王 平 王宜懷 劉長(zhǎng)勇 彭 濤

1(武夷學(xué)院數(shù)學(xué)與計(jì)算機(jī)學(xué)院 福建 武夷山 354300)2(蘇州大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 江蘇 蘇州 215006)3(認(rèn)知計(jì)算與智能信息處理福建省高校重點(diǎn)實(shí)驗(yàn)室 福建 武夷山 354300)

0 引 言

合成孔徑雷達(dá)(SAR)圖像的變化檢測(cè)，目標(biāo)是生成一個(gè)變化圖，表述兩時(shí)相或多時(shí)相圖在不同標(biāo)定時(shí)間之間的變化情況，其廣泛應(yīng)用在環(huán)境監(jiān)測(cè)、生態(tài)監(jiān)測(cè)、城市發(fā)展研究、農(nóng)林監(jiān)測(cè)、自然災(zāi)害評(píng)估等領(lǐng)域[1]。SAR圖像以微波成像，圖像強(qiáng)度值與地面目標(biāo)的后向散射成正比，易產(chǎn)生不易濾波處理的斑點(diǎn)噪聲，進(jìn)而對(duì)變化檢測(cè)精度造成較大影響。如何在噪聲抑制和變化細(xì)節(jié)保留之間進(jìn)行均衡，提升變化檢測(cè)精度，是處理過(guò)程中需要解決的重要問(wèn)題。

從SAR圖像變化檢測(cè)技術(shù)流程來(lái)看，主要有圖像預(yù)處理、變化信息發(fā)現(xiàn)、區(qū)域提取或變化類型確定等幾個(gè)步驟。其中，信息發(fā)現(xiàn)和區(qū)域提取是變化檢測(cè)的研究熱點(diǎn)，且方法眾多。從差異圖(DI)角度進(jìn)行變化檢測(cè)處理是一種常用的途徑，其辦法是先構(gòu)建兩時(shí)相SAR圖的DI，然后再對(duì)DI分析處理。

DI構(gòu)建方法中，傳統(tǒng)的方法有差值法、比值法(R)[2]、改進(jìn)比值法(IR)[3]、對(duì)數(shù)比值法(LR)[4]、均值法等，但這些方法均沒(méi)有利用像素點(diǎn)周圍的鄰域空間變化信息來(lái)減少斑點(diǎn)噪聲的影響，進(jìn)而造成精度較低。近年來(lái)提出的組合差異法的思路是將各種方法的優(yōu)點(diǎn)結(jié)合起來(lái)，特別是尋求噪聲抑制和圖像變化細(xì)節(jié)保留之間的均衡[5]。MR方法在處理中引入像素點(diǎn)的鄰域空間均值信息，能抑制斑點(diǎn)噪聲，圖像平滑，但未考慮區(qū)域異質(zhì)性，使得變化邊緣等異質(zhì)性較大的地方檢測(cè)不穩(wěn)定[6]。Liu等[7]利用MR方法和差值法進(jìn)行組合獲取DI，具有較好的效果。而NR方法采用自適應(yīng)斑點(diǎn)噪聲濾波算法常用的局部鄰域異質(zhì)性測(cè)度來(lái)控制鄰域空間信息對(duì)中心像素點(diǎn)變化檢測(cè)的影響，其本質(zhì)是將IR方法和空間鄰域均值信息通過(guò)異質(zhì)性測(cè)度來(lái)融合，但DI像素樣本分布不利于DI分析[8]。

