本文內容來源於《測繪學報》2022年第11期（審圖號GS京（2022）1229號）
SAR影像變化檢測的前景特徵流形排序法
羅卿莉1
1. 天津大學精密測試技術及儀器國家重點實驗室，天津 300072;
2. 中國測繪科學研究院，北京 100036;
3. 中國船舶工業系統工程研究院，北京 100094
基金項目：城市軌道交通數位化建設與測評技術國家工程實驗室開放課題(2021ZH04)；天津市自然科學基金重點項目(21JCZDJC00670)；天津市交通運輸科技發展計劃(2022-40；2020-02)；國家自然科學基金(41601446；41801284)
摘要：SAR影像變化檢測的差異圖分析法存在的兩個問題：①連通區域內的部分變化區域易被誤判為未變化區域；②中心先驗假設並不適用於檢測位於SAR影像邊界的變化區域。本文針對以上兩個問題設計了一種超像素分割和前景特徵流行排序(manifold ranking，MR)的SAR影像變化檢測方法(MRSFCD)。首先，通過單像素和鄰域對數比算子進行加權融合構造差異圖，可以保持變化區域內部的一致性並抑制噪聲干擾。其次，對差異圖進行超像素分割。然後，改進超像素的無向圖連接方式，不對邊界四周的超像素進行連接，利用超像素分割結果和灰度信息進行三次鄰接。最後，將基於前景特徵流行排序後得到的顯著性圖與單像素對數差異圖進行點乘，對其進行閾值分割得到最終的二值變化圖。本文通過採用3組雙時相影像進行試驗。結果表明，相較於其他變化檢測算法，本文方法有效地提高了變化檢測的精度。
關鍵詞：SAR影像 變化檢測 差異圖 超像素 流行排序
羅卿莉, 崔峰志, 魏鉅傑, 等. SAR影像變化檢測的前景特徵流形排序法[J]. 測繪學報，2022，51(11)：2365-2378. DOI: 10.11947/j.AGCS.2022.20200512
LUO Qingli, CUI Fengzhi, WEI Jujie, et al. Foreground feature manifold ranking method for SAR image change detection[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(11): 2365-2378. DOI: 10.11947/j.AGCS.2022.20200512
閱讀全文：http://xb.chinasmp.com/article/2022/1001-1595/20221113.htm
引 言
合成孔徑雷達(synthetic aperture radar，SAR)是一種主動微波成像遙感技術，具有全天時、全天候等優勢。SAR影像變化檢測是遙感領域的研究熱點，在農業作物分析[1]、城市擴張分析[2]、地質災害定位和損害評估[3]等領域中得到了廣泛應用。
SAR影像變化檢測可分為差異圖構造、差異圖分析和變化檢測結果圖生成3個步驟，其中差異圖構造和差異圖分析是研究的重點。在差異圖構造前可以對影像進行包括圖像配准和輻射校正等預處理操作。其目的是使不同時相的SAR影像在空間域和光譜域具有一致可比性[4]。差異圖構造是為了對變化類和未變化類進行初步區分，為後續的差異圖分析提供基礎。最簡單的差異圖構造方法是基於像素相似性得到差異圖。文獻[5]提出變化向量分析方法，通過變化向量的大小和方向來判斷是否發生變化以及確定變化類型。文獻[6]提出利用對數比算子構造差異圖，將乘性噪聲轉變為加性噪聲，能夠克服差值算子的缺點，但並未考慮領域信息。之後的學者們對加入鄰域信息改進差異圖構造算法進行了研究。文獻[7]提出考慮鄰域信息如均值、方差等通過加權賦值來構造比值差異圖，對單獨出現的噪點具有一定的抑制作用。文獻[8]提出的組合差異圖(combined difference image, CDI)方法是對差值比和對數比算子進行加權融合。文獻[9]利用小波變換進行不同比算子的高頻和低頻融合進行差異圖構造，提高了檢測性能。文獻[10]提出基於直接估計分布函數比值的方法提高了檢測精度。文獻[11]利用紋理差異與超像素分割信息融合構造了差異圖，得到了較好的試驗結果。文獻[12]提出將灰度差異圖和紋理差異圖進行融合的方法，在提取變化信息的同時抑制了噪聲的影響。文獻[13]提出一種鄰域對數比算子和單像素對數比算子相乘來構造差異圖的方法，可以增強變化類與未變化類之間的差異，具有較好的抗噪能力，但該方法仍存在將區域內的部分變化區域誤分為未變化區域的問題。
