基于显著性检测和空间直觉模糊c均值聚类的多时相高空间分辨率遥感图像变化检测

摘要

为了提高多信代高空间分辨率遥感（HSRRS）图像的变化检测精度，提出了一种基于显着性检测和空间直觉模糊C型（SIFCM）聚类的多模二次遥感图像的变化检测方法。首先，基于群集的显着性提示方法用于获得两个时间遥感图像的显着图;然后，通过减去两个时间遥感图像的显着图来获得显着性差异;最后，使用SiFCM聚类算法用于对显着差异图像进行分类以获得更改区域和unchange区域。选择两组多立体高空间分辨率遥控图像作为实验数据。所提出的方法的检测精度为96.17％和97.89％。结果表明，该方法是一种可行且更好的性能多立体遥感图像改变检测方法。

1.介绍

遥感影像变化检测是识别和监测人类活动和自然过程引起的土地覆盖变化信息的主要手段。目前，变化检测已广泛应用于森林覆盖监测[1那2]、土地用途/土地覆盖监察[3.那4.灾难评估[5.]、城市扩展分析[6.那7.和其他领域。

一般来说，遥感图像变化检测方法可以分为直接比较法和后分类比较法。直接比较法由于其简单易行，在实践中得到了广泛的应用[8.］．直接比较方法的主要步骤包括差异图像构建，二进制分类，分析和检测结果的评估。目前，代数操作和图像转换方法主要用于获得差异图像。代数操作方法包括单偏移图像差异（UID）[9.]植被指数差异（VID）[9.]、图像配给/日志配给(IR/LR) [9.那10，混合方法[11那12),回归(9.]，以及变化矢量分析(CVA) [9.］．这些方法在多时相遥感图像变化检测中得到了广泛应用。例如，Huang等采用UID、IR和混合方法得到两幅时空遥感图像的差值图像，然后利用萤火虫算法改进的2D-OTSU方法对差值图像进行分割得到变化区域[13];为了解决散斑噪声对多时相SAR图像变化检测精度的影响，Gao等人提出了一种修正对数比(modified-log-ratio, MLR)算子用于森林掩蔽下目标的变化检测[14］．Nordberg和Evertson使用VID结合图像回归方法研究了采矿增加对瑞典山区植被覆盖度下降的影响[15］．锣等人提出了一种多光谱图像变化检测方法的基础上生成的分类网络(GDCN):脑血管意外和大津方法首先使用的方法来获得初始变化检测的结果,然后GDCN被用来获得最终的变化检测结果(16］．CVA是多时间光学遥感图像变化检测中应用最广泛的方法[17那18]，一些新方法已经发展成为CVA的基础，如极性CVA (PCVA) [17压缩CVA (C²VA) [19]，鲁棒CVA（RCVA）[20.那21]和面向对象的CVA (OCVA) [22］．随着商业HSRRS图像采集能力的连续增强，HSRRS图像逐渐成为变化检测的主要数据源。然而，随着空间分辨率的提高，地面物体的细节变得越来越丰富，光谱异质性也在增加。因此，基于像素逐个像素比较构建差异图像的方法面临着巨大的挑战[16］．在直接对象比较的方法中，在HSRRS图像改变检测中非常难以有效地获取图像对象。不同图像的二进制分类方法主要包括聚类[23那24，阈值分割[13],贝叶斯[25]、支持向量机[26]和crf [27］．其中，聚类是针对不同图像无监督二进制分类的有效方法。例如，Atasever提出了一种基于重建独立分量分析的无监督变化检测方法和ABC-k均值聚类：首先使用四个不同的功能来实现差异图像，然后将四个不同的矩阵投射到重建独立分量分析的一个特征中，并进行聚类;最后，通过在聚类阶段中的不同策略之后开发和提出了由人造蜂菌落（ABC-K-Means）聚类技术进行调整的K-Means [24］．Ghosh采用模糊c均值(FCM)和Gustafson Kessel聚类(GKC)对CVA得到的差分图像进行分析，得到变化结果[28］．Gong等人将均值图像与对数图像融合得到差分图像，然后将模糊局部信息C-means (FLICM)应用于差分图像，得到变化区域[11］．然而，传统FCM所代表的聚类算法存在目标函数容易陷入局部极小、函数收敛速度慢、对初值和噪声敏感等问题，影响了变化检测的准确性。

