微粒群優化方法的遙感影像變化檢測研究

戴 芹，劉建波，劉士彬

中國科學院 對地觀測與數字地球科學中心，北京 100094

1 引 言

隨著遙感數據獲取技術的不斷進步和獲取周期性的逐漸縮短，其應用范圍的逐漸拓展和應用需求的日益擴大，對遙感影像變化檢測技術提出了新的挑戰。目前，國內外研究人員針對不同的應用目標提出了許多遙感影像變化檢測方法和模型［1－5］。遙感影像變化檢測方法通常可分為可獲得變化類型和只能得到變化／非變化類型兩類方法。變化／非變化類型方法一般是利用多時相遙感影像直接進行運算與變換處理，然后確定變化區域和變化類型［1－7］。可獲得變化類型的方法則主要包括先分類后比較和多時相直接分類方法。先分類后比較方法，首先將多時相遙感影像分別分類后，再進行比較而得到變化信息。這種方法雖然不受大氣變化、物候狀況差異及不同傳感器差異的影響，但存在工作量較大、自動性能較低，容易引起誤差的累積的缺點［3－7］。多時相直接分類方法，則是將兩個或多個時相遙感數據組合起來，通過應用監督或非監督的方法進行變化檢測信息的提取［5］，在一定程度上彌補了先分類后比較方法的不足，但在應用訓練數據集進行分類器的訓練時，由于需要同時處理包含多個時相的遙感影像數據，導致訓練集的特征空間較單個時相比變得更加復雜。訓練數據集通常包含了變化類型和非變化類型，分類類別較多，每個類別都各具特點，而常規的分類方法往往對訓練樣本要求滿足條件獨立、服從高斯分布等條件，且在分類器建立時，均采用一種形式的特征組合，因此當訓練樣本較復雜和分散時，應用常規方法往往檢測精度會受到很大影響［5］。然而，基于規則的分類方法［15－16］能夠針對不同類別的特點，分別采用不同的特征組合方式來建立逐條分類規則，在多時相分類變化檢測方面具有很大的優勢。

人工智能算法能夠提供自學習、自適應、自推理等高效率自動化處理過程，日趨受到遙感信息提取和變化檢測等領域研究學者的強烈關注［3，8，11］。微粒群優 化算法（particle swarm optimization，PSO）是由文獻［10—12］作者于1995年受到鳥類群體覓食行為的啟發而提出的，目前已經成功應用在眾多應用領域中用來解決優化問題。微粒群優化方法應用于遙感信息提取領域具有一系列的優點，能夠極大提高遙感數據處理的有效性、精確性和實用性［17］。本文基于微粒群優化方法的自動化和智能化特征，在微粒群優化方法用于遙感圖像分類的研究基礎上，針對目前遙感信息變化檢測方法的缺陷，探索性地將微粒群優化方法的優勢運用到遙感信息變化檢測當中，提出一種微粒群優化的變化檢測方法，通過應用模擬微粒群在搜索空間的飛行行為建立模型，從變化檢測訓練樣本中自動搜索得到變化規則，然后再應用搜索得到的變化規則實現變化信息的提取。

2 模型與方法

基于PSO算法實現兩個時相的遙感影像變化檢測的研究思路和技術流程主要包括以下幾個關鍵步驟：①分別進行兩個時相影像數據選擇和預處理；②遙感影像變化規則的訓練；③ 根據訓練獲得的變化規則，輸入兩個時相的遙感數據，針對逐條變化規則的判斷，實現變化信息的一次性提取。

2.1 變化規則表達形式的確定

變化規則是實現變化信息提取的基礎，本文采用的變化規則的表達形式表示為

規則表達式中的conditions部分表示為term1andterm2and…每個term是一個三元組合，該組合為｛attribute，operator，value｝，組合中的value是屬性值（attribute）域中的某個值，此處的attribute是指遙感影像的DN值。組合中operator表示一個關系操作符，可以為“＝”、“≥”、“≤”等。

規則表達式中的changeclass表示符合此變化規則的土地覆蓋的變化類別。如果在建立變化規則當中采用關系符“＝”時，則需要列舉每個波段的屬性值value來表達變化規則。但由于遙感數據屬于連續型數據，每個波段的屬性值都具有多樣性，因此通過這種枚舉式的方法建立變化規則是不現實的［11，13－14］。因此，根據在土地覆蓋變化類型確定時，參與變化檢測的遙感影像的各個波段的屬性值是處于1個區間范圍這一特征，本文選擇“≥”和“≤”為關系操作符。通過應用“≥”連接屬性區間的下限和“≤”連接屬性區間的上限來定義該波段屬性值的取值范圍，然后再結合變化類型，從而組成1條完整的變化規則。譬如，變化規則“if｛b1≥78.8andb4≤67.0andb5≤89.7｝then｛changeclass＝vegetation to urban｝”，則表示當遙感影像在滿足條件“波段1的屬性值≥78.8和波段4的屬性值≤67和波段5的屬性值≤89.7”時，變化類型為“植被變化為城鎮用地”。