差異圖分析方法中最簡單的是閾值法，包括KI閾值算法[14]和期望最大化(expectation maximization，EM)算法[15]。閾值法計算較為簡單，但是存在精度受限的問題。無監督聚類法包括K均值(K-means，KM)聚類[16]和模糊C均值(fuzzy C-means，FCM)聚類[17]等。其思想都是通過增大類間距離，減小類內距離來實現的。許多學者針對傳統的閾值法和聚類法進行改進，文獻[18]提出利用雙模態校驗，採用基於廣義高斯模型的KI閾值算法來確定最佳閾值。文獻[19]將局部擬合和EM算法相結合用於SAR變化檢測。文獻[20]提出改進的FCM聚類算法，利用帶附加項的MRF能量函數修正每個像素的隸屬度來降低散斑噪聲的影響。文獻[21]提出一種基於直方圖相似性測度的變化檢測方法，可以提高變化檢測的精度，但是該方法未有效利用紋理信息，僅利用光譜信息可能會導致錯誤判別。文獻[22—23]利用主成分分析(PCA)與小波變換結合或利用字典學習與稀疏表示理論進行變化檢測，該類方法具有一定的穩健性。然而基於上述差異圖分析方法易受噪聲影響或需要先驗概率模型等不足，因此，文獻[24—25]提出了流行排序(manifold ranking，MR)的概念與數學模型, 其核心思想為根據大量數據揭示的本質流形結構進行排序，並利用一種半監督的分類函數用來表示標記點和未標記點之間的相關性。文獻[26]將流行排序算法引入到圖像的顯著性檢測，即根據待檢測區域與前景或背景線索的相似性進行排序，但該方法過度依賴邊界背景特徵的選擇。將流行排序算法引入SAR影像變化檢測中。文獻[28]提出結合邊界連通性和前景連通性先驗進行流形排序的顯著性檢測。文獻[29]提出將流行排序與邊界擴展、角聚類融合獲得更準確、更平滑的顯著性映射。
隨著機器學習理論的深入發展，利用卷積神經網絡(convolutional neural networks, CNN)進行SAR影像變化檢測是國內外研究的熱點。文獻[30]利用堆疊式壓縮自編碼器(stacked contractive autoencoder，sCAE)從超像素塊中提取特徵並進行變化檢測分析。文獻[31]提出改進的深層CNN網絡結構，改善了卷積神經網絡所需參數龐大而SAR數據集不足的問題。針對SAR圖像源數據是相干複數的特點，文獻[32]利用複數深度網絡在訓練時學習到圖像間的相關性來提升檢測效果。為提高精度水平以及充分利用多源數據，文獻[33]提出一種基於多光譜、高光譜和SAR等多種數據源的端到端檢測網絡。有監督的深度學習方法通常需要大量的標記樣本。針對SAR影像的標記樣本獲取困難的問題，文獻[34]提出一種利用自監督表示學習的變化檢測方法，模仿生成式對抗網絡的判別器。文獻[35]在SAR影像變化檢測中利用瓶頸層代替普通卷積層，並引入非對稱卷積和空洞卷積，減少模型的運算量和空間複雜度。文獻[36]提出利用多尺度池化核充分提取變化信息的空間上下文信息，在保證訓練精度的同時減少訓練和測試的時間。還有一類是分類後比較法，通常採用傳統方法或結合深度學習提取特徵對不同時相的影像分別進行分類後再做比較。文獻[37]提出了一種基於卷積神經網絡的SAR影像檢測方法。這種方法的檢測精度受限於前後時相SAR影像的分類精度，會存在誤差累積。總體而言，利用深度學習進行變化檢測需要求解的參數較多，構造的網絡模型較為複雜，受訓練樣本的質量影響較大[38]。
