基于模糊綜合評(píng)判的遙感圖像變化檢測(cè)方法

摘 要： 在此提出一種基于模糊綜合評(píng)判的遙感圖像變化檢測(cè)方法。該方法首先對(duì)某一時(shí)相的遙感圖像進(jìn)行基于改進(jìn)的模糊C均值聚類(lèi)的圖像分割；其次對(duì)圖像分割結(jié)果進(jìn)行區(qū)域標(biāo)記和特征提取，根據(jù)特征約束條件檢測(cè)到感興趣的目標(biāo)區(qū)域，同時(shí)將感興趣的目標(biāo)區(qū)域映射到另一時(shí)相的遙感圖像；最后綜合考慮兩時(shí)相遙感圖像感興趣目標(biāo)區(qū)域的光譜統(tǒng)計(jì)特征和紋理特征，建立模糊綜合評(píng)判模型對(duì)目標(biāo)區(qū)域是否發(fā)生變化做出判決。

關(guān)鍵詞： 遙感圖像； 變化檢測(cè)； 模糊C均值聚類(lèi)； 模糊綜合評(píng)判

中圖分類(lèi)號(hào)： TN964?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2013）08?0112?05

隨著空間科學(xué)技術(shù)的迅猛發(fā)展，遙感圖像獲取技術(shù)也呈現(xiàn)出三多（多傳感器、多平臺(tái)、多角度）和三高（高空間分辨率、高光譜分辨率、高時(shí)間分辨率）的特點(diǎn)[1]。遙感衛(wèi)星獲取的圖像的空間分辨率從幾米提高到一米以下，時(shí)間分辨率也由幾十天提高到一天，從而每天都可以獲取海量的遙感圖像數(shù)據(jù)，實(shí)現(xiàn)了遙感數(shù)據(jù)長(zhǎng)周期積累。如何從這些遙感圖像中檢測(cè)出變化信息已成為遙感應(yīng)用領(lǐng)域中的一個(gè)重要研究方向，即遙感圖像變化檢測(cè)技術(shù)。它是指從不同時(shí)期的遙感圖像中，定量分析和確定地物變化的特征和過(guò)程的技術(shù)[2]。

1 遙感圖像變化檢測(cè)方法

遙感圖像變化檢測(cè)方法有很多，本文研究的主要是從多時(shí)相遙感圖像中發(fā)現(xiàn)變化，因此從圖像處理抽象等級(jí)的角度將遙感圖像變化檢測(cè)方法分為像素級(jí)、特征級(jí)和目標(biāo)級(jí)3個(gè)類(lèi)別[3]。隨著遙感圖像空間分辨率的提高，反映在遙感圖像上的地物的幾何和結(jié)構(gòu)信息更加細(xì)膩，變化檢測(cè)也逐漸向小尺度發(fā)展。傳統(tǒng)的像素級(jí)變化檢測(cè)方法不適用于高分辨率遙感圖像，目標(biāo)級(jí)變化檢測(cè)逐漸成為研究的熱點(diǎn)[4]。目標(biāo)級(jí)變化檢測(cè)的最主要的特點(diǎn)是將圖像看成多個(gè)具有語(yǔ)義信息的對(duì)象的組合，然后將這些對(duì)象作為變化檢測(cè)的基本處理單元[5]。而像素級(jí)變化檢測(cè)是將圖像中的每個(gè)像素作為變化檢測(cè)基本處理單元。實(shí)際上，人類(lèi)視覺(jué)系統(tǒng)在觀察兩幅圖像之間的變化時(shí)，也不是逐個(gè)像素進(jìn)行比較，而是先把整幅圖像分成一個(gè)個(gè)對(duì)象再加以比較。因此，從生理學(xué)的角度來(lái)講，目標(biāo)級(jí)的方法也更適合變化檢測(cè)[6]。目標(biāo)級(jí)變化檢測(cè)通過(guò)提取這些對(duì)象的光譜統(tǒng)計(jì)特征、紋理特征和其他特征進(jìn)行變化判決。然而如何選擇與組合對(duì)象的各種特征進(jìn)行變化判決是目標(biāo)級(jí)變化檢測(cè)的一個(gè)難點(diǎn)。針對(duì)這個(gè)問(wèn)題本章提出一種基于模糊綜合評(píng)判的遙感圖像變化檢測(cè)方法。