2.2 變化規則建立的技術流程

應用PSO方法建立變化規則，是一個模擬微粒群體在多維空間搜索最優解的過程，而微粒群的搜索目標是組成變化規則的不同波段的屬性區間的最優上限和最優下限。變化規則的建立主要包括以下幾個關鍵步驟，如圖1所示。

第1步：輸入變化檢測訓練集。

第2步：初始化相關的參數，分別對微粒群數目、迭代次數、區間的上限初始位置和下限的初始位置、區間上限的飛行速度和區間下限的飛行速度初始值的初始化。

第3步：微粒群執行循環操作，每個微粒需要依據變化檢測的訓練數據集，針對每種土地覆蓋變化類型，在參與變化檢測的遙感影像中，計算每個波段的屬性區間的上限和下限的適應度，并根據適應度值的比較，從而求出每個波段的屬性區間上限和下限的個體極值和全局最優值。

第4步：更新微粒的位置和速度，將搜索到的每個波段的屬性區間的上限和下限的全局最優值，和關系連接符“≥”和“≤”連接后，組成變化規則后置入變化規則集中。經過多次迭代后，得到初始的變化規則集。

第5步：為了降低將所建立的變化規則進行變化信息提取的風險，對第4步得到的初始變化規則再按照適應度值的從高到低進行排序，形成有序的變化規則集。為了進一步降低規則集的復雜性，對排序后的初始變化規則集進行了剪枝處理，去除了不必要的條件和不必要的變化規則，使得在不降低變化檢測精度的同時，能夠獲得更加簡練的變化規則。

第6步：最終輸出變化檢測規則集。

圖1 微粒群優化算法的變化檢測規則建立的偽代碼Fig.1 The pseudo code of constructing change rules based on PSO

2.2.1 微粒的位置和速度向量的表達

在應用PSO方法進行遙感影像變化規則建立時，微粒表示的變量是組成變化規則的波段屬性區間的上限和下限，用微粒的位置來表達，微粒的飛行速度表示微粒群搜索過程中當前位置的變化率，根據群體最優值和個體最優值來決定。由于組成屬性區間的下限和上限是成對出現的，因此當不同時相的遙感影像組成的波段總數為m時，則微粒搜索空間為2m維。那么第i個微粒的位置向量可表示為［xli1xui1xli2xui2…xlimxuim］，第i個微粒的飛行速度向量可表達為［vli1vui1vli2vui2…vlimvuim］。 其 中，xli1表示第i個微粒在第1波段的下限取值；xui1表示第i個微粒在第1波段的上限取值；vli1表示第i個微粒在第1波段下限位置時的飛行速度；vui1表示第i個微粒在第1波段上限位置時的飛行速度。

2.2.2 微粒的位置和速度的初始值設置

為了提高微粒尋找下限和上限的效率，位置的初始值設置為［12］

式中，xlij、xuij分別指第i個微粒在第j個波段所選擇像元DN值的下限和上限，如果xlij大于xuij，則兩者相互交換；TSij表示i個微粒從訓練樣本中隨機抽取的第j波段的像元DN值；bandjmax表示第j波段像元的DN值的最大值；bandjmin表示第j波段的像元DN值的最小值。而且，將xuij的初始位置設置為處于TSij和TSij加上該屬性的取值范圍（bandjmax－bandjmin）之間的任意數，將xlij的初始位置設置為在區間范圍為處于TSij和TSij減去該屬性的取值范圍（bandjmax－bandjmin）之間的任意數。

微粒的初始速度設為

2.2.3 微粒的位置和速度的調整

在運用PSO方法進行變化規則建立的過程中，粒子在飛行過程中按照式（5）和式（6）進行速度的調整，按照式（7）和式（8）進行位置的調整［12－13］。

式中，i表示粒子數量；j表示組成變化檢測的遙感影像的波段數；t表示迭代次數；χ為收縮因子；c1、c2為加速度因子，是非負常數；φ1、φ2為介于0與1之間的隨機數；plij、puij是個體極值，分別表示第i個粒子搜索到的第j波段的區間最優上限和最優下限；glj、guj是全局極值，分別表示當代粒子群體搜索到的第j波段的區間的最優上限和最優下限。