在DI分析中，常用方法是將DI的像素點(diǎn)分為變化類和不變化類。文獻(xiàn)[5，7]針對(duì)DI采用k為2的K-means聚類，但對(duì)斑點(diǎn)噪聲影響的魯棒性較差，誤檢率較大。王建明等[9]采用基于自適應(yīng)距離的FCM算法，將DI聚類出變化和不變化的區(qū)域類別，精度有所提高。文獻(xiàn)[4]采用基于遺傳算法改進(jìn)的FCM算法對(duì)DI進(jìn)行處理，識(shí)別變化類和不變化類，進(jìn)而得到變化檢測(cè)圖。文獻(xiàn)[10]在DI上基于多粒度級(jí)聯(lián)森林和多尺度融化的方法進(jìn)行處理，進(jìn)而得到變化檢測(cè)圖。文獻(xiàn)[11]設(shè)計(jì)了識(shí)別DI特征空間的層次級(jí)聯(lián)FCM算法來(lái)得到變化和未變化的信息。但上述方法的樣本分類依據(jù)僅僅來(lái)源于DI，未考慮DI中殘留噪聲的影響，僅僅是粗粒度的分類。文獻(xiàn)[12]在利用FCM將DI像素樣本聚類成三類的基礎(chǔ)上，利用加速遺傳算法進(jìn)一步對(duì)不確定變化與否的像素樣本進(jìn)行分類進(jìn)而獲得變化檢測(cè)圖。文獻(xiàn)[13]設(shè)計(jì)了層次FCM算法來(lái)分析DI得到樣本標(biāo)簽，然后再將樣本結(jié)合原始圖像鄰域塊進(jìn)行SVD網(wǎng)絡(luò)分類，進(jìn)而得到變化檢測(cè)圖，對(duì)DI的噪聲殘留有一定的抑制效果。崔斌等[14]在層次FCM聚類的基礎(chǔ)上，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)中間類進(jìn)一步進(jìn)行分類處理，但該方法對(duì)中間類處理算法復(fù)雜，耗時(shí)較長(zhǎng)。

基于此，本文依托IR方法的高效性和NR方法抗噪性強(qiáng)的特性，提出了新的鄰域比方法INR，使得所構(gòu)建的DI樣本分布更利于分析。而在DI分析中，常用的直接聚類得到的檢測(cè)結(jié)果忽略了DI中殘留噪聲的影響。本文利用層次聚類獲得樣本標(biāo)簽、輸入時(shí)相圖鄰域塊特征向量作為樣本進(jìn)行ELM網(wǎng)絡(luò)分類訓(xùn)練而生成變化檢測(cè)二值圖，依托ELM網(wǎng)絡(luò)簡(jiǎn)單有效的非線性映射能力，能解決聚類分析方法中有用信息丟失的問(wèn)題，尤其是殘留噪聲影響的數(shù)據(jù)判別，實(shí)現(xiàn)對(duì)中間類細(xì)粒度處理，使得檢測(cè)效果明顯。

1 方法框架

假設(shè)有提前配準(zhǔn)預(yù)處理的兩時(shí)相SAR圖像I1和I2，則本文所提方法的總體框架如圖1所示。

圖1 本文所提方法的總體框架

本文所提方法的具體步驟如下：

(1) 基于INR的DI構(gòu)建。

(2) 對(duì)DI進(jìn)行層次FCM聚類，并得到聚類差異圖，該矩陣元素值為0、0.5和1。其中，0和1分別代表DI對(duì)應(yīng)像素點(diǎn)屬于不變化類和變化類，0.5代表可能噪聲殘留影響的中間類。

(3) 根據(jù)FCM聚類結(jié)果的變化類和不變化類像素，且以這些像素點(diǎn)為中心，提取兩時(shí)相圖的k×k圖像塊并組合在一起作為鄰域塊特征向量，依托ELM網(wǎng)絡(luò)簡(jiǎn)單有效的非線性映射能力，構(gòu)造ELM網(wǎng)絡(luò)的訓(xùn)練樣本集，訓(xùn)練ELM網(wǎng)絡(luò)，并將兩時(shí)相圖的所有k×k鄰域塊特征向量作為測(cè)試樣本集。

(4) 根據(jù)訓(xùn)練好的ELM網(wǎng)絡(luò)，對(duì)測(cè)試樣本集進(jìn)行分類，可實(shí)現(xiàn)將FCM聚類結(jié)果值為0.5的中間類像素進(jìn)一步確定為變化類和不變化類，最終得到與該兩時(shí)相SAR圖關(guān)聯(lián)的變化檢測(cè)二值圖。