該方法的基本流程如圖1所示。基于模糊綜合評(píng)判的遙感圖像變化檢測(cè)方法大致可以分為3個(gè)步驟：

（1）以某一時(shí)相遙感圖像為基準(zhǔn)進(jìn)行圖像分割得到若干個(gè)同質(zhì)區(qū)域，對(duì)這些區(qū)域進(jìn)行區(qū)域標(biāo)記和特征提取；根據(jù)特征約束條件檢測(cè)到感興趣的目標(biāo)區(qū)域，同時(shí)將感興趣的目標(biāo)區(qū)域映射到另一時(shí)相的遙感圖像；綜合考慮兩時(shí)相遙感圖像感興趣目標(biāo)區(qū)域的光譜統(tǒng)計(jì)特征和紋理特征，建立模糊綜合評(píng)判模型對(duì)目標(biāo)區(qū)域是否發(fā)生變化做出綜合判決，得到變化檢測(cè)結(jié)果1。

（2）采用同樣的方法以另一時(shí)相的遙感圖像為基準(zhǔn)進(jìn)行變化檢測(cè)，得到變化檢測(cè)結(jié)果2。

（3）將兩個(gè)檢測(cè)結(jié)果進(jìn)行疊加得到最終的變化檢測(cè)結(jié)果。

基于模糊綜合評(píng)判的遙感圖像變化檢測(cè)主要涉及到圖像分割、區(qū)域標(biāo)記、特征提取和模糊綜合評(píng)判模型的建立等4個(gè)關(guān)鍵技術(shù)，下面詳細(xì)論述這4項(xiàng)關(guān)鍵技術(shù)。

1.1 圖像分割

圖像分割就是將圖像中所有的像素按照某個(gè)準(zhǔn)則分成不重疊的、相似的區(qū)域，它是圖像分析、理解和模式識(shí)別的一個(gè)關(guān)鍵步驟，也是本文進(jìn)行遙感圖像變化檢測(cè)的一個(gè)重要環(huán)節(jié)，分割的準(zhǔn)確性直接影響后續(xù)任務(wù)的有效性，因此圖像分割具有十分重要的意義。本文采用基于模糊C均值聚類(lèi)的圖像分割。基于模糊C均值聚類(lèi)的圖像分割就是將圖像中屬性相一致的像素進(jìn)行模糊聚類(lèi)后對(duì)每類(lèi)像素進(jìn)行標(biāo)定，從而實(shí)現(xiàn)圖像分割。把圖像中的像素點(diǎn)看成數(shù)據(jù)集的樣本點(diǎn)，像素點(diǎn)的特征（對(duì)于灰度圖像來(lái)說(shuō)即為灰度值）看成樣本點(diǎn)的特征，則圖像的分割問(wèn)題轉(zhuǎn)化為模糊聚類(lèi)分析問(wèn)題。具體步驟如下：

第1步：將圖像矩陣[FM×N=[f（i，j）]M×N]行化，設(shè)[n=M×N]為像素點(diǎn)的個(gè)數(shù)，聚類(lèi)類(lèi)別數(shù)為[c（2≤c≤n）]，權(quán)重系數(shù)為[m（m>1）]，迭代終止閾值[ε=0.01]，初始化聚類(lèi)原型模式[V（0）]；