近年来，随着显著性检测技术的发展，在图像分割、目标识别、图像检索等领域得到了广泛的应用[29］．现在，显着性检测也用于改变检测。例如，针对改变功能的复杂统计分布，Hou等人。提出了基于显着性检测的半质化建筑改变检测方法与形态建设指数（MBI）相结合[30.］．Guo和Zhang首先得到融合差分图像和特征差分图像，然后利用协联策略得到两幅差分图像的显著性映射，最后利用FLICM对显著性映射进行聚类融合，得到最终的变化检测结果[31］．现有的基于显著性检测的变化检测方法主要依赖于先获取差异图像再进行显著性检测的策略。该策略是基于差分图像进行显著性检测以获取变化区域，因此差分图像的质量直接影响后续变化检测的准确性。高空间分辨率遥感影像存在着“同物异谱”和“同谱异物”的问题。由于忽略了图像的空间特征，红外、UID和CVA方法获得的高分辨率遥感图像差值图像质量较差。为了解决这一问题，本文结合图像分割显著性检测方法的优点，提出假设:如果两个时间图像没有变化，显著性地图应该大致相同，如果不同，应该是表面发生了变化，应该设计实验来验证。本文采用基于聚类的显著性检测方法[32］．该方法综合考虑了图像显著性检测的空间线索和对比线索，比仅考虑光谱特征的方法具有更好的性能。为此，本文提出了一种基于显著性检测和SIFCM聚类的多时相高空间分辨率遥感图像变化检测方法。在该方法中，我们尝试了先显著性检测后差分图像采集的策略;这里充分利用显著性检测的性能来提高差分图像的质量。针对传统FCM的缺点，在获得差分图像后，SIFCM [33为解决差分图像分析中存在的噪声敏感和空间信息不足的问题，引入了聚类方法。本文的其余部分组织如下。本节详细介绍了研究方法2，实验结果和分析显示在一节中3.，最后在本节给出结论4.．

2.研究方法

我们假设一世¹和一世²同一区域在T1和T2获取的遥感图像是否不同时期，以及一世¹和一世²严格注册。首先，采用基于聚类的显著性检测方法检测特征的显著性一世¹和一世²，以及显著性地图S.₁和S.₂的一世¹和一世²分别获得;的显著性差异图像(salience difference image, SDI)一世¹和一世²是减去S.₁和S.₂；然后进行SIFCM聚类，通过二值分类得到SDI的变化区域和不变区域;最后，采用定量方法对变化检测结果的准确性进行评价。该方法的具体流程图如图所示1．

2．1．显著性差异图像的构建

如果两个时段的遥感影像没有变化，则两幅影像的显著性图应相同且相似。如果两个时段的遥感影像发生变化，显著性图也会有所不同。因此，通过对两幅图像的显著性映射进行差分运算，得到显著性差图像;在此基础上，获得了两幅时间图像的变化和不变信息。为了得到两幅时序遥感影像的显著性图，本文采用了基于聚类的显著性检测方法[32]，其具体步骤如下：（1）遥感图像是输入。（2）这K.采用-means聚类方法进行划分成K.集群。（3）公式(1） 和 （2)来计算对比线索和空间线索，分别为: 在式（1），用于计算特征空间;表示群集中的像素数C.^一世；N表示输入图像中的像素数;和和群集中心是什么C.^K.和C.^一世．在式（2），是克罗内克函数;表示输入图像的中心 ；高斯核用于计算像素之间的欧氏距离和图像中心 ；方差为输入图像的归一化半径;归一化系数表示的像素数C.^K.；是像素一世在输入图像中 ； 代表了j图像格子;m为输入图像的个数;和表示群集索引。（4）对比线索和空间线索通过以下公式融合。 在式（3.），代表显著线索。（5）最终的单幅图像显著性图可以通过以下公式得到:

在式（4.），X是输入图像中的像素。

显著性映射(S.₁和S.₂)的两幅时间遥感影像(一世¹和一世²）可以通过显着性检测获得，然后是公式（5.)，通过对显著性图的两幅时序遥感图像进行相减得到SDI:

