基于UDWT融合和聚类的多时相遥感图像变化检测

基于UDWT融合和聚类的多时相遥感图像变化检测刘小艳，覃亚丽（浙江工业大学信息工程学院光纤通信与信息工程研究所,浙江杭州310023）摘要：针对多时相遥感影像变化检测问题，提出了一种基于小波融合和模糊聚类的变化检测方法。该方法利用差值图和对数比值图分别进行非抽样小波变化（UndecimatedDiscreteWavelettransform，UDWT），然后将小波系数进行融合，并将融合后的系数用多尺度序列表示。最后利用模糊局部信息C均值聚类（FuzzyLocal-informationC-meansClustering，FLICM）对多尺度特征向量进行聚类分析。FLICM加入了空间邻域信息，对噪声有较好的鲁棒性。实验结果证实了该算法效率更高。关键词：小波融合；非抽样小波变换；模糊局部信息C均值聚类；空间邻域信息中图分类号：TP751.1文献标识码：AChangeDetectionofMulti-temporalRemoteSensingDataBasedonUDWTandFLICMLIUXiao-yan，QINYa-li（InstituteofFiberCommunication&InformationEngineering,CollegeofInformationEngineering,ZhejiangUniversityofTechnology,HangzhouZhejiang310023，China）Abstract:Thispaperproposesanoveltechniqueforchangedetectioninmultitemporalsatelliteimages,whichisbasedonwaveletfusionandfuzzyclustering.Firstly,thedifferenceimagesbydifferencingoperationandlog-ratiooperationaredecomposedusingUDWT,then,waveletcoefficientarefusedtoobtainmultiscalerepresentation.ThefinalchangedetectionmapisachievedbyclusteringthemultiscalefeaturevectorsusingFLICMalgorithm.FLICMclusteringconsidersthespatial-contextualinformation,ithasgoodrobustnessfornoise.Experimentalresultsshowthattheproposedapproachismoreefficient.Keywords:waveletfusion；undecimateddiscretewavelettransform(UDWT)；fuzzylocal-informationC-meansclustering(FLICM)；thespatial-contextualinformation1引言变化检测是遥感应用的重要内容之一。随着人类活动的加剧，全球环境发生了很大的变化，致使基于遥感图像的变化检测在许多领域得到了广泛应用，如城市扩展、植被变化、湿地变化[1]、灾害检测[2，3]等。通常，变化检测是指对已配准的同一区域内不同时间的遥感图像检测其变化。在变化检测的处理技术方面，基于监督变化检测需要地表真实数据作为训练集，而得到地面参考数据是一件很困难的任务，并且受分类器制约的影响非常大。无监督变化检测方法不需要任何先验信息，就可以对两幅多时相图像直接进行比较。所以，无监督的变化检测方法在许多实际应用方面受到青睐，是目前实际应用中更常用的方法。最常用的无监督的变化检测方法一般分为两步[4]。第一，获取差异影像；第二，对差异影像分析和处理检测变化区域的位置。区分差异影像中变化和非变化问题可以看为图像分割问题。常用的方法是对差异图的灰度直方图取阈值来提取变化信息，但该方法过于依赖差异影像数据的统计模型。因此本文提出了一种自由分布的变化检测方法，该方法结合差值图和对数比值图各自特点，利用非抽样小波多尺度融合得到新的多尺度序列，然后对该特征矢量利用FLICM分为变化类和非变化类，得到最后的检测结果。2变化检测技术变化检测流程如图1所示。图1变化检测流程图2.1差异影像获取图像校正以后，分别采用差值法和对数比值法对两时相进行处理得到差异影像。两种方相对辐射校正图X1图X2对数比值图差值图FLICM聚类变化结果图非抽样小波变换和融合多尺度特征向量法的计算公式如下：21dXXX（1）2211logloglogrXXXXX（2）dX和rX分别表示差值法的差异影像和对数比值法的差异影像。差值法由于……能够真实的反映出变化区域，有利于保留小面积区域,但是当受噪声干扰时，会产生一些伪变化点。并且这种方法像素亮度值波动较大，对比度不够明显。而对数比值法是……不仅有利于抑制噪声，还可以增强差异影像的对比度。但是不能有效地保持变化区域的轮廓以及检测小区域变化信息。本文研究的……，所以，本文采用将差值法和对数比值法进行融合的方法[5]。2.2非抽样小波融合传统的小波变换在分解信号时采用的是抽样操作，这使得原始信号的部分空域特性不能保留在分解结果中。而非抽样小波变换具有以下特点：一是它不需要下采样因而没有量化噪声的干扰；二是平移不变性；三是UDWT变换得到的子带大小和输入图像大小相同。lhlhlh行卷积1,hlX1,hhX列卷积1,lhX1,llXX图2一层UDWT分解框图由图2知，图像X经UDWT分解，可展开为每个分辨率尺度的4个分量[6]。例如，对于第s层分解，,sllX、,slhX、,shlX、,shhX分别表示第s层的低通子带、水平高通子带、垂直高通子带和对角高通子带。