第2步：利用公式（1）計(jì)算或更新分類(lèi)矩陣[U*]；

[u（r）ij=1l=1cxj-vixj-vl2m-1， i≤c， j≤n] （1）

第3步：利用式（2）更新聚類(lèi)中心[vi]；

[v（r+1）i=k=1n（uik）mxkk=1n（uik）m， i≤c] （2）

第4步：如果[v（r+1）i-v（r）i<ε]，則[U*]和[V]即為所求，否則轉(zhuǎn)到第2步，繼續(xù)進(jìn)行迭代處理；

第5步：去模糊化。圖像分割的最終目的是把圖像分割成不重疊的、相似的區(qū)域，因此，采用最大隸屬度準(zhǔn)則將像素點(diǎn)劃入到它所屬的類(lèi)別。

1.2 區(qū)域標(biāo)記

圖像經(jīng)過(guò)分割后一般得到多個(gè)目標(biāo)區(qū)域，每一個(gè)目標(biāo)區(qū)域內(nèi)部都具有連通性，需要通過(guò)標(biāo)記的方法把它們區(qū)分出來(lái)。其中通過(guò)檢查各像素與其相鄰像素的連通性進(jìn)行標(biāo)記是一種簡(jiǎn)單而最有效的方法。連通區(qū)域的標(biāo)記是給每個(gè)區(qū)域標(biāo)記一個(gè)唯一的標(biāo)號(hào)，這樣就能從背景中將連通區(qū)域區(qū)分出來(lái)，從而為區(qū)域特征提取提供基礎(chǔ)。基于模糊C均值聚類(lèi)的圖像分割是將圖像按照灰度等級(jí)分成C大類(lèi)。對(duì)模糊C均值聚類(lèi)得到的圖像分割結(jié)果進(jìn)行標(biāo)記，需要對(duì)每一類(lèi)單獨(dú)進(jìn)行標(biāo)記，我們將圖像中屬于需要標(biāo)記的類(lèi)的所有像素值設(shè)為1，屬于其他幾類(lèi)的所有像素值設(shè)為0，然后對(duì)其進(jìn)行八連通區(qū)域標(biāo)記。具體步驟如下：

（1）對(duì)圖像進(jìn)行從左到右，從上往下逐個(gè)像素的掃描。當(dāng)掃描到?jīng)]有添加標(biāo)記的像素值為1的像素[P]時(shí)，為[P]添加一個(gè)的標(biāo)記[R]，并記錄下[P]點(diǎn)坐標(biāo)。

（2）判斷與[P]相鄰的上、下、左、右、左上、右上、左下、右下8個(gè)像素的像素值是否為1。若為1，則與[P]添加相同的標(biāo)記[R]，并記錄其坐標(biāo)。

（3）依照步驟2的方法，直到所有具有八連通性的像素值為1的像素都添加相同的標(biāo)記的時(shí)候轉(zhuǎn)到下一步。記錄下連通像素的個(gè)數(shù)，即為連通區(qū)域的面積。

（4）返回步驟（1），繼續(xù)掃描圖像，查找新的沒(méi)有標(biāo)記的像素值為1的像素，并且標(biāo)記[R]加1。

（5）當(dāng)圖像中像素值為1的所有像素都有標(biāo)記時(shí)，標(biāo)記結(jié)束。

1.3 特征提取

分割后的圖像經(jīng)過(guò)區(qū)域標(biāo)記即可提取對(duì)應(yīng)標(biāo)記區(qū)域的特征。特征提取是在給定的候選特征集合中，挑選出一個(gè)子集，能夠使在特定的分類(lèi)系統(tǒng)下分類(lèi)效果最好。這一過(guò)程一方面能夠通過(guò)減小特征維數(shù)的收集過(guò)程從而減小分類(lèi)的代價(jià)；另一方面可以為有限的樣本數(shù)目提供較好的分類(lèi)精度[7]。本文提取特征的目的有2個(gè)：一是利用特征檢測(cè)感興趣的目標(biāo)區(qū)域；二是利用特征進(jìn)行變化判決。因此本節(jié)將特征分為用于目標(biāo)檢測(cè)的特征和用于變化判決的特征2大類(lèi)。