2.2。空间直觉模糊C-mears集群

通过使用SIFCM聚类方法[33，得到的SDI分为两个类:变更类和不变类。具体步骤如下:（1） 给出了初始聚类中心，并进行了设置C= 2。（2）会员的计算公式如下: 在式（6.），用于计算欧几里得距离; ； ；N是输入图像中的像素数;m为常数，一般取为2;和意味着像素。（3）直观指标的计算公式如下: 在式（7.），为拉格朗日乘子。（4）新会员资格计算: （5）空间功能计算: (我)在式（9.），表示邻居像素 那这里用的是5 × 5等重口罩。（6）会员通过综合空间功能更新: 在式（10），和问：分别确定初始隶属度和空间函数的相对权重。（7）新的集群中心计算公式如下: (8）如果 那在哪里= 0.05时，迭代操作结束;否则返回步骤2。最大迭代次数(max_iter)，本文设为50。

3.实验结果与分析

3．1.实验数据

选择两组多模型和高空间分辨率遥感图像作为实验数据。图2（a）和2（b）显示第一组图像和数字3（a）和3（b）展示第二组图像。两组数据均来自SZTAKI换气基准集[34那35]，均为多时相航空遥感图像，图像大小为952像素× 640像素。图像有红、绿、蓝三个可见光谱波段，图像空间分辨率为1.5 m。数字2（c）是第一组的参考图像，以及图3 (c)为第二组的参考图像。在数据2和3.，白色区域为实际改变区域，黑色区域为未改变区域。

实验机配置为Intel CORE i7-7700HQ、NVIDIA GTX 1060 6G GDDR5、8gb DDR4;用tensorflow 2.0实现了SIFCM，用Matlab 2018b实现了显著性检测和差分图像。

３．２．对比实验与结果分析

为了验证所提出的方法的有效性和可靠性，设计了两组比较实验。本文提出的UID，IR，CVA和SDI用于构建第一组实验中的差异图像，然后采用SiFCM聚类来分析所获取的差异图像，分别记录为UID-SiFCM，IR-sifcm，cva-sifcm和sdi-sifcm（所提出的方法）。在第二组，PCA-K-Means [36], FLICM [37], CWNN [38[所提出的方法是对第二组实验中的对比分析进行的。误报（FAS），错过警报（MAS），整体准确性（OA）[39]、Kappa和F-measure [40]作为定量评价指标，衡量变化检测结果的质量。

这种方法涉及很多参数，C = 2 and 那可由公式(7.）.影响该方法结果的参数主要是和max_iter．为了验证效果和max_iter根据实验结果，得到分别为0.03、0.05和0.07;max_iter是50 100 300，数字2和3.将作为实验数据。图中实际的迭代次数2和3.分别是18 ~ 19次和28 ~ 29次。因此,max_iter分别为50、100、300，变化检测精度相同。因此，本实验的迭代次数为50次。同时，在确定的前提下max_iter = 50, the values of分别为0.03、0.05和0.07。精确度不会因为不同的值而改变，所以我们在这里选择 ．

3.2.1。比较实验结果对第一组的分析

图2（d）-2 (g)是通过UID-SiFCM，IR-SiFCM，CVA-SiFCM和SDI-SiFCM的第一组图像的改变检测结果。图3 (d)-3 (g)分别显示UID-SIFCM、IR-SIFCM、CVA-SIFCM和SDI-SIFCM对第二组图像的变化检测结果。从图表的对比中可以看出2和3.该方法的改变检测结果优于其他三种方法的结果。从数字4.和5.和表1和2，可以得出同样的结论。

对于两组图像，所提出的方法具有最高的OA，Kappa和F测量值，这些值明显优于其他三种方法。IR-SiFCM仅低于OA评估指数的提出方法，但是有一个严重的MA。第二组图像的MA高达98.34％，第二组图像的Kappa和F测量指标最低;UID-SiFCM和CVA-SiFCM的结果在三个评估指标中彼此接近，并且获得的变化检测结果也是相似的;综合性能低于所提出的方法。根据视觉比较和定量评估，我们可以看到与传统UID，IR和CVA构建的差异图像相比，SDI构造的差异图像具有最高质量。实验结果验证了所提出的方法的可行性和可靠性。