現有基於差異圖分析的變化檢測方法均能較好地實現SAR影像的變化檢測，但仍然存在兩個主要問題：①變化區域內存在誤檢測的問題；②基於流行排序的變化檢測算法中使用的中心先驗假設不適用於變化區域位於SAR影像邊界區域的檢測。為了克服上述缺陷，本文設計一種超像素分割和前景特徵流行排序的SAR影像變化檢測方法(a method of manifold ranking based on superpixel segmentation and foreground features for change detection, MRSFCD)。算法通過基於單像素和鄰域對數比算子進行加權融合構造差異圖，在保持變化區域內部的一致性的同時抑制噪聲干擾，然後改進無向圖連接方式，不對四周邊界的超像素進行連接，利用超像素分割結果和灰度信息進行三次鄰接，基於前景特徵進行流行排序得到顯著性圖，避免了背景特徵的選擇，提高了SAR影像邊界變化區域的檢測精度。
1 MRSFCD變化檢測算法流程
本文設計的超像素分割和前景特徵流行排序的SAR影像變化檢測方法(MRSFCD)主要包括以下4部分：①濾波預處理，利用增強Lee濾波對不同時相的SAR影像進行處理。②差異圖構造，通過鄰域對數比和單像素對數比加權融合進行差異圖構造。③超像素分割和流行排序，對差異圖進行超像素分割，然後改進超像素的無向圖的連接方式，不對邊界四周的超像素進行連接，利用超像素分割結果和灰度信息進行三次鄰接。將基於前景特徵流行排序後得到的顯著性圖與單像素對數差異圖進行點乘。④閾值分割，利用OTSU閾值分割方法得到最終的變化檢測二值圖。算法的總體流程如圖 1所示。對於目標區域不同時刻獲取的兩幅SAR影像，令校正和配准後的兩幅SAR影像分別為X1和X2。利用MRSFCD算法，可以得到變化檢測結果圖，分為變化類和未變化類兩大類。
圖 1 MRSFCD變化檢測技術框架的基本流程Fig. 1 Flowchart of the MRSFCD change-detection method
圖選項
1.1 差異圖構造
SAR影像變化檢測的精度受影像的相干斑噪聲影響較為嚴重。SAR的後向散射機理較為複雜，其存在透視收縮、疊掩現象和雷達陰影等幾何失真，以及包括SAR影像的斑點噪聲和多次反射圖像等問題。各種地物的表面粗糙度等特性以及介電常數、角反射器效應、極化方式等都會影響成像結果。本文方法主要考慮了斑點噪聲的影響，該方法是建立在將相干斑噪聲簡化為乘性噪聲模型基礎上的。在SAR成像過程中，分辨單元內散射體不滿足中心極限定理時，圖像噪聲模型估計為乘性噪聲，即I=X·Y，其中I為觀測圖像，X為地面實際反射圖像，Y為噪聲分量，其中X和Y互不相關。
本文首先採用增強Lee濾波[39]進行預處理得到濾波後的影像。隨後利用對去除乘性噪聲效果較好的單像素對數比算子及鄰域對數比算子分別計算差異圖，對兩個差異圖進行加權融合，構造最終的差異圖。該算法不僅保持了變化區域內部的一致性，同時減少了乘性噪聲的干擾。
鄰域對數差異圖的構造利用了文獻[13]提出的鄰域對數比值算子。設鄰域對數比值算子為D1，其計算公式如式(1)所示，其中鄰域為8鄰域
(1)
式中，Ωι,j是像素(i,j)的鄰域；X1(m,n)和X2(m,n)分別是前後時相影像鄰域窗口內的像素灰度值。單像素對數差異圖的構造利用單像素對數比算子D2進行計算
(2)
式中，X1(i,j)和X2(i,j)分別為前後時相影像對應像素的灰度值，對其數值進行加1操作，是為了避免了灰度值為0而無法計算的情況。將D1與D2進行加權融合，得到最終的比算子為
(3)
式中，ρ為融合加權係數，其確定規則如式(4)所示
(4)
式中，σ1、σ2和μ1、μ2分別為前、後時相圖像的標準差和均值。當比值