1.3.1 用于目標(biāo)檢測(cè)的特征

本文所研究的特定軍事目標(biāo)在全色波段高分辨率遙感圖像上具有規(guī)則的幾何外形和清晰的邊界，目標(biāo)表面色調(diào)分布比較均勻且往往呈亮色。本文所采用的基于模糊C均值聚類(lèi)的圖像分割方法是根據(jù)圖像的灰度等級(jí)進(jìn)行的分類(lèi)，特定軍事目標(biāo)往往被分在灰度等級(jí)最大的那一類(lèi)。因此只需要對(duì)圖像分割后灰度等級(jí)最大的那一類(lèi)進(jìn)行區(qū)域標(biāo)記和特征提取，然后檢測(cè)感興趣的目標(biāo)區(qū)域。本文提取面積、周長(zhǎng)和形狀指數(shù)三個(gè)特征用于感興趣目標(biāo)的檢測(cè)。

（1）面積S。面積是目標(biāo)的一個(gè)基本特征，它描述目標(biāo)的大小。大小特征是圖像判讀學(xué)中的6大識(shí)別特征之一，對(duì)判讀有著重要的作用，是確定目標(biāo)類(lèi)型和判明目標(biāo)性質(zhì)的重要依據(jù)之一。目標(biāo)的大小不同，通常反映了它們性質(zhì)上的差異。因此將面積特征作為檢測(cè)感興趣目標(biāo)的一個(gè)重要依據(jù)。對(duì)目標(biāo)R來(lái)說(shuō)，設(shè)一個(gè)像素的邊長(zhǎng)為單位長(zhǎng)，則其面積S的計(jì)算公式如下：

[S=（x，y）∈R1] （3）

式（3）是對(duì)屬于目標(biāo)區(qū)域的像素進(jìn)行計(jì)數(shù)，雖然也可用其他方法來(lái)計(jì)算目標(biāo)面積，但是利用像素計(jì)數(shù)的方法求目標(biāo)面積是最簡(jiǎn)單也是最有效的。

（2）周長(zhǎng)L。周長(zhǎng)是目標(biāo)區(qū)域的一個(gè)重要屬性信息。它是指目標(biāo)輪廓線(xiàn)上像素間的距離之和。像素間距離分為并列與傾斜兩種情況，并列像素間的距離是一個(gè)像素，傾斜方向像素間的距離是[2]個(gè)像素。為計(jì)算方便，可將傾斜方向的距離也認(rèn)為是一個(gè)像素。因此目標(biāo)周長(zhǎng)測(cè)量即為目標(biāo)輪廓線(xiàn)上的像素個(gè)數(shù)的統(tǒng)計(jì)。通過(guò)對(duì)目標(biāo)區(qū)域進(jìn)行輪廓跟蹤即可求出周長(zhǎng)L。

（3）形狀指數(shù)M。形狀指數(shù)是基于面積和周長(zhǎng)來(lái)計(jì)算目標(biāo)的形狀復(fù)雜程度的特征量。公式如下：

[M=L2πS] （4）

形狀指數(shù)是通過(guò)實(shí)現(xiàn)正方形標(biāo)準(zhǔn)化從而糾正了周長(zhǎng)/面積比對(duì)斑塊大小敏感的問(wèn)題，因而是描述形狀復(fù)雜程度的一個(gè)簡(jiǎn)單直接的指標(biāo)。當(dāng)M=1時(shí)表明目標(biāo)區(qū)域的緊致性達(dá)到最大即目標(biāo)區(qū)域的形狀為正方形或接近正方形。

1.3.2 用于變化判決的特征

描述目標(biāo)區(qū)域的特征雖然很多，但并不是所有的特征都適合于獲得最佳的變化檢測(cè)結(jié)果[8]，如何選取最優(yōu)的特征用于目標(biāo)級(jí)的變化檢測(cè)是很多學(xué)者研究的熱點(diǎn)問(wèn)題。其中文獻(xiàn)[9]選用的是均值和熵特征，文獻(xiàn)[10]選用的是均值、熵和形狀指數(shù)特征，文獻(xiàn)[11]選取的是標(biāo)準(zhǔn)差和熵特征。綜合以上研究成果，本文選取均值、標(biāo)準(zhǔn)差和熵3個(gè)特征作為變化檢測(cè)的最優(yōu)特征。

