为

(7)

梯度是一个矢量，其大小和方向为

(8)

θ(x,y)=arctan (Gy/Gx) ,

(9)

式中θ(x,y)为f(x,y)在该点的灰度变化最大的方向。根据直线像素点方向统计直线梯度方向直方图H(i)。直线梯度直方图表征影像对象直线取向的分布特征，不同时相变化的影像对象具有不同的直线分布。

1.3 直方图距离

(10)

1.4 相似性自适应组合

颜色特征与边缘直线特征的组合是实现多特征融合的关键之一，常用方法为加权组合。设DHSVEMD和DLINEEMD分别为颜色相似度和边缘直线相似度，ωhsv和ωline分别为对应的权重，则颜色和边缘直线的加权组合为

DIS=ωhsvDHSVEMD+ωlineDLINEEMD。

(11)

其中ωhsv和ωline的确定成为特征融合的关键问题。颜色和边缘直线权重的确定主要依赖如下准则： 在颜色主导的区域，颜色的权重较大，否则边缘直线权重较大。针对遥感影像分割中光谱和纹理特征，许多研究者提出了自动加权方法[9-16]，然而由于权重的确定过于复杂，方法难以推广。

为此，本文提出一种自适应的权重确定方法。根据统计计算前后2期对象的颜色直方图和直线梯度直方图动态调整颜色和边缘直线特征的权重。首先，计算前后2期对象的颜色直方图和直线梯度直方图； 然后，以直方图所表达的信息动态调整权重。对于颜色比较单一的区域，颜色值会比较集中分布在某几个值附近，使得直方图中最大概率的值比较大； 对于边缘直线特征比较明显的对象，边缘直线梯度直方图差别就比较大。如图2所示，图2(a)中2个方框区域2013年为植被区域，图2(b)中2015年已被建设成道路。图2(c)和(d)分别为2013年和2015年的颜色直方图和边缘直线梯度直方图，可以看出2个区域2 a间的直线梯度直方图相接近，但是颜色直方图存在较大的差异。

(a)2013年 (b) 2015年 (c) 颜色直方图 (d) 直线梯度直方图

图2颜色主导区域

Fig.2Areaofcolordominate

图3(a)中2个方框区域2013年为裸地区域，2015年该区域已建为建筑物(图3(b))。图3(c)和图3(d)分别为2013年和2015年的颜色直方图和边缘直线梯度直方图，可以看出2个区域2 a间的颜色直方图相接近，但是直线梯度直方图存在较大的差异。

(a) 2013年 (b) 2015年 (c) 颜色直方图 (d) 直线梯度直方图

图3边缘直线主导区域

Fig.3Areaofedgelinedominate

通过以上分析，当前后2期的颜色差别较大时，颜色直方图的最大概率差别也较大； 当前后2期的边缘直线特征差别比较大时，直线梯度直方图的最大概率差别也就较大。据此，根据颜色直方图和直线梯度直方图的差别情况自适应地设置颜色与边缘直线权重，即

k1=abs[max(hsvt1)-max(hsvt2)] ,

(12)

k2=abs[max(linet1)-max(linet2)] ,

(13)

式中max(hsv)和max(line)分别为颜色直方图和直线梯度直方图的最大概率值。

颜色直方图的最大概率值一定程度上反映了颜色信息。因此当颜色信息占主导时，颜色权重应适当增大，反之颜色权重应适当减小。颜色权重的表达式为

(14)

1.5 直方图曲率分析

令所有对象异质性值的集合为D={D1，D2，…，Dn}，异质性值接近0，表示图像变化可能性越小； 越远离0值地区，则变化的可能性越大。影像上大部分是没有发生变化的，则异质性直方图是逐渐递减的一种形态。本文采用异质性直方图曲率分析(histogram curvature analysis，HCA)方法确定变化检测阈值，该方法自适应能力较强。

影像对象的异质性值呈现出单侧正态分布趋势，且对象中变化区域和非变化区域的异质性往往会有很明显的差异，通过分析直方图的曲率可以确定变化检测的阈值。依据微积分基本原理，曲率值越小表示曲线的弯曲程度比较缓，曲线发生突变的可能性就越小； 而对于离散数据其曲率值k可近似表达为