2.2.4 適應度函數的建立

對于變化規則的評價可以用規則的適應度值來表示，適應度值能夠很好地表達變化規則的準確性和有效性，它是變化規則的質量評價和變化規則剪枝的依據。變化規則的適應度值由如下公式來計算［12－13］

式中，TruePos表示符合變化規則條件，并且與變化規則預測的變化類型相同的樣本總數；False－Pos表示符合變化規則條件，但與變化規則預測的變化類型不相同的樣本總數；FalseNeg表示不符合變化規則條件，但卻與變化規則預測的變化類型相同的樣本總數；TrueNeg表示符合變化規則條件，卻與變化規則預測的變化類型不相同的樣本總數。

2.2.5 規則的剪枝

變化規則的剪枝是按照變化規則的評價標準公式（即適應度函數），對建立好的變化規則進行剪枝處理，該處理過程參考文獻［14］，依次剪去變化規則中的各個條件后，再計算變化規則的適應度值，如果適應度值增加則刪除該條件。選擇能夠使得適應度值提高最多的條件組成變化規則，使得最終建立的變化規則盡可能簡單而有效。

3 變化檢測試驗與對比分析

3.1 試驗數據

本文以北京為試驗區進行了兩次試驗。在分別選擇2000年、2006年和2009年3個時相的美國陸地衛星影像作為試驗數據的基礎上，對試驗區2000—2006年和2006—2009年兩個時段進行了變化檢測試驗。其中，2000年的遙感影像為Landsat 5（2000－04－30），2006 年 的 遙 感 影 像 為Landsat 7（2006－09－06），2009 年 的 遙 感 影 像 為Landsat 5（2009－09－22），軌道號都為123／32，每個時相遙感數據都選擇了波段1、2、3、4、5、7，并選擇覆蓋城區范圍作為變化檢測的研究區域。以2006年的圖像作為參考圖像，采用圖像對圖像匹配的方法對2000年和2009年兩期圖像進行了幾何校正，糾正精度保持在0.5個像元以內；同時，通過建立輻射歸一化回歸方程，把2000年和2006年圖像歸一化到2009年的圖像上，實現輻射歸一化處理。

3.2 變化檢測訓練樣本的選取

在應用PSO進行遙感影像的變化信息一次性提取時，需要在變化信息樣本選取的同時考慮變化和無變化的類型。在選取訓練樣本和驗證樣本時，均采用實地調查和不同時相的高分辨率遙感數據對比兩種方式結合進行人機交互選擇訓練數據集和測試數據集。土地利用變化類型應用“A→B”的形式來表達，其中A為第1時相土地利用類型，B為第2時相土地利用類型。在綜合考慮2000—2006年、2006—2009年兩個時間段北京市的土地覆蓋轉換類型各種可能性的基礎上，分別對2000—2006年、2006—2009年的試驗區進行了土地覆蓋的變化類型的定義，并分別選取訓練數據集和測試數據，如表1、表2所示。

表1 遙感變化檢測訓練樣本數據（2000—2006年）Tab.1 The change detection training data（2000—2006）

表2 遙感變化檢測訓練樣本數據（2006—2009年）Tab.2 The change detection training data（2006—2009）

3.3 變化檢測結果與分析

應用PSO算法建立遙感影像信息的變化規則時，對PSO算法有關參數值進行了如下設置：微粒總個數N設為100；迭代次數tmax為200；最小誤差 MaxUncovPerClass為10；c1＝2.05；c2＝2.05；下限的最大速度為vmaxlj＝10；上限的最大速度為vmaxuj＝10。運用PSO算法建立變化規則的流程和根據上述參數的選擇，分別對研究區所選擇的2000—2006年、2006—2009年兩次試驗的變化檢測訓練樣本數據進行變化規則訓練，并建立試驗區的變化規則。在兩次試驗中，利用PSO方法均生成了33條變化規則，圖2列出了5條變化規則以作示例。根據建立的變化規則集，分別以合并的兩個時相遙感影像數據作為初始輸入數據，通過逐條變化規則的判斷，實現對研究區的2000—2006年、2006—2009年兩個時間段的土地覆蓋的變化信息提取。圖3為研究區應用PSO方法得到的變化檢測結果圖。

圖2 試驗區的部分變化規則（2006—2009年）Fig.2 Some change detection rules of study area from 2006to 2009