2 相關(guān)要點(diǎn)原理

2.1 差異圖矩陣(DI)計(jì)算

SAR圖像的配準(zhǔn)預(yù)處理雖然實(shí)現(xiàn)了圖像斑點(diǎn)噪聲濾波和對(duì)齊等處理，但其殘留的乘性斑點(diǎn)噪聲仍然會(huì)嚴(yán)重影響變化檢測(cè)的精度，因而，好的DI生成方法能提高變化檢測(cè)的精度。假設(shè)In(i,j)表示SAR圖像In中處于(i,j)位置上的像素強(qiáng)度值，i∈[1,M]，j∈[1,N]，其中，M、N分別對(duì)應(yīng)時(shí)相SAR圖像In的維度，則R方法可以表示為：

(1)

式中：DR表示采用R方法得到的DI；DR(i,j)表示DR中處于(i,j)位置的DI的像素強(qiáng)度值。經(jīng)過(guò)分析，R方法只能檢測(cè)諸如像素點(diǎn)強(qiáng)度值增大或減小變化類型中的一種，基于R方法改進(jìn)得到IR方法則可以實(shí)現(xiàn)各種變化類型的檢測(cè)。IR方法可以表示為：

(2)

則DIR(i,j)值越大，代表該像素點(diǎn)對(duì)應(yīng)的原始輸入兩時(shí)相SAR圖的像素未發(fā)生變化，反之，則發(fā)生了變化。實(shí)際應(yīng)用表明，像素比值法對(duì)校正和輻射測(cè)量的誤差都具有較好的魯棒性，且融合SAR圖像的鄰域強(qiáng)度均值信息生成的DI可以減少乘性或加性斑點(diǎn)噪聲的影響，這也是提出MR、NR方法的依據(jù)。MR方法直接根據(jù)IR方法來(lái)改進(jìn)，其表示為：

(3)

式中：u1(x)、u2(x)分別表示SAR圖像I1和I2的以(i,j)位置為中心鄰域空間x(大小為r×r)的強(qiáng)度均值。DMR(i,j)值越大，代表該像素點(diǎn)對(duì)應(yīng)的原始輸入兩時(shí)相SAR圖的像素未發(fā)生變化，反之，則發(fā)生了變化。分析式(3)可知，MR方法不僅可以檢測(cè)各種類型的變化，且在一定程度上能抑制斑點(diǎn)噪聲的影響，能提高兩時(shí)相SAR圖像變化檢測(cè)精度。NR方法正是結(jié)合了IR和MR方法優(yōu)點(diǎn)，采用異質(zhì)性測(cè)度值θ來(lái)作為權(quán)重比，其表示為：

(4)

式中：Ωx表示兩幅SAR圖像以(i,j)位置為中心的鄰域空間x的集合；I1(x)、I2(x)定義為取以(i,j)位置為中心的鄰域空間x塊矩陣像素強(qiáng)度值；θ=σ(x)/μ(x)是鄰域Ωx的異質(zhì)性測(cè)度，σ(x)是鄰域Ωx的標(biāo)準(zhǔn)差，μ(x)是鄰域Ωx的均值。較小的θ對(duì)應(yīng)一個(gè)同質(zhì)區(qū)域，則式(4)的后一部分所占比重大，反之，較大的θ對(duì)應(yīng)一個(gè)異質(zhì)區(qū)域，則式(4)的前一部分所占比重大。

基于NR思想，本文在IR的基礎(chǔ)上引入異質(zhì)性測(cè)度θ，實(shí)現(xiàn)融合中心像素點(diǎn)強(qiáng)度和局部鄰域均值信息的線性組合，形成本文提出的INR方法，其表示為：

DINR(i,j)=

(5)