3.2.2。第二组对比实验结果分析

图2 (g)-2 (j)通过所提出的方法，PCA-k型，Flicm和CWNN分别是第一组图像的变化检测结果。图3 (g)-3 (j)分别展示了所提方法、PCA-K-means、FLICM和CWNN对第二组图像的变化检测结果。通过对比图表的结果2（c）和3 (c)由以上结果可以看出，本文方法得到的变化检测结果更接近参考图像。从数字6.和7.和表3.和4.，我们知道，将PCA-K-Means，Flicm和CWNN与所提出的方法，最高OA，Kappa和F测量进行比较;CWNN具有最低的OA，Kappa和F测量指标。CWNN对SAR图像具有更好的性能，但它对光学图像产生较差的影响，因此需要进一步的研究。PCA-k均值和FLICM低于OA，Kappa和F测量三个指标的提出方法;Kappa和F测量与所提出的方法有很大差异。在两组实验中，第一组图像的四种方法的准确性高于第二组的方法。从视觉比较和定量评估可以看出，所提出的方法与传统方法具有一些优点。实验结果验证了所提出的方法的有效性和可靠性。

4.结论

直接对比是一种简单有效的多时相遥感图像变化检测策略，但差异图像的质量直接影响后续变化检测的准确性。为此，本文提出了一种基于显著性差分的差分图像构建方法。首先分别获得两幅时间遥感图像的显著性图像，然后通过两幅显著性图的相减构造SDI。本文采用SIFCM方法对差分图像进行两种聚类，得到变化区域和不变区域。选取两组多时相航空遥感影像作为实验数据，总体精度分别为96.17%和97.89%，验证了所提方法的有效性和可靠性。但是，本文方法对显著性检测结果的依赖性很强，如果显著性检测效果不好，将直接影响后续的变化检测精度。因此，如何获得高质量的显著性检测结果将是下一步研究的重点。

数据可用性

用于支持本研究结果的数据可根据要求可从相应的作者获得。

的利益冲突

作者声明本文的发表不存在利益冲突。

致谢

基金资助:国家自然科学基金资助项目(no。基金资助:云南省科技厅应用基础研究项目(no. 41961039);基金资助:国家自然资源部测绘科学与地理空间信息技术重点实验室(no. 2018FB078);201911)。