圖3 基于PSO方法的研究區遙感變化檢測結果圖（2006—2009）Fig.3 The change detection result map of study area based on PSO algorithm from 2006to 2009

為了定量化地說明應用PSO方法進行變化檢測的精度，分別應用兩次試驗選擇的驗證數據集對基于PSO方法的變化檢測方法進行了精度檢驗，分別獲得混淆矩陣，得到試驗區的2000—2006年的變化檢測總體精度為93.23%，Kappa系數為0.922 2，2006—2009年的變化檢測總體精度為93.66%，Kappa系數為0.927 6。本文選擇常用的決策樹 C4.5［15］，PART［16］和最大似然方法與PSO方法分別進行了對比分析。分別應用訓練數據集進行C4.5、PART和最大似然方法的變化檢測分類器的構建，并應用測試數據集對變化檢測的精度經行檢驗，得到各個方法的混淆矩陣，并從總體精度、Kappa系數、規則集復雜度等角度進行了對比分析，見表3。從對比結果可以看出，應用PSO方法能夠得到更高的檢測精度，Kappa系數均高于其他3種方法。同時從規則集的復雜度對比可以看出，兩次試驗應用PSO方法得到了33條規則，規則集均比C4.5和PART方法較簡單。從CPU消耗對比可以看出，應用PSO方法稍高于其他幾種方法。

表3 基于PSO與其他幾種方法的變化檢測結果對比分析Tab.3 The analysis of change detection results using PSO，C4.5，PART and Maximum Likelihood

在試驗1（2000—2006年）中，分別對不同方法的混淆矩陣進行分析，得出應用C4.5方法，對裸地→城鎮、城鎮→植被的檢測效果不理想，其中對裸地→城鎮的檢測中，和城鎮→城鎮、裸地→裸地的混淆明顯，對城鎮→植被的檢測中，和城鎮→城鎮、裸地→城鎮存在較多的混淆，因此精度較低。在應用PART方法對裸地→裸地和城鎮→植被的檢測精度也較低，顯著低于PSO方法。應用最大似然方法時，對城鎮→城鎮和城鎮→綠地存在明顯混淆，對植被→城鎮和植被→裸地存在一定程度的混淆，檢測精度低于PSO方法。

在試驗2（2006—2009年）中，分別對不同方法的混淆矩陣分析，得出應用C4.5方法時，對裸地→裸地、裸地→城鎮、水體→裸地這三類檢測精度不夠高，尤其是水體→裸地僅為42.1%。應用PART方法時對裸地→裸地、裸地→水體的檢測精度均約為70%，均低于PSO方法。應用最大似然方法進行變化檢測時，對裸地→城鎮分類與城鎮→城鎮存在混淆，植被→裸地與綠地→城鎮和城鎮→城鎮存在部分混淆，因此這兩類精度明顯低于PSO方法。

總之，應用PSO方法進行多時相遙感影像直接分類變化檢測時，雖然在計算消耗方面稍高于C4.5、PART、最大似然方法，但變化檢測的總體精度和Kappa系數都高于參與比較的這些方法，并且能夠得到比決策樹C4.5和PART更加簡單的規則，在容易混淆的變化檢測類別方面有著明顯的優勢。

4 結 論

本文將微粒群優化方法引入遙感影像變化檢測當中，構建了基于微粒群優化算法的遙感信息變化提取的總體框架和詳細的技術流程，并以北京地區為試驗區，采用了美國陸地衛星數據作為試驗數據，應用PSO方法即采用變化檢測訓練樣本自動建立變化規則，再運用建立好的變化規則直接提取出了土地覆蓋變化類型。從基于PSO方法與決策樹C4.5、PART、最大似然檢測等方法的遙感變化信息檢測結果的對比分析表明，應用PSO方法可以得到更簡單的變化規則和更高的變化檢測精度。

研究結果表明，當在對研究區進行深入調查并具有豐富先驗知識的前提下，采用本文提出的基于微粒群優化的變化檢測方法，往往比常規分類方法能夠得到較好的變化檢測結果。基于PSO方法的遙感變化檢測方法是一種基于規則的方法，是針對多時相遙感數據同時處理的難點和變化類型多樣化的復雜特點而被提出的。該方法能夠針對每種土地覆蓋變化類型分別采用不同的特征組合來建立變化規則，綜合考慮到了每種變化類型的多樣性和差異性，能夠得到理想的變化檢測結果。本文是將PSO方法探索性地引入到遙感信息變化檢測的領域，充分說明PSO方法在遙感信息提取方面的潛在優勢，在后續的研究工作中將進一步完善和提高PSO方法在遙感信息提取中的精度和計算效率。