（1）均值。均值用來(lái)表示每個(gè)目標(biāo)區(qū)域所有像素亮度的算術(shù)平均值，公式如下：

[C=1ni=1nCi] （5）

當(dāng)遙感圖像上軍事目標(biāo)區(qū)域發(fā)生新建、改變、轉(zhuǎn)移和遭受打擊等變化時(shí)必然伴隨著均值特征的改變，因此將均值特征作為目標(biāo)是否發(fā)生變化的重要判據(jù)。

（2）標(biāo)準(zhǔn)差。標(biāo)準(zhǔn)差用來(lái)表示每個(gè)目標(biāo)區(qū)域所有像素亮度的集散情況。標(biāo)準(zhǔn)差越小表明目標(biāo)區(qū)域所有像素的亮度值越接近一個(gè)中心值即目標(biāo)區(qū)域色調(diào)分布比較均勻。公式如下：

[σ=1n-1i=1n（Ci-C）2] （6）

其中式（3）和式（4）的[Ci]表示目標(biāo)區(qū)域的像素值，[n]表示目標(biāo)區(qū)域的像素個(gè)數(shù)。

（3）熵。熵是Shannon在其信息論中提出的一個(gè)描述不確定性的概念，它也可用來(lái)描述圖像的不確定性，是圖像的一個(gè)重要紋理特征。公式如下：

[E=-i=0L-1p（xi）log2 p（xi）] （7）

式中：[xi]表示[L]級(jí)灰度圖像的第[i]個(gè)灰度值；[p（xi）]為圖像第[i]個(gè)灰度所占比例，且[i=1Lp（xi）=1]。

1.4 模糊綜合評(píng)判模型

圖像分割、區(qū)域標(biāo)記和特征提取是基于模糊綜合評(píng)判的變化檢測(cè)方法的基本前提，對(duì)兩時(shí)相遙感圖像上感興趣目標(biāo)區(qū)域是否發(fā)生變化做出判決則是變化檢測(cè)的關(guān)鍵。確定變化與否本質(zhì)上是一類(lèi)模式分類(lèi)問(wèn)題。模式分類(lèi)可分為監(jiān)督分類(lèi)和非監(jiān)督分類(lèi)。兩者最大的區(qū)別是監(jiān)督分類(lèi)需要從訓(xùn)練樣本中獲得先驗(yàn)知識(shí)來(lái)確定分類(lèi)器中的一些參數(shù)，而非監(jiān)督分類(lèi)是在沒(méi)有先驗(yàn)知識(shí)的條件下進(jìn)行的分類(lèi)。本文通過(guò)建立模糊綜合評(píng)判模型來(lái)確定兩時(shí)相遙感圖像上感興趣目標(biāo)區(qū)域是否發(fā)生變化。模糊綜合評(píng)判模型中涉及到的參數(shù)需要從訓(xùn)練樣本中得到，因此本文的方法屬于監(jiān)督分類(lèi)。

本文選取了10組兩時(shí)相全色波段高分辨率遙感圖像作為訓(xùn)練樣本，遙感圖像來(lái)自互聯(lián)網(wǎng)Google數(shù)字地球提供的多時(shí)相遙感數(shù)據(jù)。這些遙感圖像都經(jīng)過(guò)嚴(yán)格的圖像配準(zhǔn)和輻射校正，圖像中的主要變化是本文研究的特定軍事目標(biāo)的變化，如油庫(kù)、飛機(jī)和軍事區(qū)域建筑物的變化等，且能通過(guò)本文基于模糊C均值聚類(lèi)的圖像分割算法完整的將這些特定目標(biāo)分割出來(lái)。