式中：DINR表示采用INR方法得到的DI；DINR(i,j)表示DINR中位置處于(i,j)位置的DI的像素強(qiáng)度值；u1(x)、u2(x)定義如前所述；θ1和θ2分別是SAR圖像I1和I2是鄰域x的異質(zhì)性測(cè)度；常數(shù)C解決分母可能趨近于0問(wèn)題，常根據(jù)C=(kL)2取值，L為SAR圖像灰度級(jí)別，如8位灰度強(qiáng)度則取值為255，k一般取值為0.003。

分析式(5)可知，DINR(i,j)值越大，則兩時(shí)相SAR圖間的相似度越大，對(duì)應(yīng)的像素點(diǎn)也越可能沒(méi)有變化，反之，DINR(i,j)值越小則越可能發(fā)生了變化。這可解釋為：若有一個(gè)以像素位置(i,j)為中心的同質(zhì)區(qū)域，此時(shí)θ取值小，表明此區(qū)域在前后時(shí)相圖像中是未變化的，則式中鄰域x的均值信息u(x)占比重較大，而可能受斑點(diǎn)噪聲干擾的中心像素點(diǎn)強(qiáng)度值I(i,j)占比重小，使得比值法的min/max模式能很好地識(shí)別出該像素點(diǎn)及其鄰域空間的不變性；反之，如果是異質(zhì)區(qū)域，則θ取值大，在式(5)中，中心像素點(diǎn)強(qiáng)度值I(i,j)占比重大，此時(shí)min/max模式又更能細(xì)致反映各種變化類型的像素點(diǎn)變化情況，實(shí)現(xiàn)了變化細(xì)節(jié)保留。

另外一個(gè)問(wèn)題是異質(zhì)性測(cè)度值歸一化，式(5)中θ1和θ2的理想值為[0,1]，但是當(dāng)σ(x)>μ(x)時(shí)，可能出現(xiàn)該值大于1情況，而造成DINR(i,j)取值可能為負(fù)，無(wú)法理想地表達(dá)變化關(guān)系，可以使用下式對(duì)異質(zhì)性測(cè)度值進(jìn)行統(tǒng)一歸一化：

(6)

2.2 層次FCM聚類

根據(jù)所提的INR方法進(jìn)行計(jì)算得到的DI，通過(guò)FCM聚類方法[15]，將其元素分3類，即變化類Ωc、中間類Ωi和不變化類Ωu。其中，變化類Ωc和不變化類Ωu為變化概率和不變化概率高的像素點(diǎn)，而中間類Ωi呈現(xiàn)變化與否的不確定性，其可能是噪聲殘留的影響。進(jìn)一步，由于單一的FCM聚類可能會(huì)造成中間類Ωi的比重過(guò)大，使得有用信息的丟失過(guò)大，影響最終變化檢測(cè)的精度，因而采用層次FCM聚類的方法，具體方法的步驟如下：

輸入：差異圖矩陣DI

(7)

(8)

(5) 轉(zhuǎn)至第(3)步，直到t=m后退出。

輸出：層次FCM聚類結(jié)果得到表示為帶有標(biāo)簽{Ωc,Ωi,Ωu}的DI像素集合。

經(jīng)過(guò)層次FCM聚類后，我們得到了一張標(biāo)有{Ωc,Ωi,Ωu}的變化圖。屬于Ωc的像素變化概率較大且令其值為0標(biāo)簽，屬于Ωu的像素不變化概率較大且令其值為1標(biāo)簽，這兩種像素可以構(gòu)造ELM網(wǎng)絡(luò)的訓(xùn)練樣本。而屬于Ωi的標(biāo)簽值為0.5的像素為不確定變化與否的中間類，其進(jìn)一步的標(biāo)簽確定將由ELM網(wǎng)絡(luò)根據(jù)空間鄰域塊特征向量分類而完成，這樣就解決了可能的DI殘留噪聲影響。

