一種新的遙感影像變化檢測算法

余銀峰 祝美玲 張 麗

1(新疆大學信息科學與工程學院 新疆 烏魯木齊 830046)2(烏魯木齊市第59中學 新疆 烏魯木齊 830000)3(巴州外事僑務辦公室 新疆 巴音郭楞 841000)

0 引 言

關于非下采樣剪切波變換(Nonsubsampled Shearlet Transform，NSST)和自適應脈沖耦合神經網絡(Adaptive Pulse Coupled Neural Network，APCNN)的研究、應用很多。例如：基于NSST的圖像去噪[1]；基于NSST的邊緣檢測[2]；基于NSST域的影像增強[3-5]；基于NSST的圖像融合[6-9]；基于APCNN的圖像融合[10]；基于APCNN的圖像分割[11]；基于NSST和APCNN的圖像融合[12-15]?；贜SST和APCNN的圖像變化高效檢測的研究和應用尚未發現。

本文首次設計了一種基于NSST和APCNN的無監督類型的不同時相的遙感圖像像素級別變化高效檢測新算法。比較本文算法與文獻[16]、文獻[17]和文獻[18]算法，兩組實驗結果表明：本文算法具有更強的抗噪能力、更高的檢測精度和更低的時間成本。

1 算法設計與實現

本文首次將NSST與APCNN結合在一起解決遙感圖的變化有效檢測問題。算法的流程圖如圖1所示。運用自適應脈沖耦合神經網絡對每個像素所對應的鄰域信息進行兩類分類，最終獲得變化區域的結果圖。

圖1 算法流程圖

新算法實現細節的詳細描述如下：

1) 鄰域均值化處理。對于一幅大小為H×W的輸入圖像I，點像素(i,j)的鄰域信息通過以下公式來求得：

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是鄰域大小參數，N是點像素(i,j)的鄰域，X(i,j)是點像素(i,j)的鄰域信息，X是輸入圖像I經過鄰域均值化處理的結果圖像。

2) 根據兩幅不同時相輸入圖像獲得對數比圖像。

(7)

式中:X1、X2分別是不同時相的輸入圖像I1、I2經過鄰域均值化處理的結果圖像。Y是X1、X2的對數比圖像。

3) 將對數比圖像進行NSST，得到多尺度和多方向的系數。

C0=NSST_DEC(Y)

(8)

4) 對多尺度和多方向的系數進行濾波處理。

C1=Coeffs_denoise(C0)

(9)

首先進行全局濾波。將所有尺度、所有方向的系數中按絕對值大小從大到小排列，將排在最后的10%的相對較小的系數設置為0。

σ=estimate(C1)

(10)

C2=NSST_HT(C1,σ)

(11)

然后進行每個方向、每個尺度的局部濾波。按照式(10)用所有方向、所有尺度的系數進行噪聲估計。根據式(11)將每個尺度、每個方向的系數分別采用硬閾值去噪。

5) 對濾波后的系數進行非下采樣Shearlet逆變換。

Z=NSST_REC(C2)

(12)

6) 用自適應脈沖耦合神經網絡對非下采樣Shearlet逆變換結果進行2類分類，從而得到最終的變化有效檢測結果圖。

CM=APCNN(Z)

(13)

2 實 驗

2.1 實驗數據

為了比較與測試算法性能，用兩組遙感圖片進行對比實驗。圖2(a)和圖2(b)的圖片組分別是1997年5月和1997年8月航拍的，地點是渥太華。圖3(a)和圖3(b)的圖片組分別是1996年8月24日和1999年8月14日航拍的，地點是越南紅河。圖2(c)和圖3(c)分別是渥太華和越南紅河地區的真實變化情況圖。每組三幅影像都裁切成256×256的大小。圖2的實驗圖片在實驗表格中記作T1，圖3的實驗圖片在實驗表格中記作T2。

(a) 時相1 (b) 時相2

(c) 實況變化圖圖2 渥太華

(a) 時相1 (b) 時相2

(c)實況變化圖圖3 越南紅河

2.2 視覺定性比較

比較算法是PCANet[16]、NR-ELM[17]和FDA-RMG[18]給出的，本文算法簡稱為NSST-APCNN。

首先進行視覺定性比較。渥太華地區算法結果如圖4所示。越南紅河地區算法結果如圖5所示。圖4(d)的噪聲點比圖4(a)、圖4(c)略好，比圖4(b)好得多。圖5(d)的噪聲點比圖5(a)略好，比圖5(b)、圖5(c)好得多。由圖4和圖5可知，本文算法的檢測精度比PCANet、FDA-RMG略高，比NR-ELM高。

(a) PCANet結果 (b) NR-ELM結果

(c) FDA-RMG結果 (d) 本文結果圖4 渥太華不同檢測方法結果比較圖

(a) PCANet結果 (b) NR-ELM結果

(c) FDA-RMG結果 (d) 本文結果圖5 越南紅河不同檢測方法結果比較圖

2.3 抗噪能力量化比較

輸入影像I，其尺寸為H×W。對其添加斑點噪聲，抑或添加白噪聲，合成加噪圖像I′。加噪前后，這幅影像所獲得的噪聲改變可以用峰值信噪比來描述，其定義為：

(14)