低频子带,sllX可用于1s层的分解。融合步骤:1)将差值影像和对数比值影像根据以上方式进行UDWT分解，分别得到每个尺度上的1个低通分量和3个高通分量。,,,,{,,,}ddddsllslhshlshhXXXX和,,,,{,,,}rrrrsllslhshlshhXXXX分别为差值影像和比值影像第s层的4个分量。2)对于差值影像和对数比值影像获取的两低通分量，采用加权平均方法得到融合后的低通分量为[7]：,,,ˆ2drsllsllsllXXX（3）而高通分量采用绝对值最大的方法，即,,,,,,ˆ,ddrskskskskrskXXXXX其他（4）其中：,,klhhlhh，得到新的高通分量,,,ˆˆˆ,,,,(,)slhshlshhXijXijXij。3)得到融合后的小波系数,,,,ˆˆˆˆ,,,,,,(,)sllslhshlshhXijXijXijXij。获取融合后的小波系数后，可以将每一分辨率上不同分量的小波系数组成向量，那么每一像素点样本数据就可以用多尺度特征向量表示[8]。融合后的每一个像素点可以表征为特征向量：1,1,1,1,,,,,ˆˆˆˆˆˆˆˆˆ,,,,,,,(,),,,,,,,(,)lllhhlhhSllSlhShlShhXijXijXijXijXijXijXijXijXij（5）最后，对特征向量进行FLICM聚类，将非抽样小波特征向量所代表的每一像素点分为变化类和未变化类。2.3FLICM聚类聚类作为一种非监督的学习方法，在不知样本类别的情况下，通过构造两个聚类把差异图划分为变化和未变化区域。传统的FCM算法在聚类过程中各个像素是相互独立的，并未考虑到图像中各个像素点的灰度特征与其邻域像素的关系，对含噪声的图像分割效果很差。本文引用FCM的一种改进算法——FLICM算法[9]，它充分利用了邻域信息，能够有效的克服噪声并增强聚类性能。FLICM的目标函数的表达式为：211NcmmkiikkiikJuXVG（6）式中：N为样本数目，c为类别数目，kiu表示样本i对类别k的隶属度，且kiu越大，样本i隶属类别k的程度越高。kV为第k个聚类中心，1,2,,kc。m是模糊加权指数，kiG为模糊因子。FLICM聚类算法主要是引用了模糊因子kiG2111imkikjjkjNijGuXVd（7）其中，iN表示以iX为中心像素的局部窗口，jX为中心像素iX附近的邻域像素。ijd为像素i和j的空间欧式距离。目标函数达到极小值时，根据拉格朗日乘数法求得11NNmmkkiikiiiVuXu（8）1111mcikkikijijjiXVGuXVG（9）FLICM算法的实现步骤：1）指定分类数目2c，随机初始化隶属度矩阵0U；2）对第S次迭代，由式（8）和（9）计算隶属度矩阵和聚类中心。3）若(1)()sskikiuu则停止迭代，否则返回2）继续迭代。3实验结果与分析实验数据是1986年8月5日和1992年8月5日由MSS卫星拍摄的美国内华达州Reno-LakeTahoe地区由于森林火灾引起的变化前后的遥感图像，大小均为200200。如图3中的图(a)和图(b)所示。(a)1986年8月5日图像(b)1992年8月5日图像图3Reno地区的两时相遥感数据记录下检测出的变化像元数（TruePositive,TP）和误检数（FalsePositive,FP），检测出非变化像元数（TrueNegative,TN）和漏报像元数（FalseNegative,FN）。分别计算总错误像元数（OverallError,OE）和正确检测率（DetectionAccuracy,DA）。()/()DATPTNTPFPTNFN（10）表1给出了差值法和对数比值法获取的差异图,分别结合FLICM的变化检测方法，并且与本文的方法进行比较。从表1可以看出本文方法提高了正确检测率，减少了变化的误检数。本文方法的收敛阈值为0.0001，m取3。图4显示了三种方法的变化检测结果图，可以看出本文方法能够有效的抑制噪声干扰，具有较强的抗噪性。表1三种方法的检测精度比较方法FPFNOE正确率（%）差值法5201046156696.09比值法8013813461488.46本文方法23768291997.70(a)差值法变化结果(b)对数比值法变化结果(c)本文方法图4变化检测结果图3结束语本文给出了一种非监督遥感图像变化检测方法，首先利用非抽样小波变换，对差值法和对数比值法获取的差异影像进行融合，得到融合后的像素的多尺度序列；再用FLICM方法将多尺度序列分为变化类和未变化类。该方法结合差值法和对数比值法的优点，并且FLICM分类考虑了空间邻域信息，可以很好的抑制噪声，实验结果表明了本方法的有效性。但也存在一些问题，如UDWT的分解层数和FLICM中模糊加权指数m无法确定，都是通过人工多次实验选择；另外，需要改进算法缩短运行时间。参考文献：[1]JiangLiandNaraynanRM.Ashape-basedapproachtochangedetectionoflakesusingtimeseriesremotesensingimages[J].IEEETransactionOnGeoscienceandRemotesensing,2003,41(11):2466-2477.[2]FRANSSONJES,WALTERF,BLENNOWK,etal.Detectionofstorm-damagedforestedareasusingairborneCARA-BAS-ⅡVHFSARimagedata[J].IEEETransactionsonGeoscienceandRemoteSensing,2002,40(10):2170-2175.[3]BovoloF,BruzzoneL.Asplit-basedapproachtounsupervisedchange