(15)

式中f(i)为第i个位置对应的频率值。取k最大值对应的i作为变化检测的最优阈值，实现最终变化区域的提取。

2 结果与讨论

2.1 实验数据

实验数据采用苏州市某城区的2013年和2015年资源三号卫星遥感影像，尺寸大小为1 800像素×1 420像素，空间分辨率为2.1 m，由蓝光、绿光、红光和近红外4个波段组成； 影像已经经过影像配准和直方图匹配等预处理。实验数据如图4所示。

(a) 2013年 (b) 2015年

图4苏州市某城区影像

Fig.4SuzhouCityimages

2.2 实验分析

实验采用多尺度分割算法对配准和直方图匹配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。最优分割尺度根据经验和知识确定； 形状因子参与形状一致度的权重，最优的形状因子能够得到合理边界的影像对象； 紧致度表示影像对象的规则程度，紧致度过大则分割后影像地物不唯一，出现不纯净的对象。最终确定分割参数分别为： ①分割尺度为100、形状因子为0.45、紧致度为0.5； ②分割尺度为80、形状因子为0.5、紧致度为0.64。然后将前后2个时期的分割结果进行叠加生成最终的矢量文件如图5(a)所示。图5(b)为标准变化检测结果，其中黑色表示未变化区域，白色表示变化区域。为了验证多特征融合算法的有效性，将单一特征、固定权重算法同本文算法进行了比较，检测结果如图6所示。图6中椭圆为虚检区域，矩形为漏检区域。6种变化检测结果的精度评定如表1所示。

(a) 分割结果 (b) 标准变化检测结果

图5分割结果及标准检测结果

Fig.5Segmentationandstandarddetectionresults

(a)ωhsv=1，ωline=0 (b)ωhsv=0.7，ωline=0.3 (c)ωhsv=0.5，ωline=0.5

(d)ωhsv=0.3，ωline=0.7 (e)ωhsv=0，ωline=1(f) 本文检测结果

图6 不同权重变化检测结果Fig.6 Different weight results of change detection表1 不同权重变化检测结果精度比较Tab.1 Accuracy comparison by methods with different weights

分析图6可以得出如下结论： 图5(a)仅利用颜色特征进行变化检测，存在较多的虚检和一定的漏检。图5(e)仅利用边缘直线特征进行变化检测，漏检现象比较严重。利用颜色特征与边缘直线特征加权进行变化检测，当颜色权重为0.7时，虽然部分图5(b)中虚检部分被标记为未变化，但仍存在一定的漏检现象； 当颜色权重与边缘直线权重都为0.5时，图5(c)也存在较多的漏检和虚检； 当颜色权重为0.3时，与图5(b)和(c)相比虚检有所下降，但是漏检增加； 利用本文算法进行变化检测，图5(f)变化区域的识别仍然存在虚检和漏检，但虚检率和漏检率比固定权重有所降低。

文献[9]与文献 [16]都采用了光谱特征与纹理特征融合，依据像斑灰度的标准差自适应确定阈值，其精度与本文精度的对比如表2所示。由于不同时期遥感影像存在太阳高度角、光照条件和季节等因素不同程度的影响，使得不同地物在影像上具有不同的灰度值，而纹理特征仅反映地物结构信息，无法作为区分不同地物的主要依据，故实验结果表明，本文采用光谱特征与几何特征的变化检测精度最高。

表2 不同变化检测算法精度比较Tab.2 Accuracy comparison of different methodsof change detection

3 结论

基于面向对象的分析思想，本文提出了一种多特征融合的遥感影像变化检测算法。实现了颜色特征与边缘直线特征的自适应加权组合，为融合HSV颜色直方图与边缘直线梯度直方图进行变化检测提供了一种思路。采用直方图曲率分析获得像斑的变化检测结果，实现了变化检测最优阈值的自动确定。实验结果表明，该方法依据像斑的光谱信息，充分、有效地挖掘和融合了影像多特征的检测优势，降低了虚检率和漏检率，提高了变化检测的正确率。为了进一步提高变化检测的精度，后继研究将在本文基础上，引入纹理和形状等特征信息。

参考文献(References)：

[1] 魏立飞,钟燕飞,张良培,等.遥感影像融合的自适应变化检测(英文)[J].遥感学报,2010,14(6):1196-1211.