小於1時，認為圖像為均質圖像，選取經驗值ρ為0.7，此時主要考慮鄰域信息，使鄰域對數對算子D1計算的差異圖在融合中占主導；反之，取經驗值ρ為0.3，使D2占主導。因為進行對數運算後D1與D2數值均較小，若將二者點乘在減小噪聲同時可能導致變化區域數值更小而被誤判為未變化區域，影響檢測結果，故採用加權融合的策略來避免此情況。鄰域對數比算子由於考慮了像素的鄰域信息，所以對噪聲具有抑制作用，但是也會造成邊界模糊等問題，單像素對數比算子則具有相對較好的細節保持特性，將二者進行加權融合可以起到減小噪聲並避免圖像模糊的作用。
1.2 超像素分割和流行排序
本文設計了一種結合超像素分割和前景特徵流行排序的差異圖分析方法，該方法提高了SAR影像邊緣區域的變化檢測精度。方法首先對差異圖進行超像素分割，然後基於改進的無向圖對超像素進行連接和基於前景特徵的流行排序，排序後得到的顯著性圖和基於單像素對數比的差異圖進行點乘，得到變化檢測結果圖。對該結果圖進行閾值分割，可以得到最終的變化檢測結果圖。
1.2.1 超像素分割
在差異圖分析過程中，首先對加權融合後的差異圖進行了超像素分割，使用的是簡單線性疊代(simple linear iterative clustering, SLIC)算法。本文利用SLIC對構造得到的差異圖超像素分割。其原理是將灰度值以及像素坐標進行記錄，每個點對應一個三維向量，然後對三維特徵向量構造距離度量標準，通過距離度量對圖像進行超像素分割。超像素分割時認為相鄰像素隸屬於同一個超像素，令它們有相同的標記。
首先對差異圖設置初始化的聚類中心向量Mk=[lk, xk, yk]T，lk為第k個聚類中心灰度值，(xk, yk)為其位置坐標，並使聚類中心採用正六邊形的分布，即令聚類中心採樣間距為W，更利於鄰接的穩定性和平衡性，W定義如式(5)所示
(5)
式中，P為圖像像素總數；K為設置的超像素數。距離度量D如式(6)所示
(6)
其定義是計算每個聚類中心像素與疊代搜索區域為2W×2W鄰域範圍內的每個像素(i,j)之間的距離。其中i和j分別為灰度值為X(i,j)的像素的位置坐標，p是聚類總數，β是調整顏色距離和空間距離權重的參數[11]。參數β是試驗中的超參數，取值範圍為5~40。若β取值較小則超像素邊界更貼近像斑實際邊界，反之超像素邊界越規則。每次的疊代結果是將每個像素與距離最近的聚類中心k相關聯。疊代完成後將像素標籤賦值為k，然後重新計算聚類中心。對上述過程疊代10次停止即可滿足需要。
1.2.2 基於前景特徵的流行排序
利用流行排序進行顯著性檢測的方法在變化檢測中是用於檢測差異圖中的變化區域。傳統利用流行排序進行變化檢測方法是基於中心先驗假設的。該假設認為檢測的目標是位於圖像靠近中間的區域，默認背景位於圖像邊界處。基於該假設發展的方法不適用於變化區域位於SAR影像邊緣部分的檢測。因此，為了提高SAR影像邊緣區域的變化檢測精度，本文設計了一種結合超像素和前景特徵的流行排序方法。該方法改進了無向圖構造方式，利用超像素分割結果的灰度信息進行三次鄰接的無向圖構造，並基於前景特徵進行流行排序，得到顯著性圖，與單像素對數差異圖點乘從而標記變化區域。該方法的主要步驟如下所述。
(1) 構造超像素分割的無向圖。本文在超像素分割的基礎上構造了無向圖，參考文獻[26]提出的方法(圖 2(a))，在其基礎上進行了改進(圖 2(b))。文獻[26]方法將每個節點與鄰接節點以及與鄰接節點共享邊界的節點相連接，並強制連接四周邊界節點構成閉環圖，為減少中心先驗假設對變化檢測結果的影響並考慮灰度信息，本文在文獻[26]方法的基礎上不對四周邊界的超像素進行連接，並考慮了超像素的灰度信息進行連接。在進行流行排序時，遵照以下兩個基本假設：①每個超像素與附近的超像素可能具有同樣的標記；②同一結構上的超像素點往往具有一樣的標記[25]。
圖 2 無向圖構造示意Fig. 2 Undirected graph construction
圖選項