2.3 ELM二分類

根據(jù)2.2節(jié)層次FCM聚類后的結(jié)果，且為了進(jìn)一步解決Ωi的類別問(wèn)題，將Ωc和Ωu作為兩輸入時(shí)相圖的鄰域塊特征向量的樣本標(biāo)簽構(gòu)造分類器的訓(xùn)練樣本集，訓(xùn)練ELM網(wǎng)絡(luò)[16]，并將所有鄰域塊特征樣本構(gòu)造成ELM網(wǎng)絡(luò)的測(cè)試樣本集，最終可得到變化檢測(cè)圖。具體方法的步驟如下：

(1) 生成以Ωc和Ωu類對(duì)應(yīng)像素為中心的兩輸入時(shí)相圖的鄰域塊特征，并構(gòu)造標(biāo)簽為Ωc和Ωu的訓(xùn)練樣本集。其中，鄰域塊特征向量構(gòu)造方法是以對(duì)應(yīng)位置像素為中心，取大小為k×k的像素塊構(gòu)成，將兩輸入時(shí)相圖的鄰域塊特征按如圖2所示(圖中k取3)形式轉(zhuǎn)換并連接為行向量形式，作為ELM網(wǎng)絡(luò)的樣本特征向量，再加上中心像素點(diǎn)的類別標(biāo)簽，即構(gòu)成ELM網(wǎng)絡(luò)的訓(xùn)練樣本集。同理，按同樣的方法按序選取所有的像素為中心，取大小為k×k的像素塊構(gòu)造圖像鄰域塊特征，即構(gòu)成ELM網(wǎng)絡(luò)的測(cè)試樣本集。

圖2 兩輸入時(shí)相圖鄰域特征向量的生成方法

(2) 基于訓(xùn)練樣本集對(duì)ELM網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

(3) 基于測(cè)試樣本集，利用訓(xùn)練好的ELM進(jìn)行二分類，最終得到變化檢測(cè)圖。

3 實(shí) 驗(yàn)

3.1 數(shù)據(jù)集描述和實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)數(shù)據(jù)集使用三組真實(shí)且已配準(zhǔn)預(yù)處理的SAR圖像數(shù)據(jù)，分別是Bern地區(qū)數(shù)據(jù)、Ottawa地區(qū)數(shù)據(jù)和Sardinia地區(qū)的兩時(shí)相圖及手動(dòng)真值圖，如圖3-圖5所示。

圖3 Bern地區(qū)數(shù)據(jù)

圖4 Ottawa地區(qū)數(shù)據(jù)

圖5 Sardinia地區(qū)數(shù)據(jù)

為了驗(yàn)證本文算法的有效性，具體實(shí)驗(yàn)設(shè)置如下：

(1) 四種DI構(gòu)建方法的對(duì)比：本文所提的INR方法與IR方法、MR方法和NR方法，通過(guò)其所生成的DI及直方圖進(jìn)行分析。

(2) 變化檢測(cè)二值圖對(duì)比：將四種方法生成的DI按本文設(shè)計(jì)的DI分析方法取得變化檢測(cè)二值圖，并進(jìn)行性能的對(duì)比。

(3) 本文方法與其他典型的幾種變化檢測(cè)方法對(duì)比，以評(píng)估本文方法的有效性。

本文所提算法的參數(shù)設(shè)置為鄰域空間x均值矩陣 大小r取值為3，層次FCM聚類的第一輪聚類數(shù)為3，第二輪聚類數(shù)m為7，聚類預(yù)設(shè)參數(shù)σ1取值為1.12，σ2取值為1.10，鄰域塊特征矩陣大小k取值為5，ELM分類器輸入層節(jié)點(diǎn)數(shù)為50，隱含層節(jié)點(diǎn)數(shù)為10，輸出層節(jié)點(diǎn)數(shù)為2。數(shù)據(jù)對(duì)比采用較為廣泛使用的定量分析方法，假設(shè)圖像總像素個(gè)數(shù)為N，則定量數(shù)據(jù)包括漏檢像素?cái)?shù)FN、誤檢像素?cái)?shù)FP、總錯(cuò)誤數(shù)OE、正確率PCC和KAPPA系數(shù)。

OE=FN+FP

(9)

PCC=(N-OE)/N

(10)

KAPPA=(Pr(a)-Pr(e))/(1-Pr(e))