構(gòu)建模糊綜合評(píng)判模型步驟如下：

（1）建立評(píng)判集：[V={v1，v2}]。其中[v1]表示目標(biāo)區(qū)域發(fā)生變化，[v2]表示目標(biāo)區(qū)域未發(fā)生變化。

（2）建立目標(biāo)是否發(fā)生變化的因素集：[U={u1，u2，u3}。]其中[u1=|C1-C2|]，[u2=|σ1-σ2|]，[u3=|E1-E2|]，[u1，u2，u3]分別表示兩時(shí)相遙感圖像相同目標(biāo)區(qū)域的均值特征、標(biāo)準(zhǔn)差特征和熵特征的歐式距離。由于均值、標(biāo)準(zhǔn)差和熵從不同側(cè)面反應(yīng)了目標(biāo)區(qū)域的特征屬性，綜合考慮[u1，u2，u3]來(lái)判斷目標(biāo)是否發(fā)生變化，可以避免單個(gè)因素進(jìn)行判斷所造成的誤檢或漏檢。

（3）確定隸屬度函數(shù)。當(dāng)建立好因素集和評(píng)判集時(shí)，需要為每一個(gè)因素選擇合適的隸屬度函數(shù)作為其在評(píng)判集上屬于某一類(lèi)的度量。通過(guò)分析可知，因素集表達(dá)式的主要特點(diǎn)是當(dāng)[u]越大時(shí)，隸屬于發(fā)生變化的可能性越大，因素集的數(shù)值與評(píng)判集的元素[v1]成正比關(guān)系，因此在這里選擇偏大型的S型隸屬度函數(shù)作為單個(gè)因素發(fā)生變化的可能性度量，其公式參見(jiàn)公式（8）。

[μ（x）=0， x≤a2x-ac-a2， ac] （8）

式（8）涉及到3個(gè)參數(shù)[a]，[b]，[c]，其中[b=（a+c）2]。在本文中參數(shù)的物理意義是：當(dāng)兩時(shí)相對(duì)應(yīng)目標(biāo)區(qū)域特征的歐式距離小于參數(shù)[a]時(shí)，目標(biāo)發(fā)生變化的隸屬度為0，即目標(biāo)完全沒(méi)有發(fā)生變化；當(dāng)歐式距離大于[a]而小于[c]時(shí)，目標(biāo)發(fā)生變化的隸屬度在0～1之間；當(dāng)歐式距離大于[c]時(shí)目標(biāo)發(fā)生變化的隸屬度為1，即目標(biāo)肯定發(fā)生了變化。理想條件下，當(dāng)目標(biāo)完全沒(méi)有發(fā)生變化時(shí)，3個(gè)特征的歐式距離為0，在這里將3個(gè)因素的隸屬度函數(shù)中的參數(shù)[a]都設(shè)為0。參數(shù)[b]和[c]通過(guò)訓(xùn)練樣本中的實(shí)驗(yàn)數(shù)據(jù)確定。從10組訓(xùn)練樣本中，各分割出一組發(fā)生變化的目標(biāo)區(qū)域，提取它們的均值特征、標(biāo)準(zhǔn)差特征和熵特征，特征的歐式距離分別用[u1，u2，u3]來(lái)表示，數(shù)據(jù)如表1所示。

表1 發(fā)生變化的目標(biāo)區(qū)域特征的歐式距離統(tǒng)計(jì)

由于本文評(píng)判集中只有2個(gè)元素[v1]和[v2]，當(dāng)元素[v1]的隸屬度大于0.5就可以判定目標(biāo)發(fā)生了變化。表1中的數(shù)據(jù)是從通過(guò)人的經(jīng)驗(yàn)判定發(fā)生變化的10組目標(biāo)區(qū)域中提取的，數(shù)據(jù)反映的是發(fā)生變化后3個(gè)特征的歐式距離的分布情況，數(shù)據(jù)大小只能說(shuō)明它們變化的程度不同，但前提是它們都發(fā)生了變化。因此將表1每行數(shù)據(jù)中的最小值帶入對(duì)應(yīng)的隸屬度函數(shù)得到的屬于變化的隸屬度都應(yīng)該大于0.5。選取每行數(shù)據(jù)的最小值作為對(duì)應(yīng)隸屬度函數(shù)的參數(shù)[b]就可以滿(mǎn)足條件。為便于計(jì)算在此對(duì)其進(jìn)行取整處理，得到[b1=25]，[b2=10]，[b3=1]。已知a=0，[b=（a+c）2]，則[c=2b]從而得到[c1=50，][c2=20，][c3=2]。因素集元素[u1，u2，u3]的隸屬度函數(shù)如圖2所示。