参考文献

1. A. Novo-Fernández, S. Franks, C. Wehenkel, P. M. López-Serrano, M. Molinier, and C. A. López-Sánchez, “Landsat time series analysis for temperate forest cover change detection in the Sierra Madre Occidental, Durango, Mexico,”国际应用地球观测和地理信息杂志，第73卷，第2期1, pp. 230-244, 2018。视图:出版商的网站|谷歌学者
2. S. B. Chavan, C. S. Reddy, S. S. Rao和K. K. Rao，“评估和预测Kinnerasani野生动物保护区的十年森林覆盖变化和森林破碎化，泰伦加纳，印度，”印度遥感学会学报第46卷，第46期5，第729-735页，2018。视图:出版商的网站|谷歌学者
3. S.LeHégarat-Mascle，C.Ottlé和C.Guérin，“基于迭代估计和以前的州信息，粗糙空间尺度的土地覆盖变化检测”遥感环境第95卷第1期4，页464-479,2005。视图:出版商的网站|谷歌学者
4. 吕志刚，刘涛，石春华，j.a. Benediktsson，杜洪波，“基于遥感的土地覆盖变化检测方法K.-意味着使用双时间点遥感图像进行聚类和自适应多数投票，”IEEE访问，卷。7，pp。34425-34437,2019。视图:出版商的网站|谷歌学者
5. 黄飞，陈力，尹科等，“基于高分辨率遥感影像的滑坡灾害识别与灾害评估，中国三峡库区，”环境地球科学第77期第5页，2018年。视图:出版商的网站|谷歌学者
6. 王林，李春林，应强等，“1990 - 2010年中国城市扩张的卫星遥感分析”，科学通报(第57卷)22，页2802-2812,2012。视图:出版商的网站|谷歌学者
7. 张志刚，刘飞，赵旭东等，“基于遥感技术的中国城市扩展研究进展”，中国地理科学第28卷第2期5, pp. 727-743, 2018。视图:出版商的网站|谷歌学者
8. 冯文强，张玉军，“基于模糊综合评价的遥感图像面向对象变化检测”，武汉大学的地理与信息科学号，第41卷。7, pp. 875-881, 2016。视图:谷歌学者
9. A. Singh，“利用遥感数据的评论文章数字变化检测技术”，国际遥感学报，卷。10，不。6，PP。989-1003,1989。视图:出版商的网站|谷歌学者
10. Y. Bazi, L. Bruzzone，和F. Melgani，“基于广义高斯模型的无监督方法在多时相SAR图像中自动变化检测”，地球科学和遥感的IEEE交易号，第43卷。4，pp.874-887，2005。视图:出版商的网站|谷歌学者
11. “基于模糊聚类和图像融合的合成孔径雷达图像变化检测，”IEEE图像处理汇刊第21卷第2期4, pp. 2141-2151, 2012。视图:出版商的网站|谷歌学者
12. G. R. MA，P. X. Li，和Q.Q.Qin，“基于融合和GGM改变检测方法遥感，”遥感学报，第11卷，第5期。6，页847-853,2006。视图:谷歌学者
13. “基于萤火虫算法改进的2D-OTSU算法的多时相遥感图像变化自动检测方法”，杂志上的传感器文章编号327123,8页，2015。视图:出版商的网站|谷歌学者
14. 高光，牛敏等，“森林隐蔽条件下合成孔径雷达目标变化检测的改进对数比算子”，应用遥感学报，第8卷，第2期1、Article ID 083583, 2014。视图:出版商的网站|谷歌学者
15. >。Nordberg和J. Evertson，“利用Landsat TM和ETM+影像对瑞典山脉的植被指数差异和线性回归进行变化检测”，土地退化与开发，第16卷，第5期。2，页139 - 149,2005。视图:出版商的网站|谷歌学者
16. “基于多光谱图像变化检测的生成判别分类网络，”应用地球观测和遥感专题，第12卷，第2期1, pp. 1 - 13, 2019。视图:出版商的网站|谷歌学者
17. F. Bovolo和L. Bruzzone，“基于北极领域的变化载体分析的无监督变化检测的理论框架”地球科学和遥感的IEEE交易，卷。45，不。1，pp。218-236,2007。视图:出版商的网站|谷歌学者
18. 张立平，吴超，“多时间点遥感影像变化检测的研究进展与未来发展”，测绘学报第46卷，第46期10, pp. 1447-1459, 2017。视图:谷歌学者
19. F. Bovolo，S. Marchesi和L. Bruzzone，“一种自动和无监督检测多模型变化的框架，”地球科学和遥感的IEEE交易，第50卷，第5期。6, pp. 2196-2212, 2012。视图:出版商的网站|谷歌学者
20. F. Thonfeld, H. Feilhauer, M. Braun，和G. Menz，“多传感器非常高分辨率光学卫星数据的鲁棒变化矢量分析(RCVA)”，国际应用地球观测和地理信息杂志， 2016, vol. 50, pp. 131-140。视图:出版商的网站|谷歌学者