(11)

式中：TP為確定變化的像素且在變化檢測(cè)中被正確檢測(cè)為變化的像素?cái)?shù)；TN為確定未變化的像素且在變化檢測(cè)中被正確檢測(cè)為未變化的像素總數(shù)；Pr(e)=((TP+FN)×(TP+FP)+(TN+FN)×(TN+FP))/N2，Pr(a)=(TN+TP)/N。KAPPA系數(shù)值越趨近于1，表明變化檢測(cè)的效果越好，根據(jù)其一致性等級(jí)劃分，一般為當(dāng)其取值為0.81～1時(shí)，得到的變化檢測(cè)結(jié)果跟手動(dòng)真值圖更接近且趨于一致。

3.2 實(shí)驗(yàn)結(jié)果及分析

(1) 四種DI構(gòu)建方法的對(duì)比：本文INR方法和IR方法、MR方法和NR方法對(duì)兩組數(shù)據(jù)處理得到的DI及其直方圖分別如圖6-圖8所示。

(a) IR方法及其直方圖

(b) MR方法及其直方圖

(c) NR方法及其直方圖

(d) 本文INR方法及其直方圖圖6 Bern地區(qū)數(shù)據(jù)DI對(duì)比

(a) IR方法及其直方圖

(b) MR方法及其直方圖

(c) NR方法及其直方圖

(d) 本文INR方法及其直方圖圖7 Ottawa地區(qū)數(shù)據(jù)DI對(duì)比

(a) IR方法及其直方圖

(b) MR方法及其直方圖

(c) NR方法及其直方圖

(d) 本文INR方法及其直方圖圖8 Sardinia地區(qū)數(shù)據(jù)DI對(duì)比

差異圖DI反映兩時(shí)相SAR圖像之間的變化情況，尤其需突出變化區(qū)域和輪廓，且還應(yīng)有高的噪聲抑制魯棒性。在其直方圖中，將會(huì)呈現(xiàn)兩個(gè)波峰的數(shù)據(jù)分布，其中未發(fā)生變化像素?cái)?shù)的波峰應(yīng)高、集中且更靠近零灰度值附近，而發(fā)生變化像素?cái)?shù)對(duì)應(yīng)的波峰應(yīng)該更靠近1灰度值附近。從得到的DI及其直方圖可以看出，如圖6(a)、圖7(a)和圖8(a)所示，由于IR方法按單像素比的min/max求得DI，未考慮鄰域空間信息和區(qū)域異質(zhì)性，對(duì)圖像殘留斑點(diǎn)噪聲的抑制不夠，細(xì)微的強(qiáng)度值變化也會(huì)在DI中反映出來(lái)，所得DI的直方圖毛刺較多，且直方圖分布也表明樣本數(shù)據(jù)峰值分布不合理，尤其是噪聲殘留較多的圖6(a)，沒(méi)有明顯地體現(xiàn)變化像素和未變化像素的區(qū)分，勢(shì)必影響后續(xù)的DI分析。對(duì)于MR方法，其采用鄰域均值比的min/max求得DI，能較好地抑制斑點(diǎn)噪聲的影響，如圖6(b)、圖7(b)和圖8(b)所示，得到的DI平滑度好，但忽略了區(qū)域異質(zhì)性，對(duì)變化輪廓細(xì)節(jié)信息的丟失較為嚴(yán)重，因而邊緣表現(xiàn)不好，所對(duì)應(yīng)的直方圖顯示其數(shù)據(jù)峰值分布也不太好。對(duì)于NR方法，其結(jié)合了鄰域空間信息和區(qū)域異質(zhì)性測(cè)度，融合了IR方法和MR方法的優(yōu)點(diǎn)，去噪和細(xì)節(jié)保留也較好，但從其所生成的DI直方圖可以看出，如圖6(c)、圖7(c)和圖8(c)所示，波峰數(shù)據(jù)的分布仍然存在有不太好的現(xiàn)象，對(duì)進(jìn)一步的DI分析有影響。而本文所提的INR方法中引入異質(zhì)性測(cè)度來(lái)加權(quán)考慮中心像素灰度值和鄰域灰度均值信息，并以IR方法的min/max方式求得DI，從圖6(d)、圖7(d)和圖8(d)可以看出，圖像平滑性增強(qiáng)的基礎(chǔ)上仍然突出保留了變化輪廓細(xì)節(jié)，其直方圖顯示該法數(shù)據(jù)峰值分布最好，毛刺少，這將更利于后續(xù)的DI分析處理求得變化檢測(cè)圖。

