基于局部互相關的遙感圖像變化檢測技術*

劉攀龍

(91404部隊　秦皇島　066000)

?

基于局部互相關的遙感圖像變化檢測技術*

劉攀龍

(91404部隊秦皇島066000)

摘要針對遙感圖像變化檢測的全局假設與實際不一致問題，論文提出了基于局部鄰域的互相關的遙感圖像變化檢測算法。該算法首先運用區域劃分的思想，以像素灰度級為單位，對圖像進行分組處理；其次以多時相遙感圖像的差值圖像為觀察場，以像素所屬類別為標號場，建立二者互相關的馬爾科夫隨機場算法；最后采用兩段式步驟，對算法進行迭代處理。實驗結果表明在遙感圖像變化檢測算法中，該方法具有較高的檢測精度。

關鍵詞多時相遙感圖像; 互相關馬爾科夫隨機場; 局部鄰域

Class NumberTP391

1引言

圖像變化檢測的目的是為了實現目標識別，而變化檢測的核心和關鍵是提取圖像的變化信息。隨著各種衛星遙感平臺和航空遙感平臺的不斷運用，基于遙感影像的圖像變化檢測技術研究成為圖像處理的重要研究方向之一[1～2]。近幾年，針對遙感圖像如何減少人工參與、提高無監督變化檢測的準確性的需求，引起了國內外各大高校和學者門的熱切關注，涌現了各種各樣算法[3]。根據遙感影像變化檢測原理，其工作流程主要包括數據獲取、預處理、變化檢測和精度評估等步驟，如圖1所示。

圖1　變化檢測處理流程

通過分析基于代數運算、基于變換、基于分類和基于空間結構四類變化檢測，研究發現基于影像代數運算的變化檢測算法的優點在于簡單、直接，但難以確定變化的類別，不能對變化信息進行更加具體的描述；基于影像變換的變化檢測算法可能造成遙感影像數據丟失；基于影像分類的方法可提供變化目標的類別，減弱了外界因素對圖像變化檢測的干擾，但其訓練樣本的精度直接影響分類結果的性能；基于影像空間結構特征的分析方法主要是針對人造目標的變化檢測的，其對于高分辨率影像變化檢測具有優勢，但該類方法對于如何篩選最有價值的圖像特征是亟需解決的難點。

本文從目標變化檢測的一般流程和常規方法入手，以多時相遙感圖像為處理對象，為提高目標檢測的效率和檢測精度，在分析常規算法-基于影像代數運算中的圖像差值法中的馬爾科夫隨機場算法(MRF)的基礎上，對算法進行了改進，提出了基于局部互相關的對海上艦船等目標的變化檢測算法。

2基于局部互相關馬爾科夫隨機場的變化檢測

近年來，馬爾科夫隨機場在遙感圖像的監督分類和變化檢測中得到了廣泛關注[4～6]，最大期望值(E-M)的檢測算法[7]、貝葉斯(Bayes)理論檢測算法和最大后驗概率(MAP)準則檢測算法[8]等收到了良好的檢測效果。

馬爾科夫隨機場是在圖像像素級別的基礎上，基于多時相圖像的差值圖像實現變化檢測的，該方法假設所處理的圖像中變化檢測的區域足夠大，但這一假設往往不符合客觀實際。因此，本文擬利用觀察場和編號場相關的MRF變化算法，也稱互相關馬爾科夫隨機場算法(CMRF)[9]，提出基于局部鄰域的互相關馬爾科夫隨機場算法。

2.1MRF基本理論

假設兩個不同時相的遙感圖像的大小為I×J，像素灰度級為Q，其差值圖像為S={s=(i,j);1≤i≤I,1≤j≤J}，則其可能存在一個灰度分布，記做X={Xs,s∈S}，以及一個對應的標記像素類別的標號分布，記做l={ls;ls∈w,w∈{wn,wc},s∈S}，其中標號集wc和wn分別表示兩時相下發生變化和沒有發生變化的類別標號。另令x表示實際得到的差值圖像，l表示對應的實際標號圖像，它們分別對應觀察場X和標號場L的一個實現。

根據概率最大化原則，有：

(1)

式中，P(L=l)是標號圖對應的先驗模型，P(X=x|L=l)是x像素灰度的聯合密度函數。

2.2基于局部鄰域的CMRF方法

對于以像素xs為中心的局部鄰域內的像素而言，其所在的區域可能屬于變化區域也可能是未變化區域，又根據MRF的性質，像素xs的特征只能由其鄰域內標號都為Ls的像素決定，故對像素xs的處理必須同時考慮其特征和標號，因此有如下表達式：

(2)

在上述模型中假設圖像服從Gibbs分布，則在以xs為中心，大小為Size×Size的局部鄰域中，將其領域內的像素分為兩類：wc和wn，并將與xs屬于類別l*的所以像素的灰度級組成一個集合Ws，則在Ws內，所有像素組成的子圖像就可假設符合MRF。

為降低算法時間復雜度，本文采用區域劃分的思想[10]，針對局部領域的大小進行最優求解。

現給定一個d維的數據區間R，將其第i維劃分成ni個小段，這些小段組成的區間記為Ri，那么該數據區間被笛卡爾集(R1,R2,…,Rq)劃分成n1×n2×…×nq個小單元。則每小段在各維上的對應位置所構成的d維向量就用來唯一標識某個單元。例如，區間M可劃分為(m1,m2,…,mq)，如圖2所示。