（4）進(jìn)行單因素模糊評(píng)判。為了驗(yàn)證單個(gè)因素模糊評(píng)判的變化檢測(cè)效果，按照本文的基于模糊綜合評(píng)判的變化檢測(cè)流程，對(duì)10組訓(xùn)練樣本進(jìn)行了單因素模糊評(píng)判的變化檢測(cè)。將單因素模糊評(píng)判變化檢測(cè)正確的結(jié)果與人工目視判讀得到的變化檢測(cè)結(jié)果進(jìn)行對(duì)比，采用變化誤差矩陣的方法進(jìn)行精度評(píng)估得到單因素模糊評(píng)判變化檢測(cè)正確率，如表2所示。

表2 單因素模糊評(píng)判的變化檢測(cè)正確率 %

（5）確定各因素的權(quán)重集[W={w1，w2，w3}]。本文采用定量的數(shù)據(jù)統(tǒng)計(jì)的方法確定權(quán)重，其中數(shù)據(jù)采用表2中的單因素模糊評(píng)判的變化檢測(cè)正確率。按照如下公式計(jì)算各個(gè)因素的權(quán)重：

[wm=i=110umii=110u1i+i=110u2i+i=110u3i， m∈{1，2，3}] （9）

通過(guò)式（9）計(jì)算得到權(quán)重集：

[w={w1=0.5，w2=0.2，w3=0.3}]

（6）進(jìn)行模糊綜合評(píng)判。根據(jù)因素集、隸屬度函數(shù)和權(quán)重集進(jìn)行目標(biāo)是否發(fā)生變化的模糊綜合評(píng)判。公式如下：

[V1=W°R（U）=（w1，w2，w3）°（R（u1），R（u2），R（u3））T] （10）[V2=1-（w1，w2，w3）°（R（u1），R（u2），R（u3））T] （11）

根據(jù)最大隸屬度準(zhǔn)則，當(dāng)V1

從表3中可以得出，模糊綜合評(píng)判的變化檢測(cè)降低了單個(gè)因素進(jìn)行判斷所造成的誤檢或漏檢現(xiàn)象。因此它的變化檢測(cè)正確率高于單個(gè)因素的變化檢測(cè)正確率。

1.5 實(shí)驗(yàn)結(jié)果與分析

圖3是經(jīng)過(guò)輻射校正和圖像配準(zhǔn)之后大小為700×400的伊朗某核工廠的兩時(shí)相遙感圖像，圖像主要由建筑物和自然地物組成，其中建筑物數(shù)量和自然地物都發(fā)生了變化。在此感興趣的是建筑物的變化。

首先對(duì)變化后的遙感圖像進(jìn)行基于模糊C均值聚類(lèi)的圖像分割，實(shí)驗(yàn)結(jié)果表明聚類(lèi)數(shù)設(shè)為7時(shí)分割效果最好，分割結(jié)果如圖4（a）所示；然后對(duì)圖像4（a）最亮的那一類(lèi)進(jìn)行區(qū)域標(biāo)記和特征提取，按照特征約束條件

[S∈（200，2 300），L∈（50，300）， M∈（0.7，1.1）]