(2) 變化檢測(cè)圖對(duì)比：將上面的DI分別按本文的DI分析方法得到的變化檢測(cè)二值圖，如圖9-圖11所示，定量分析的數(shù)據(jù)對(duì)比如表1-表3所示。

圖9 Bern地區(qū)變化檢測(cè)二值圖對(duì)比

圖10 Ottawa地區(qū)變化檢測(cè)二值圖對(duì)比

圖11 Sardinia地區(qū)變化檢測(cè)二值圖對(duì)比

表1 Bern地區(qū)變化檢測(cè)二值圖數(shù)據(jù)對(duì)比

表2 Ottawa地區(qū)變化檢測(cè)二值圖數(shù)據(jù)對(duì)比

表3 Sardinia地區(qū)變化檢測(cè)二值圖數(shù)據(jù)對(duì)比

由圖9可以看出，(d)的變化檢測(cè)圖輪廓和細(xì)節(jié)保留最好，與真實(shí)的手動(dòng)真值圖最接近，(c)和(b)次之，(a)雖然輪廓和細(xì)節(jié)保留也不錯(cuò)，但圖噪聲干擾太多，說(shuō)明IR方法噪聲殘留較多。從表1數(shù)據(jù)對(duì)比來(lái)看，IR方法誤檢像素?cái)?shù)最多，是造成其正確率低的主要原因；MR方法的漏檢數(shù)較高，是因?yàn)槠洳捎绵徲蚓当葋?lái)構(gòu)建DI，增強(qiáng)了DI的平滑性，但變化輪廓的邊緣信息丟失增多；NR方法的DI取得了不錯(cuò)效果，說(shuō)明其引入的鄰域均值信息和區(qū)域異質(zhì)性測(cè)度是有意義的；而本文的INR方法得到變化檢測(cè)圖各項(xiàng)數(shù)據(jù)最好，其PCC達(dá)到99.67%，KAPPA系數(shù)達(dá)到0.866 9，且比NR方法高出1個(gè)百分點(diǎn)。

由圖10可以看出，(d)變化細(xì)節(jié)保留最好，尤其是上半部分的變化細(xì)節(jié)更清晰，(c)次之，(a)和(b)的漏檢情況較多。從表2數(shù)據(jù)可以看出，本文INR方法得到變化檢測(cè)圖各項(xiàng)數(shù)據(jù)最好，漏檢數(shù)和誤檢數(shù)均較低，PCC達(dá)到97.03%，KAPPA系數(shù)達(dá)到0.879 6，且比NR方法高了3個(gè)多百分點(diǎn)。對(duì)比數(shù)據(jù)均表明本文所提的INR方法來(lái)生成DI更有利于DI分析。

根據(jù)Sardinia地區(qū)的手動(dòng)真值圖可以知道其變化細(xì)節(jié)要求較高，由圖11可以看出，仍然取得了較好的變化細(xì)節(jié)保留，(c)和(b)次之。從表3數(shù)據(jù)可看出，雖然幾種方法的誤檢像素?cái)?shù)均較高，但本文INR方法得到變化檢測(cè)圖各項(xiàng)數(shù)據(jù)最好，誤檢數(shù)相對(duì)較低，PCC達(dá)到97.65%，KAPPA系數(shù)達(dá)到0.812 0，且比NR方法高了2個(gè)多百分點(diǎn)。對(duì)比數(shù)據(jù)均也表明本文所提的INR方法來(lái)生成DI更有利于DI分析。

