基于高分遙感影像的多尺度紋理特征變化檢測技術*

劉自增 張德政 姚建華 嚴瑾 黃濤

1. 寧夏回族自治區遙感調查院 寧夏 銀川 750000；2. 北京科技大學 北京 100083

1 網絡和方法

基于預處理后合成好的高分影像，對目標像素進行地物分類所用的網絡結構如圖1所示。將目標像素的鄰域尺寸設定為24×24并輸入卷積神經網絡，先后經過兩次卷積、池化對輸入圖像提取特征后，傳入全連接層和Sigmoid分類器，得到目標像素的地物類別。該方法先利用卷積神經網絡進行逐像素地物分類，再對比兩時相影像的地物分類結果，得到地貌變化區域，屬于分類后變化檢測。

圖1 逐像素地物分類的網絡結構示意圖

傳統鄰域矩陣特征存在噪點多、偽檢多的不足，分析原因是鄰域特征尺度單一導致的，由此對特征構造方法做出改進，本章提出基于圖像金字塔的多尺度變化檢測方法。圖像金字塔可對同一影像進行多尺度描述，它的本質是利用高斯模糊平滑數據后，下采樣濃縮數據，所以金字塔上層影像不僅在一定程度上保留原始影像的概貌，并且尺度更高，同一像素的多尺度信息可基于此提取[1-2]。

圖2展示融合多尺度信息的鄰域矩陣特征的構造流程。為簡化表示，將鄰域矩陣展平得到的一維向量用三個像素表示，代表RGB三通道特征。

圖2 融合多尺度特征的鄰域矩陣特征構造示意圖

相較傳統鄰域特征構造方式，本章提出的融合多尺度信息的特征構造方式具有如下優點：

第一，整合目標像素在高斯金字塔不同層上的觀測結果，將其匯總為一個向量，則特征向量中整合了目標像素的多尺度信息；

第二，多尺度信息的融合降低了鄰域矩陣尺寸選取的困難，相當于一個特征向量上整合了不同尺寸鄰域的信息，則不用過度受困于鄰域尺寸的選取問題；

第三，單時相影像提取的多尺度鄰域特征包含9個通道、3個尺度的鄰域信息，更充分利用原始影像的多尺度特征；

第四，多尺度信息幫助模型從低、中、高不同視角觀測目標區域，改善了目標像素屬于不同尺度地類或目標像素為噪點時，單一尺度鄰域特征難以幫助模型有效變化檢測的問題，從多尺度觀測該像素，可對該像素所屬地貌或是否為噪點由更全面、詳盡的把握，可以有效避免偽變化檢測問題。

在變化檢測中，易分類樣本通常有兩種情況：一是前后地貌一致，并且外界成像因素對該地貌影響不大的未變化地域；二是前后地貌差異明顯，所構建特征向量十分不同的變化區域。模型應重點學習難分類樣本，即預測概率接近0.5的樣本，這類樣本的預測結果會因訓練集、模型甚至參數的改變而產生明顯差異，是體現算法和模型性能的關鍵[3]。

為改善變化檢測數據集固有的正負樣本不均衡問題，并幫助模型重點學習難分類樣本，以提升變化檢測效果。本章提出將Focal loss作為SDAE模型的損失函數，有三點好處：

第一，從模型層面而非特征層面改善對變化地貌學習的質量；

第二，模型注重少量變化樣本的學習，將幫助其提高變化發現能力，提升樣本的召回率；

第三，模型注重難分類樣本的學習，樣本的分類精準率應有所提升，使得精準率和召回率之間的效益背反影響盡可能小，以提升SDAE變化檢測的綜合性能。

2 實驗結果

本節進行兩組實驗，第一組實驗以多尺度紋理變化檢測為基礎方法，以原始影像和三類標簽構成訓練集，利用本章提出的三類標簽配套訓練方法，對模型訓練并預測，將其檢測結果與利用常規標簽訓練模型并檢測的結果對比，評估二者在各項指標和主觀視覺上的差異。第二組實驗分別利用交叉熵與Focal loss作為損失函數訓練模型，對比二者變化檢測效果的差異。