圖2　區域劃分示意圖

在區域劃分的基礎上，采用先整體后局部的計算方法，首先將圖像的差值圖像劃分成若干個矩形區域，并對這若干個矩形區域的像素進行求解，然后將每個矩形區域看成一個像素點，對整體圖像進行二次求解。

現假設圖像的二維差值圖像Ω被劃分成M組M×N個矩形區域，其中每組含有N(N=L/M)個像素灰度級，每個區域有N×N個像素點。另假設需要遍歷的像素點之和為Sum，則有：

=M2+N2

(3)

此外，符號場也假設為一個MRF，于是所有像素類別標號的聯合概率分布可用Gibbs分布表示：

(4)

其中，為Gibbs能量函數，是歸一化常數，T是系統溫度。再由Bayes理論，式(2)轉化為

(5)

為計算方便，本研究假設標號場的先驗概率服從Gibbs分布，能量函數為二階基團勢能之和，基于該假設，式(5)可表示為

(6)

3算法實現

所提出的基于局部鄰域CMRF模型算法實現分為兩大步驟：

·步驟一：

1)以不同時相的遙感圖像的差值圖像作為觀察場，計算N×N的局部鄰域內所有像素的初始特征值；

2)設最初標號場屬于wc和wn，并將像素分為兩組：初始化標號確定的像素組和標號待優化的像素組；

3)分別計算像素當前標號ls和置換標號ls′所對應的能量Uls和Uls′，并比較二者；

4)根據3)的比較結果，若Uls>Uls′，則以標號ls′代替ls，否則，新標號的確定按照如下公式計算：

(7)

其中，T(n)為n次循環時的溫度。

·步驟二：

1)按當前標號場重新估計觀察場像素特征；

2)計算比較能量Uls和Uls′；

3)根據2)的比較結果，將較小能量者所對應的標號作為新的標號；

4)重復以上步驟，直至收斂。

4實驗及分析

為了驗證算法的性能，本文從Google Earth(即采用3D定位技術來查看全球的航空亦或遙感衛星的高分辨率影像)隨機選取了20幅較有代表性的圖像，實驗參數參考文獻[9]中的數值，選取α=0.3。原始圖像及各個算法的檢測結果如圖3～圖6所示。

圖3　兩個時相的港口圖像(一)

圖4　檢測結果(一)

圖5　兩個時相的港口圖像(二)

圖6　檢測結果(二)

進一步，為對比算法的性能，首先將原始圖像采用人工標識的方法獲取其真實陸地部分，然后采用Matlab 7.6.0(R2008a)工具進行仿真，計算各個算法的海洋觀測部分的錯誤率和正確率，具體實驗數據如表1所示。

表1　實驗數據對比表

對比分析MRF檢測算法、SMRF檢測算法和CMRF檢測算法，結果表明CMRF模型的檢測精度較高。

5結語

本文在MRF算法的基礎上，提出了一種基于局部鄰域的互相關MRF算法。基于區域劃分的局部處理原則，一定程度上降低了算法的復雜度；同時基于觀察場和標號場的互相關MRF算法，提高了圖像變化的檢測精度。仿真實驗表明該算法能夠準確獲得變化檢測結果，為以后的工程應用提供了技術支持。

參 考 文 獻

[1] 鐘家強.基于多時相遙感圖像的變化檢測[D].長沙:國防科學技術大學,2005.

[2] Fung,W.Siu. Environmental quality and its change, An analysis using NDVI [J].INT.J.Remote Sensing,2000,21(5):339-55.

[3] Melgani F, Moser G. Unsupervised change-detection methods for remote-sensing images [J]. Opt.Eng,2002,41(12):3288-327.

[4] 申邵洪,譚德寶,梁東業.基于馬爾科夫隨機場的多時相SAR影像變化檢測研究[J].長江科學院院報,2010,27(1):32-34.

[5] Li S Z,Rao C R,Shanbhag D N. Modeling image analysis problems using Markov random field[J]. Stochastic Processes: Modeling and Stimulation,2000,20(5):1-43.

[6] 李杰.隱馬爾科夫模型的研究及其在圖像識別中的應用[D].北京:清華大學,2004.

[7] 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.

[8] Kasetkasem T, Varshney P K. An image change detection algorithm based on Markov random field models [J]. IEEE Transactions on Geoscience and Remote Sensing,2002,40(8):1815-1823.

[9] 袁琪,趙榮椿.一種改進的遙感圖像變化檢測算法[J].電子與信息學報,2008,30(11):2738-2740.

[10] WeiyaGuo, Xuezhi Xia, XiaofeiWang. Two-dimensional Otsu's thresholding segmentation method based on grid box filter [J]. Optik,2014,125(18):5236-5238.

收稿日期：2016年1月10日,修回日期：2016年2月26日

作者簡介：劉攀龍，男，高級工程師，研究方向：信息系統試驗。

DOI：中圖 號TP39110.3969/j.issn.1672-9730.2016.07.036

A Local Neighborhood Correlation Method to Change Detection Using Multitemporal Remote Sensing Images

LIU Panlong

(No.91404 Troops of PLA, Qinhuangdao066000)

AbstractTo solve the homogeneity between simple Markov Random Field (MRF) assumptions with its actual situation, in this paper a method to change detection based on local neighborhood correlation MRF is proposed.For this method, firstly, the regional division strategy is applied to process images based on pixel’s gray. Secondly, the difference image is taken as observation field, and the obtainedclasses is taken as labeling field, in which the Correlation Markov Field (CMRF) is built. At last, the two-stage iteration algorithm is used to solve the CMRF method. The experimental shows that this method has high detection accuracy.

Key Wordsmultitemporal remote sensing images, correlation markov field, local neighborhood