(3) 本文方法與其他典型的幾種變化檢測(cè)方法的對(duì)比：這些典型的SAR變化檢測(cè)方法有K-means方法、RFLICM方法、SIFT方法、S-PCANet方法和MRFFCM方法，且為實(shí)現(xiàn)對(duì)比公平性，這些方法的DI構(gòu)建均用本文所提的方法，其他參數(shù)設(shè)置均按其文獻(xiàn)闡述取值。三組SAR圖像數(shù)據(jù)的結(jié)果對(duì)比分別如圖12-圖14所示，定量分析的數(shù)據(jù)對(duì)比分別如表4-表6所示。

圖12 Bern地區(qū)六種檢測(cè)方法的變化檢測(cè)圖對(duì)比

圖13 Ottawa地區(qū)六種檢測(cè)方法的變化檢測(cè)圖對(duì)比

圖14 Sardinia地區(qū)六種檢測(cè)方法的變化檢測(cè)圖對(duì)比

表4 Bern地區(qū)六種檢測(cè)方法數(shù)據(jù)對(duì)比

表5 Ottawa地區(qū)六種檢測(cè)方法數(shù)據(jù)對(duì)比

表6 Sardinia地區(qū)六種檢測(cè)方法數(shù)據(jù)對(duì)比

從上述三組SAR圖像數(shù)據(jù)經(jīng)六種方法處理得到的變化檢測(cè)二值圖對(duì)比可以看出，在這些方法中，本文方法和S-PCANet方法表現(xiàn)最穩(wěn)定，因?yàn)檫@兩種方法均對(duì)DI中殘留的噪聲進(jìn)行了抑制，所得到變化檢測(cè)二值圖的輪廓和變化細(xì)節(jié)均較為清晰，更趨近于手動(dòng)真值圖。從表4-表6的數(shù)據(jù)對(duì)比進(jìn)一步看出，本文方法的PCC值均在97%以上，KAPPA值也均大于0.81，數(shù)值居于前兩位，尤其是Sardinia地區(qū)檢測(cè)細(xì)節(jié)要求高，本文方法也獲得了不錯(cuò)的結(jié)果，根據(jù)其一致性等級(jí)劃分，所得到的變化檢測(cè)結(jié)果均是有效的，趨近于手動(dòng)真值圖，這表明本文設(shè)計(jì)的DI分析方法是有效的，比其他典型的幾種變化檢測(cè)方法更優(yōu)。

4 結(jié) 語(yǔ)

本文針對(duì)兩時(shí)相的SAR圖像變化檢測(cè)問(wèn)題，提出了一種新的鄰域比方法INR來(lái)構(gòu)建DI并設(shè)計(jì)了一種新的DI組合分析方法。實(shí)驗(yàn)表明，通過(guò)該INR方法構(gòu)建的DI能更清晰地反映兩時(shí)相圖的變化性質(zhì)，能有效抑制斑點(diǎn)噪聲的影響，在圖像平滑性增強(qiáng)的基礎(chǔ)上仍然能突出變化輪廓細(xì)節(jié)，且使得DI的像素樣本分布更加合理，更利于DI分析。通過(guò)本文設(shè)計(jì)的DI組合分析方法，利用層次聚類獲得樣本標(biāo)簽、鄰域塊特征向量作為樣本進(jìn)行ELM網(wǎng)絡(luò)分類，得到變化檢測(cè)二值圖。實(shí)驗(yàn)結(jié)果再次表明INR方法有效的同時(shí)，數(shù)據(jù)對(duì)比的PCC值和KAPPA系數(shù)值也說(shuō)明了本文所設(shè)計(jì)的DI分析方法的有效性，其能對(duì)DI中殘留的噪聲進(jìn)行抑制，變化細(xì)節(jié)保留較好，使得變化檢測(cè)精度得以提升。下一步，將繼續(xù)對(duì)DI中殘留噪聲抑制進(jìn)行分析處理，考慮新的特征提取方法。