檢測(cè)到圖像中的所有建筑物目標(biāo)，如圖4（b）所示。將圖4（b）的檢測(cè)結(jié)果映射到變化前和變化后的遙感圖像上，分別提取對(duì)應(yīng)目標(biāo)區(qū)域的均值、標(biāo)準(zhǔn)差和熵特征，計(jì)算出它們的歐式距離。按照模糊綜合評(píng)判模型進(jìn)行變化判決，得到的變化檢測(cè)結(jié)果如圖5（a）所示。圖5（b）為采用基于最小錯(cuò)誤率的貝葉斯決策確定閾值的差值法得到的變化檢測(cè)結(jié)果。圖中白色表示發(fā)生變化的區(qū)域。從變化檢測(cè)結(jié)果的對(duì)比上可以看出，差值法受到自然地物變化和建筑物陰影的影響比較大，造成了大量的虛警。本文方法對(duì)感興趣的建筑物的變化正確檢測(cè)率較高。

2 結(jié) 語(yǔ)

本文提出一種基于模糊綜合評(píng)判的遙感圖像變化檢測(cè)方法。首先對(duì)基于模糊綜合評(píng)判的變化檢測(cè)的基本流程進(jìn)行了介紹，其次對(duì)區(qū)域標(biāo)記和特征提取進(jìn)行了闡述，然后重點(diǎn)討論了模糊綜合評(píng)判模型的構(gòu)建方法和步驟，最后用一組實(shí)驗(yàn)對(duì)基于模糊綜合評(píng)判變化檢測(cè)方法的進(jìn)行了檢驗(yàn)，并與基于最小錯(cuò)誤率貝葉斯決策確定閾值的差值法進(jìn)行了對(duì)比。實(shí)驗(yàn)結(jié)果表明本文方法更適合特定軍事目標(biāo)的變化檢測(cè)。

參考文獻(xiàn)

[1] 李德仁.利用遙感影像進(jìn)行變化檢測(cè)[J].武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2003（28）：7?11.

[2] 鐘家強(qiáng).基于多時(shí)相遙感圖像的變化檢測(cè)[D].長(zhǎng)沙：國(guó)防科技大學(xué)，2005.

[3] HALL Ola， HAY Geoffrey J. A multiscale object?specific approach to digital change detection [J]. International Journal of Applied Earth Observation and Geoinformation， 2003， 4： 311?327.

[4] HUO Chun?lei， ZHOU Zhi?xin， LU Han?qing. Fast object?level change detection for VHR images [J]. IEEE Geoscience and Remote Sensing Letters， 2010， 7（1）： 118?122.

[5] NIEMEYER Irmgard， NUSSBAUM Sven， CANTY M J. Automation of change detection procedures for nuclear safeguards?related monitoring purposes [C]// 2005IEEE International Geoscience and Remote Sensing Symposium. [S.l.]： IEEE， 2005， 3： 2133?2136.

[6] 霍春雷，程健，盧漢清，等.基于多尺度融合的對(duì)象級(jí)變化檢測(cè)新方法[J].自動(dòng)化學(xué)報(bào)，2008，34（3）：251?257.

[7] 崔林麗.遙感影像解譯特征的綜合分析與評(píng)價(jià)[D].北京：中國(guó)科學(xué)院遙感應(yīng)用研究所，2005.

[8] NUSSBAUM S， NIEMEYER I， CANTY M J. Feature recognition in the context of automated object?oriented analysis of remote sensing data monitoring the iranian nuclear sites [J]. Electro?Optical Remote Sensing， 2005， 5988（5）： 1?9.

[9] BRUZZONE L， FERNANDEZ D. An adaptive parcel?based technique for unsupervised change detection [J]. International Journal of Remote Sensing， 2000， 21（4）： 817?822.

[10] WANG Wen?jie ， ZHAO Zhong?ming， ZHU Hai?qing. Object?oriented change detection method based on multi?scale and multi?feature fusion [C]// IEEE Joint Urban Remote Sensing Event. Shanghai， China： IEEE， 2009： 1?5.

[11] BOVOL Francesca. A multilevel parcel?based approach to change detection in very high resolution multitemporal images [J]. IEEE Geoscience and Remote Sensing Letters， 2009， 6（1）： 33?37.