本文利用超像素分割結果構造了三次鄰接的無向圖，記作G=(V,E)。其中，V和E分別為一組節點和無向邊。無向圖構造示意圖如圖 2所示。各個不規則分塊表示超像素分割的結果，其中，用灰色和白色區域表示超像素均值的差別大於閾值ϕ的兩類區域。本文對利用超像素分割的結果進行三次鄰接的無向圖構造進行說明，以超像素節點i(中心區域的紅色節點)為例。超像素節點是超像素的中心點。圖上還有3種顏色的超像素節點，分別為第1次連接的綠色節點j，第2次連接的藍色節點k，以及第3次連接的橙色節點m。第1步：將超像素節點i連接到與其相鄰的超像素節點j(綠色節點)，作為第1次連接，形成綠色邊；第2步：將節點i連接到節點k(藍色節點)上，作為第2次連接，形成藍色邊，其中節點i與節點j共享邊界並且灰度均值相近(即它們的灰度值的差值小於閾值ϕ，可取5~10；第3步：將節點i連接到節點m(橙色節點)，作為第3次連接，形成橙色邊，其中節點i與節點k共享邊界並且灰度均值相近。對每個超像素節點按上述步驟進行連接可得到每個節點的無向圖。
(2) 計算鄰接節點權重。無向圖構造完成後，計算兩個超像素節點之間邊的權重表示如式(7)所示
(7)
式中，ci和cj分別為對應於兩個超像素節點內所有像素點灰度值的平均值；σ是控制權重強度的常數。n為超像素節點總數，由此得到n×n的加權關聯矩陣W=[wij]n×n。本文構造的無向圖是稀疏的，也就是關聯矩陣中大部分元素是0。在流行排序中，本文將用到的度矩陣記作D=diag{d11, …, dnn}，其中
。度矩陣中，對角線元素dii為關聯矩陣W中第i行所有元素和。
(3) 流行排序。通過無向圖的構造和鄰接節點權重計算，本文得到了關聯矩陣W和度矩陣D，利用流行排序計算模型可以獲得流行排序的穩定解，即顯著性值。其穩定解將用於之後的流行排序計算。每個超像素節點作為給定的數據集元素X={x1,x2, …xi,xi+1,xi+2, …xn}，將部分特徵節點標記為查詢點。設y=[y1,y2, …, yn]T為指示向量。若xi被標記為查詢點則yi為1，否則為0。其餘數據點根據他們與查詢點的相關性做排序即得到最終各個超像素節點的顯著性值。令f：X→Rn表示排序函數，f可以視為[f1,f2, …fn]T，可通過以下正則化框架計算最終排序穩定解[24]。其代價函數如式(8)所示
(8)
式中，μ控制均勻度約束(第1項)和初始化約束(第2項)的平衡，後一項為正則項。最終排序函數如式(9)所示
(9)
式中，I是單位矩陣；α=1/(1+μ)；S是標準歸一化Laplace矩陣，其表達式為
(10)
若對於二分類問題，對式(9)進行改寫
(11)
在利用式(9)或者式(11)計算排序結果時，(I－αS)－1或(D－αW)－1的對角線元素應設置為0，避免出現自增強的情況。
在利用式(11)進行流行排序時，首先設定閾值確定初始查詢點。如式(12)所示
(12)
式中，Cmean表示差異圖所有超像素灰度值的均值；n為超像素數量；ci為第i個超像素的所有像素點的灰度均值。提取灰度值大於2×Cmean的超像素作為前景特徵檢測初始查詢點y，並進行流行排序。其中f*為最終排序結果即顯著性值，再將顯著值f*分配到超像素內的每個像素即可得到顯著性圖。顯著性圖增強了變化區域並弱化了未變化區域，但是存在強化了變化區域的部分邊界的問題，在後續進行閾值分割時可能會導致誤檢。為了避免上述問題，本文將單像素對數差異圖和顯著性圖進行點乘運算得到了結果圖。這樣結合了單像素對數差異圖能夠較好地保持變化的邊界和顯著性圖能夠抑制未變化區域噪聲的優勢，最終能夠得到較好的檢測結果。最後對結果圖利用OTSU閾值處理[40]得到二值變化檢測結果圖。
2 試驗結果與分析
2.1 試驗數據