21. 唐颖，“基于多传感器多光谱影像的城市变化分析”，遥感，第9卷，第5期。3，页252,2017。视图:出版商的网站|谷歌学者
22. 李丽，李晓丽，张颖，王磊，“基于面向对象变化矢量分析的高分辨率遥感影像变化检测方法”，《遥感学报》，2017年第4期2016 IEEE国际地球科学与遥感研讨会论文集， pp. 2873-2876，北京，中国，2016年7月。视图:出版商的网站|谷歌学者
23. T. K. Jakka, Y. M. Reddy，和B. P. Rao，“GWDWT-FCM:基于模糊c均值聚类的自适应离散小波变换SAR图像变化检测”，印度遥感学会学报，第47卷，第47期。3，pp。379-390,2019。视图:出版商的网站|谷歌学者
24. U. H. Atasever，“一种基于重建独立成分分析和ABC-Kmeans聚类用于环境监测的新型无监督变化检测方法，”环境监测及评估号，第191卷。7, p. 447, 2019。视图:出版商的网站|谷歌学者
25. T.Celik，“贝叶斯近视的多尺度变化检测的贝叶斯方法，”信号处理，第90卷，第5期。5, pp. 1471-1485, 2010。视图:出版商的网站|谷歌学者
26. Wu Z.， Hu Z.， and Q. Fan，“multi-dimensional change vector analysis and svm based classification based Superpixel-based non - supervised change detection，”ISPRS摄影测量、遥感和空间信息科学年鉴， vol. I-7, pp. 257-262, 2012。视图:出版商的网站|谷歌学者
27. 魏立峰，牟志伟，王学勇等，“基于CRF模型的高分辨率遥感影像变化检测”，测绘通报， vol. 9, pp. 28-31, 2017。视图:谷歌学者
28. A. Ghosh, N. S. Mishra，和S. Ghosh，“遥感图像中无监督变化检测的模糊聚类算法”，信息科学，卷。181年，没有。4，pp。699-715，2011。视图:出版商的网站|谷歌学者
29. M.-M.程，N.J.Mitra，X. Huang，P. H. S. Torr，以及S.-M。胡，“全球对比的突出区域检测”，图案分析和机器智能的IEEE交易，第37卷，第2期3, pp. 569-582, 2015。视图:出版商的网站|谷歌学者
30. 侯斌，王颖，刘强，“高分辨率遥感图像的显著性引导半监督建筑变化检测方法，”传感器，第16卷，第5期。9，第1377页，2016。视图:出版商的网站|谷歌学者
31. 郭秋林，张建平，“基于协同显著性策略的高分辨率遥感图像变化检测”，国家自然科学基金面上项目2019年多时相遥感图像分析国际研讨会论文集，页1-4，中国上海，2019年8月。视图:出版商的网站|谷歌学者
32. Fu H.， Cao X.， Tu Z.，“基于聚类的协同显著性检测”，IEEE图像处理汇刊第22卷第2期10, pp. 3766-3778, 2013。视图:出版商的网站|谷歌学者
33. B. K.Praphy，A. Basu和S. Govel，“使用空间直觉模糊C的图像分割意味着聚类”2014 IEEE计算智能与计算研究国际会议论文集，第1-5页，印度哥印拜陀，2015年12月。视图:出版商的网站|谷歌学者
34. C. Benedek和T. Sziranyi，“基于多层条件混合马尔可夫模型的光学航空图像变化检测”，地球科学和遥感的IEEE交易，第47卷，第47期。10，第3416-3430页，2009。视图:出版商的网站|谷歌学者
35. C. Benedek和T.Szirányi，“具有大时间差异的航拍照片中变更检测的混合马尔可夫模型，”国际模式识别会议(ICPR)，第8-11页，美国佛罗里达州坦帕市，2008年12月。视图:出版商的网站|谷歌学者
36. T Celik，“使用主成分分析和卫星图像中的无监督变化检测K.- 集群，“IEEE地球科学与遥感通讯，卷。6，不。4，pp。772-776，2009。视图:出版商的网站|谷歌学者
37. 刘锐，贾志宏，秦学忠等，“基于FLICM算法的SAR图像变化检测新方法”，激光杂志，卷。36，不。11，pp。28-31,2015。视图:谷歌学者
38. “基于卷积小波神经网络的SAR图像海冰变化检测”，国家自然科学基金面上项目，IEEE地球科学与遥感通讯，第16卷，第5期。8, pp. 1240-1244, 2019。视图:出版商的网站|谷歌学者
39. F. Bovolo和L. Bruzzone，“在多时相SAR图像中保持细节的尺度驱动的变化检测方法，”地球科学和遥感的IEEE交易号，第43卷。12，页2963 - 2972,2005。视图:出版商的网站|谷歌学者
40. 杜斌，卢磊，吴超，张磊，“基于非监督深度慢速特征分析的遥感图像变化检测”，遥感学报，2018,35(6):863 - 863。地球科学和遥感的IEEE交易(第57卷)12，pp。9976-9992,2019。视图:出版商的网站|谷歌学者

版权

版权所有©2020梁煌等。这是一篇发布在创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。