Wei L F,Zhong Y F,Zhang L P,et al.Adaptive change method of remote sensing image fusion[J].Journal of Remote Sensing,2010,14(6):1196-1211.

[2] Gong J Y,Sui H G,Sun K M,et al.Object-level change detection based on full-scale image segmentation and its application to Wenchuan Earthquake[J].Science in China Series E:Technological Sciences,2008,51(S2):110-122.

[3] Zhang G,Li Y,Li Z J.A new approach toward object-based change detection[J].Science China Technological Sciences,2010,53(S1):105-110.

[4] Bovolo F,Bruzzone L,Marconcini M.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.

[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.

Zhuang H F,Deng K Z,Fan H D.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.

[6] 李 松,李亦秋,安裕伦.基于变化检测的滑坡灾害自动识别[J].遥感信息,2010(1):27-31.

Li S,Li Y Q,An Y L.Automatic recognition of landslides based on change detection[J].Remote sensing Information,2010(1):27-31.

[7] 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.

Zhong J Q,Wang R S.Multitemporal remote sensing image change detection based on adaptive parameter estimation[J].Acta Geodaetica et Cartographica Sinica,2005,34(4):331-336.

[8] 刘 臻,宫 鹏,史培军,等.基于相似度验证的自动变化探测研究[J].遥感学报,2005,9(5):537-543.

Liu Z,Gong P,Shi P J,et al.Study on change detection automatically based on similarity calibration[J].Journal of Remote Sensing,2005,9(5):537-543.

[9] 李 亮,舒 宁,王 凯,等.融合多特征的遥感影像变化检测方法[J].测绘学报,2014,43(9):945-953.

Li L,Shu N,Wang K,et al.Change detection method for remote sensing images based on multi-features fusion[J].Acta Geodaetica et Cartographica Sinica,2014,43(9):945-953.

[10] 魏立飞,王海波.基于MSE模型的高分辨率遥感图像变化检测[J].光谱学与光谱分析,2013,33(3):728-732.

Wei L F,Wang H B.Change detection from high-resolution remote sensing image based on MSE model[J].Spectroscopy and Spectral Analysis,2013,33(3):728-732.

[11] 巫兆聪,胡忠文,张 谦,等.结合光谱、纹理与形状结构信息的遥感影像分割方法[J].测绘学报,2013,42(1):44-50.

Wu Z C,Hu Z W,Zhang Q,et al.On combining spectral,textural and shape features for remote sensing image segmentation[J].Acta Geodaetica et Cartographica Sinica,2013,42(1):44-50.

[12] 陈云浩,冯 通,史培军,等.基于面向对象和规则的遥感影像分类研究[J].武汉大学学报(信息科学版),2006,31(4):316-320.

Chen Y H,Feng T,Shi P J,et al.Classification of remot sensing image based on object oriented and class rules[J].Geomatics and Information Science of Wuhan University,2006,31(4):316-320.

[13] 窦建军,文 俊,刘重庆.基于颜色直方图的图像检索技术[J].红外与激光工程,2005,34(1):84-88.

Dou J J,Wen J,Liu C Q.Histogram-based color image retrieval[J].Infrared and Laser Engineering,2005,34(1):84-88.

[14] Von Gioi R G,Jakubowicz J,Morel J M,et al.LSD:A line segment detector[J].Image Processing on Line,2012,2:35-55.

[15] 韩 华,曹 伟,龚 涛.目标再确认中基于推土机距离的关联度建立[J].华中科技大学学报(自然科学版),2015,43(s1):435-439.

Han H,Cao W,Gong T.The establishment of correlative degree in target re-identification based on earth mover’s distance[J].Huazhong University of Science and Technology(Natural Science Edition),2015,43(s1):435-439.

[16] Wang A P,Wang S G,Lucieer A.Segmentation of multispectral high-resolution satellite imagery based on integrated feature distributions[J].International Journal of Remote Sensing,2010,31(6):1471-1483.