為了對算法進行性能測試，本文選取了覆蓋勻質區域、異質區域的3組試驗數據進行了試驗，數據均為SAR影像的強度數據。第1組數據為分別於1999年4月和1999年5月通過衛星ERS-2獲取的瑞士Bern地區火災前後的SAR圖像，極化方式為VV極化，圖像尺寸均為301×301像素。第2組數據為分別於2008年6月和2009年6月通過衛星Radarsat-2獲得的黃河入海口農田地區的SAR影像，圖像尺寸均為291×306像素。第3組數據為分別於2014年1月和2015年2月通過衛星TerraSAR-X獲得的北京地區影像，極化方式為HH極化。影像尺寸均為605×596像素。該影像覆蓋區域高樓林立，呈現極不均勻的特性。3組SAR影像及其變化參考圖如圖 3所示。
圖 3 3組SAR影像及變化參考圖Fig. 3 Three SAR image datasets and their reference images
圖選項
2.2 評價指標
為了定量評價本文方法性能，採用假陽性(false positive, FP)、假陰性(false negative, FN)、真陽性(true positive, TP)、真陰性(true negative, TN)[9]、總體錯誤數(overall errors，OE)、正確分類率(percentage correctly classified, PCC)和Kappa係數作為評價指標。PCC表示為
(13)
式中，FP為錯誤分類為變化類的像素數；FN為錯誤分類為未變化類的像素數；TP和TN分別是被正確分類為變化類和未變化類的像素數；OE被定義為FN和FP的總和。
Kappa係數用於評估檢測結果與參考結果的一致性，定義為
(14)
式中，PRE為一個預期比例，定義為
(15)
式中，Nc和Nu為參考圖像中屬於變化類和未變化類的像素個數，分別等於TP+FN、TN+FP。
2.3 MRSFCD算法參數分析
在MRSFCD變化檢測算法中，主要有兩個參數會影響變化檢測結果精度，分別是流行排序中的參數α和用於計算鄰接超像素節點權重的參數σ。本節在Bern和黃河地區數據集上對這兩個參數進行了分析，測試了它們不同的取值情況對檢測結果評估指標的影響情況，用於確定參數α和σ的最優值。
在兩組SAR影像數據中，參數α對總體誤差OE的影響如圖 4(a)—圖 4(c)所示。其他參數的設置情況為：超像素分割數量和計算超像素節點權重時的參數σ設置為1000和5。綜合兩組數據集的表現，在α為0.9~0.94時，兩組數據集的總體誤差OE較小，並且此時FN、FP較為平衡。因此，在後續試驗中，α可以設置在0.9~0.94之間。對於Bern和黃河地區，初始化提取到的顯著超像素塊中存在的噪聲較多。由於α=1/(1+μ)，如果參數α設置在0.9附近，則μ較小。上述設置可減小初始排序對最終結果的影響，使得總體誤差OE較小。
圖 4 參數α和σ對評估結果的影響Fig. 4 The evaluation results of different parametersαandσ
圖選項
參數σ對評估結果的影響如圖 4(d)和(e)所示。其他參數α設為0.9，超像素分割初始數量設為1000。可以看出，當選擇參數σ為5時，附近的OE存在極小值，並且Kappa係數較高。Kappa係數在σ較大時一直保持較高，這可能是由於變化類和未變化類之間存在樣本不均衡，因此影響了Kappa係數對檢測結果的評價。綜上分析，在3組試驗數據集上均採用超參α=0.9，σ=5進行試驗來得到相關指標結果，將在Bern和黃河地區數據集上獲取的超參數設置應用到北京地區的數據集上也可體現本文方法的泛化性。
2.4 差異圖對比試驗
在3組數據集上分別進行濾波預處理後利用鄰域對數比算子和單像素對數比算子以及點乘融合、加權融合二者得到的差異如圖 5所示。結果顯示，單像素對數比差異圖檢測到的變化區域內部具有良好的一致性，但受到較多噪聲影響。鄰域對數比差異圖可有效地去除噪聲，但其變化區域內的部分區域存在被誤分為未變化區域的問題，形成了變化區域內的「空洞現象」，沒有很好地保持其變化區域的整體一致性。
圖 5 3組數據集上的差異構造Fig. 5 The difference images construction of three datasets