［1］ ZHONG Jiaqiang，WANG Runsheng.Multitemporal Remote Sensing Image Change Detection Based on Adaptive Parameter Estimation［J］.Acta Geodaetica et Cartographica Sinica，2005，34（4）：331－336.（鐘家強，王潤生.基于自適應參數估計的多時相遙感圖像變化檢測［J］.測繪學報，2005，34（4）：331－336.）

［2］ CUI Weihong，SHI Wenzhong，LI Xiaojuan.Development of A Feature Based Saptial－temporal Data Model for Land Use Change Dynamic Monitoring［J］.Acta Geodaetica et Cartographica Sinica，2004，33（2）：138－144.（崔偉宏，史文中，李小娟.基于特征的時空數據模型研究及在土地利用變化動態監測中的應用［J］，測繪學報，2004，33（2）：138－144.

［3］ LU D，MAUSEL P E，BRONDIZIO E，et al.Change Detection Techniques［J］.International Journal of Remote Sensing，2004，25（12）：2365－2407.

［4］ HAME T，HEILER I，MIGUEL－AYANZ J S.An Unsupervised Change and Recognition System for Forestry［J］.International Journal of Remote Sensing，1998，19（6）：1079－1099.

［5］ SINGH A.Digital Change Detection Techniques Using Remotely－sensed Data［J］.International Journal of Remote Sensing，1989，10（6）：989－1003.

［6］ NEMMOUR H，CHIBANI Y.Fuzzy Neural Network Architecture for Change Detection in Remotely Sensed Imagery［J］.International Journal of Remote Sensing，2006，27（4）：705－717.

［7］ MA Jianwen，TIAN Guoliang，WANG Changyao，et al.Review of the Development of Remote Sensing Change Detection Technology［J］.Advance in Earth Science，2004，19（2）：192－196.（馬建文，田國良，王長耀，等.遙感變化檢測技術發展綜述［J］.地球科學進展，2004，19（2）：192－196.）

［8］ DAI X L，KHORRAM S.Remotely Sensed Change Detection Based on Artificial Neural Networks［J］.Photogrammetric Engineering ＆ Remote Sensing，1999，65（10）：1187－1194.

［9］ PENG Xiyuan，PENG Yu，DAI Yufeng.Swarm Intelligence Theory and Applications［J］.Acta Electronica Sinica，2003，31（12）：1983－1988.（彭喜元，彭宇，戴毓豐.群智能理論及應用［J］.電子學報，2003，31（12）：1983－1988.）

［10］ KENNEDY J.Particle Warm Optimizations［C］∥Proceedings of the 1995IEEE International Conference on Neural Networks.Piscataway.Perth：IEEE Service Center，1995：1942－1948.

［11］ LIU Xiaoping，LI Xia，PENG Xiaojuan，et al.Swarm Intelligence for Classification of Remote Sensing Data［J］.Science China：D，2007，37（10）：1401－1408.（劉小平，黎夏，彭曉鵑，等.一種基于生物群集智能優化的遙感分類方法［J］.中國科學：D輯：地球科學，2007，37（10）：1401－1408.）

［12］ HOLDEN N P，FREITAS A A.A Hybrid PSO／ACO Algorithm for Classification［C］∥Proceedings of the 2007 GECCO Conference Companion on Genetic and Evolutionary Computation.London：［s.n.］，2007：2745－2750.

［13］ BRATTON D，KENNEDY J.Defining a Standard for Particle Swarm Optimization［C］∥Proceedings of the 2007IEEE Swarm Intelligent Symposium.Honolulu：IEEE，2007：120－127.

［14］ PARPINELLI R S，LOPES H S，FREITAS A A.Data Mining with an Ant Colony Optimization Algorithm［J］.IEEE Transactions on Evolutionary Computation，2002，6（4）：321－332.

［15］ QUINLAN J R.C4.5：Programs for Machine Learning［M］.San Francisco：Morgan Kaufmann，1993.

［16］ FRANK E，WITTEN I H.Generating Accurate Rule Sets without Global Optimization［C］∥Fifteenth International Conference on Machine Learning.San Francisco：Morgan Kaufmann，1998：144－151.

［17］ DAI Qin，LIU Jianbo，LIU Shibin.Analysis of Remote Sensing Information Extraction Using Swarm Intelligence Method［J］.Computer Engineering and Applications，2011，47（4）：13－16.（戴芹，劉建波，劉士彬.群智能方法在遙感信息提取中的應用分析［J］.計算機工程與應用，2011，47（4）：13－16.）