本實驗將標簽修改為三類標簽，訓練方法修改為本章提出的三類標簽配套訓練方法，對融合多尺度光譜和紋理特征的SDAE進行訓練，鄰域尺寸設定為3×3|5×5、5×5|7×7、7×7|9×9三種尺寸對，分別訓練、預測后，對各項檢測指標取平均，以表征算法的綜合效果，將其與常規標簽訓練模型檢測的各項指標對比，結果如表1：

表1 常規標簽與三類標簽訓練模型的效果對比

利用三類標簽訓練模型后，模型變化檢測的精準率提升，作者分析原因是：三類標簽構造法有益于提高標簽的準確率，檢測影像上的噪點顯著減少，精準率提升，房屋和道路的輪廓更加清晰，變化區域的整體性更強，對偽檢的魯棒性提升，檢測結果圖更加純凈，勢必會提升模型變化檢測的能力。但是利用三類標簽訓練模型會讓召回率小幅下降，作者分析原因是：由三類標簽構造的樣本會損失部分地貌，導致用于模型訓練的地類不如常規標簽豐富，召回率降低。綜合而言，利用三類標簽進行訓練，提升了模型的變化檢測精度，F1 score有所上升。

本實驗以融合多尺度光譜和紋理特征的SDAE變化檢測為基礎模型，利用三類標簽法訓練模型，對比常規損失函數與Focal loss損失函數對模型檢測效果的影響。實驗結果如表2所示：

表2 交叉熵與Focal loss作為模型損失函數的效果對比

將損失函數改進為Focal loss后，召回率明顯提升，因為Focal loss用于解決兩類問題：第一，正負樣本不均衡問題，它給予少量樣本更大的權重，當模型對少量樣本分類錯誤時，將受到更大的懲罰，所以不得不注重對少量樣本的學習；第二，難分類樣本學習不足的問題，Focal loss根據模型對樣本預測的類別概率，判斷樣本的難易分類程度，認為概率趨于0.5的是難分類樣本，給予這類樣本更大的損失權重，迫使模型注重難分類樣本的學習。變化檢測中，變化樣本是少量樣本，地貌變化復雜、僅靠基礎特征難以判斷變化與否的樣本是難分類樣本。將損失函數改進為Focal loss后，模型對變化樣本的發現能力提升，召回率提升。召回率和精準率之間存在效益背反，引入新的特征輔助模型判決，保證二者均有提升，正因Focal loss注重難分類樣本的學習，益于模型精準分類，才使精準率沒有大幅下降。F1 score有所提升，說明模型綜合檢測能力增強，損失函數的改進是有效的。

作者將損失函數改進為Focal loss后，模型更注重難分類樣本的學習，在訓練時若該類樣本被頻繁預測錯誤，預測概率趨近0.5，模型將給予其很大的樣本權重，以重視對該類變化的學習，而抵消樣本量少產生的影響。由檢測結果可知，修改損失函數后，模型檢測的變化區域更完整、連通，召回率得以提升。

3 結束語

本文結合圖像金字塔算法，提出一種融合多尺度特征的變化檢測算法。將同一像素在不同尺度上的鄰域特征相融合，構成一個包含低、中、高多尺度特征的向量，輔助模型進行變化檢測。融合高尺度特征后，模型具有更大的視野，由于視野局部而產生的噪點得以減少，檢測影像的視覺效果更加純凈。由此，降低模型對鄰域尺寸選取的依賴，適用于同一鄰域尺寸不同地物類型的變化檢測。本研究具有一定的通用性，研究的技術不僅可以用于土地利用變化的檢測，也可用于土地調查、城市規劃、農業測量、地表水域及和自然環境監測等領域，具有非常重要的意義。