圖選項
圖 6(a)和(b)分別為圖 5(c)和(d)的紅色方框區域的放大圖，對比展示了點乘融合差異圖(圖 6(a))和加權融合差異(圖 6(b))的區別。利用本文方法得到的結果是圖 6(b)。與點乘融合差異圖相比較，本文方法能夠在減少噪聲干擾的情況下保持檢測的變化區域內部的一致性，避免了較多「空洞」的產生，如圖 6(a)和(b)藍色方框內對應區域。雖然後者檢測得到的未變化區域的噪聲相對前者較多，但在後續處理中可通過其他方法有效地減少未變化區域的噪聲。其中，Bern和黃河地區的數據較為均勻，故構造加權差異圖時融合係數ρ選擇0.7進行處理。北京地區TerraSAR-X影像具有不均勻性，在構造加權差異圖時融合係數ρ選擇0.3進行處理。
圖 6 差異圖的構造放大圖Fig. 6 The difference images construction
圖選項
2.5 邊緣區域變化檢測試驗
為驗證本文設計的結合超像素和前景特徵的流行排序的方法可以有效地去除中心先驗假設，從而提高SAR影像邊緣部分的變化檢測精度，本文以Bern地區的SAR影像為例進行了邊緣變化檢測試驗。首先對前後時相的SAR影像進行裁剪，使得變化區域位於影像的邊緣。然後分別應用基於中心先驗假設的變化檢測方法[26]和本文方法分別進行變化檢測試驗，其結果分別如圖 7(c)和(d)所示。在變化檢測中，所有的SAR影像均未進行濾波預處理，兩種方法均利用顯著性排序圖與單像素對數差異圖進行點乘得到最終結果。圖 7(c)表明了基於中心先驗的檢測結果中間區域受噪聲影響較大，在真實情況下，這部分屬於未變化區域。圖 7(d)表明了本文方法可以明顯提高影像邊緣區域的變化檢測精度，有效地抑制了未變化區域的噪聲。
圖 7 邊緣變化檢測試驗結果Fig. 7 The change detection near the edge
圖選項
2.6 試驗結果與分析
採用4種變化檢測方法對3組數據集進行檢測，檢測結果如圖 8所示。其他3種變化檢測方法分別是對數比算子結合FCM聚類的算法(LF算法)、基於改進的對數比算子和直方圖統計的算法[13](LH算法)、結合差分圖像和K-means聚類的算法[41](CDI-K算法)。其中LF算法即構造對數比算子差異圖，再利用FCM聚類分析得到變化檢測圖。LH算法即利用鄰域對數比算子和像素級對數比算子相結合構造差異圖，再利用直方圖統計把第1個相鄰灰度值像素數比值作為閾值進行處理。CDI-K算法將差分圖像和對數差分圖像融合，再利用K-means分析。4種算法均採用改進的增強型Lee濾波進行SAR影像預處理，如圖 8所示。其中白色表示變化，黑色表示未變化。3個數據集的定量評價分別見表 1、表 2、表 3。
圖 8 3組數據集的檢測結果Fig. 8 The detection results of three datasets
圖選項
表 1 Bern地區數據集的變化檢測評價Tab. 1 The evaluation results of the dataset in Bern area
表 2 黃河地區數據集的變化檢測評價Tab. 2 The evaluation results of the dataset in Yellow River area
表 3 北京地區SAR影像數據集的變化檢測評價Tab. 3 The evaluation results of the dataset in Beijing area
由圖 8可以看出，本文方法檢測得到的結果最接近真實標註圖，可以有效抑制噪聲對變化區域檢測的影響，減少了孤立點，例如在第2組數據集上，LF、LH、CDI-K算法明顯不能很好抑制由於噪聲造成的偽變化，尤其圖像底部區域受噪聲影響較為嚴重，利用本文方法可以將這部分區域作為非顯著性區域檢測為未變化區域來儘可能抑制噪聲的影響，而利用其他算法進行檢測對於該區域噪聲抑制效果不明顯，從而出現了大面積的虛警。並且利用本文方法可以較好地保持變化區域內部的一致性，在視覺效果上優於其他算法。