(15)

由圖6和圖7可知，對于斑點噪聲，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。由圖8和圖9知，對于白噪聲，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。

圖6 渥太華不同強度斑點噪聲抗噪比較圖

圖7 越南紅河不同強度斑點噪聲抗噪比較圖

圖8 渥太華不同強度白噪聲抗噪比較圖

圖9 越南紅河不同強度白噪聲抗噪比較圖

綜上所述，對于白噪聲和斑點噪聲，在峰值信噪比不小于35 dB、不大于50 dB區域內，NSST-APCNN的抗噪能力比FDA-RMG、PCANet略高，比NR-ELM高。

2.4 錯誤總量OE量化比較

對于不同時相的兩幅大小均為H×W的輸入遙感圖片I1和I2，地面變化參考圖記作GT，算法的檢測圖記作CM。在檢測結果中為1而在變化參考圖中為0的數量就是虛警，記作FP。在檢測結果中為0而在變化參考圖中為1的數量就是漏警，記作FN。在檢測結果中為1而在變化參考圖中為1的數量就是正確檢測出了變化類，記作TP。在檢測結果中為0而在變化參考圖中為0的數量就是正確檢測出了未變化類，記作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)

總的錯誤數量OE[17]是變化有效檢測算法常用的一項量化比較指標，該指標值越小算法能力越好。算法的錯誤總量OE量化比較參見表1?？梢钥闯?，比較PCANet、NR-ELM、FDA-RMG與NSST-APCNN四種算法，NSST-APCNN算法的OE最小。換言之，就是比較算法的檢測錯誤總量比本文所設計的算法的高。

表1 算法錯誤總量OE量化比較

2.5 總的準確率PCC量化比較

總的準確率PCC[17]是變化有效檢測算法常用的一項量化比較指標，該指標值越大算法越好。算法總的準確率PCC量化比較參見表2?？梢钥闯?，比較PCANet、NR-ELM、FDA-RMG與NSST-APCNN四種算法，NSST-APCNN算法的PCC指標至少高出0.14%。換言之，就是NSST-APCNN的檢測精度更高。

(21)

表2 算法總的準確率PCC量化比較

2.6 Kappa系數、召回率和F1量化比較

在本文這一部分中采用的變化高效檢測算法性能的量化比較指標有以下三個： 1) Kappa系數KC[17]，該指標值越大算法性能越好；2) 召回率Recall，該指標值越大算法性能越好；3) F1，該指標值越大算法性能越好。算法的Kappa系數KC、召回率Recall和F1量化比較參見表3?？梢钥闯?，與文獻[16]、文獻[17]和文獻[18]所提算法相比，本文設計的算法的KC指標至少高出1.04%，Recall指標至少高出1.74%， F1指標至少高出0.98%。總而言之，NSST-APCNN的檢測精度更高。

(22)

(23)

(24)

(25)

(26)

表3 算法Kappa系數、召回率和F1量化比較 %

2.7 運行時間量化比較

算法運行時間Time(單位：s) 是各類算法常用的一項量化比較指標，該指標值越小算法性能越好。算法運行時間Time量化比較參見表4?？梢钥闯?，與文獻[16]、文獻[17]和文獻[18]算法相比，本文算法的運行時間低于比較算法，說明本文算法的時間成本低。

表4 算法運行時間Time量化比較

2.8 實驗分析

由于充分考慮了鄰域信息，有效地降低了虛警數量；由于充分借助NSST的多尺度多方向的分解并結合全局濾波、局部濾波，有效地降低了漏警數量；APCNN具有旋轉、平移、尺度不變性和閾值自動確定的特點，有效地提高了算法的準確率和抗噪能力；與此同時，NSST和APCNN的算法復雜度很低，有效地降低了整個算法的復雜性。NSST-APCNN算法較之PCANet、NR-ELM和FDA-RMG算法而言所具有的更強的抗噪能力和更高的檢測準確度受益于充分將鄰域信息、NSST和APCNN的優勢有機緊密融合在一起。與此同時，本文算法具有更低的時間成本。實驗證明了本文算法的有效性和可行性。

3 結 語

NSST-APCNN算法是一種應用于遙感影像的變化高效檢測新算法。它既是一種像素級別的算法，也是一種無監督類型的算法。它首次應用于遙感影像的變化有效檢測，是基于NSST和APCNN的新算法。PCANet、NR-ELM和FDA-RMG是三個比較算法。由兩個地區的對比實驗數據結果，結合實驗分析得到如下結論：與PCANet、NR-ELM和FDA-RMG相比，不管是斑點噪聲還是白噪聲， 對于PSNR∈[35,50] dB，本文所設計的算法具有更強的抗噪能力。本文所提的算法的PCC指標至少高出0.14%， KC指標至少高出1.04%，Recall指標至少高出1.74%， F1指標至少高出0.98%?？偠灾?，NSST-APCNN算法較之于PCANet、NR-ELM和FDA-RMG算法檢測精度更高。更重要的是，NSST-APCNN算法具有更低的時間成本。實驗結果和實驗分析都證明了本文所提算法優越性、可行性。