由表 1—表 3可知，針對3組數據集，本文方法在OE、PCC、Kappa係數指標上均優於其他方法，相比於LF、LH和CDI-K算法，針對Bern地區數據集上，本文方法在Kappa係數指標上分別提升了0.067 7、0.034 9和0.110 6；針對黃河地區數據集，本文方法在Kappa係數指標上分別提升了0.235 5、0.168 3和0.173 1；針對北京地區數據集，本文方法在Kappa係數指標上分別提升了0.035 6、0.110 4和0.266 9。定量結果與圖 8所示的定性分析結果一致，綜上可知，本文方法與其他方法相比具有一定優越性。
利用本文方法對3組數據集獲取的差異圖的超像素分割圖、前景排序圖及排序圖與對數差異圖點乘結果如圖 9所示。圖 9中的前景特徵排序圖(b)、(e)、(h)表明本文方法強化了部分變化區域並弱化了大部分未變化區域，但是存在強化了變化區域的邊界區域(實際是未變化區域)的問題。單像素對數差異圖具有保留變化細節的特性，將前景特徵排序圖與單像素對數差異圖進行點乘，可以實現強化變化區域並抑制未變化區域內的噪聲，從而提高變化檢測的精度。通過對圖 9(c)、(f)、(i)做OTSU閾值分割即可得到最終變化檢測結果(圖 8(d)、(i)、(n))。
圖 9 3組數據集本文方法的中間結果Fig. 9 The intermediate results of proposed method on three datasets
圖選項
2.7 算法定性分析
由於以上3組圖像尺寸均較小，為儘量避免檢測結果的主觀性影響，所以基於解析度為3 m的TerraSAR-X衛星提供的兩幅分別於2012年1月11日和2013年1月19日拍攝的SAR影像進行變化檢測的研究，顯示地域均為北京奧林匹克公園中心鳥巢體育館附近，圖像大小均為2420×2240像素，前後時相SAR影像和利用GoogleEarth得到的光學遙感影像、變化區域標記圖及選擇合適的超參數應用本文方法得到的變化檢測圖如圖 10所示，將2240×2420像素大小的SAR影像分割為4個部分分別進行檢測再拼接在一起。由最終SAR影像的變化檢測圖即圖 10(c)與變化區域標記圖即圖 10(f)對比定性分析可以看出檢測結果具有一定的可靠性和準確性，但也存在由於道路區域等散斑噪聲的干擾而導致的誤檢、漏檢，以及在較大尺寸的SAR影像變化檢測中不同的數據分布對超參數選擇具有一定的依賴性，包括對數據的濾波預處理的選擇。
圖 10 一組較大尺寸SAR影像及其變化檢測Fig. 10 A large-size SAR image dataset and its change detection image
圖選項
3 總結與展望
針對流行排序算法的中心先驗假設不適用於SAR影像邊緣變化檢測以及變化區域內部存在誤檢測的問題，本文設計了一種基於超像素分割和前景特徵流行排序的SAR變化檢測方法。該方法構造基於單像素和鄰域融合的對數比差異圖，並對差異圖進行SLIC超像素分割，利用灰度值構造無向圖，基於前景特徵的流行排序得到最終排序結果即顯著性圖，將顯著性圖與單像素對數差異圖點乘的結果圖進行閾值處理後得到最終二值變化檢測圖。本文在3組數據集上與其他算法進行了定量分析對比，驗證了本文方法的有效性。尤其是對不均勻SAR影像的變化檢測，本文方法整體性能優於其他算法。本文方法仍有一些不足：①算法性能依賴SLIC超像素分割結果，如果分割結果無法完全貼合變化區域的邊界，則會導致分類錯誤。如何得到更精確的邊界分割結果是今後需要進一步研究的方向。②本文方法對超參數的選擇具有一定的依賴性，在不同的數據集上需要選擇不同的超參數，實現超參數的自適應選擇是未來需要解決的問題。
作者簡介
第一作者簡介：羅卿莉(1985—)，女，博士，副教授，研究方向為攝影測量與遙感。E-mail：luoqingli@tju.edu.cn