一种新的无监督SAR影像变化检测∗

余银峰，祝美玲

(1.新疆大学信息科学与工程学院，新疆 乌鲁木齐 830046；2.乌鲁木齐市第59中学，新疆 乌鲁木齐 830002；)

遥感影像变化检测技术被广泛地应用在环境监测、土地使用、农业规划、森林监测以及洪涝灾害监测等方面[1].在众多不同的遥感影像数据来源中，合成孔径雷达数据因为合成孔径雷达传感器独立于大气和阳光条件而成为最理想的用于分析地物变化检测的数据来源.比如在暴雨季节发生洪涝灾害时，合成孔径雷达数据可以很好地用于土地淹没变化监测，而光学传感器获得的数据却无能为力.与此同时，随着对地观测项目的不断发展与推进，越来越多的合成孔径雷达能够在越来越短的时间间隔里对同一地区的地物进行监测.因此合成孔径雷达影像的变化检测引起越来越多的学者关注.

可是，合成孔径雷达影像由于存在斑点噪声导致合成孔径雷达影像的变化检测较其它方法困难.迫切需要推出准确率更高和抗斑点噪声能力更强的算法.很多学者在这方面做出过大量的研究工作，也取得了很多成果.这些研究可以分为有监督的[2]和无监督的（模糊C均值聚类法[3]）.在无监督合成孔径雷达影像的变化检测研究中，一些学者通过多级极限学习机来对空间邻域信息建模从而完成多时相SAR影像变化检测[4,5].这些已有方法致力于构建一个抗斑点噪声的分类模型来对差值图像进行分析，但生成差值图像会受到斑点噪声的影响.降低生成差值图像里的斑点噪声含量和选择更好的分类器有望改善变化检测的结果.

针对传统的遥感影像变化检测算法无法同时降低虚警和漏警数量，不能同时确保高准确率和抗斑点噪声能力的现状，设计了一种新的基于曲波变换和自适应脉冲耦合神经网络相结合的遥感影像变化检测算法.该算法同时考虑了两个问题：（1）降低差值图像中的斑点噪声的含量，即采用曲波变换(Curvelet Transform，简称CT)与曲波逆变换降低差值图像中的斑点噪声的含量，曲波变换由于多尺度、多方向分解所具有的旋转、平移、尺度不变性而在图像方面的应用非常广泛，如基于曲波变换的图像去噪[6−8]、基于曲波变换的影像增强[9,10]、基于曲波变换的图像融合[11−13]；（2）对变化区域进行分类的分类器要好，即采用阈值自适应的脉冲耦合神经网络（Adaptive Pulse Coupled Neural Network，简称APCNN）这个分类器[14,15].近年来，关于曲波变换和自适应脉冲耦合神经网络的研究和应用很多，比如基于曲波变换和适应脉冲耦合神经网络的图像融合[16]，但是基于曲波变换和适应脉冲耦合神经网络的SAR影像变化检测尚未见报导.本文提出了一种基于曲波变换和自适应脉冲耦合神经网络无监督的、不同时相的遥感影像的像素级变化检测新算法.将本文算法与比较算法对比，结果显示了本文算法具有更高的抗噪能力和检测精确度.

1 理论模型和实现算法

本文首次将Curvelet变换与自适应脉冲耦合神经网络结合在一起解决遥感影像的变化检测问题.首先采用曲波变换与曲波逆变换降低两幅输入图像中的斑点噪声的含量，将两幅输入图像分别变换到频域，由于曲波变换在图像被旋转、被平移时具有尺度不变的特点，因此，采用曲波变换能够使两幅输入图像在变换到频域时保持各自尺度不变，保持了两幅输入图像各尺度的频域信息的准确性.在将输入图像变换到频域后，就可以获得多个能量系数集，这里的多个能量系数集的尺度各不相同，方向也各不相同.对每个能量系数集进行噪声估计，得到每个能量系数集的噪声方差.由于不同尺度的能量系数集的噪声方差有所差异，根据每个尺度的能量系数集的噪声方差，对噪声方差对应尺度的能量系数集进行去噪，能够找回被误当作噪声而删除的点，避免一刀切的情况，即避免采用同一噪声方差将真正变化的点当作噪声而删除的情况，能够有效地降低变化检测结果的漏警数量，进而提高变化检测结果的准确性.经过去噪处理之后进行曲波逆变换就得到降噪之后的两幅输入图像.紧接着对滤波之后的图像进行对数比运算获得对数比图像.然后利用自适应脉冲耦合神经网络将对数比图像进行变化类与未变化类的分类，得到像素级的变化区域的检测图.同时，自适应脉冲耦合神经网络还具有去噪的功能，能够再次对对数比图像进行去噪，提高方法的抗噪性能，提高对对数比图像进行二分类的准确性.

本文算法流程如图1所示，算法的具体实现步骤如下：

图1 算法框架图Fig 1 The architecture of the proposed algorithm

1）对一幅图像X进行多尺度多方向滤波CurveletDenoise.

①图像Curvelet变换.

其中，这里的曲波变换和公式（6）中的曲波逆变换在很多文献中都有描述，这里采用的是CurveLab Toolbox（Version 2.1.3）中的函数.

②产生相同尺寸的随机图像，

③随机图像Curvelet变换，

④噪声估计，

⑤局部滤波，

⑥Curvelet逆变换，

2)对不同时相的两幅输入图像I1和I2同时进行多尺度多方向滤波Curvelet Denoise，

3)对滤波之后的图像获得对数比图像，

4)用自适应脉冲耦合神经网络对对数比图像进行2类分类，从而得到最终的变化检测结果，

2 实验结果

2.1 数据集

用两组SAR影像进行对比实验测试本文算法的性能.第一组的时相1和时相2的遥感影像分别是1997年5月和1997年8月获取的，地点是渥太华，如图2（a1）、图2（a2）所示.第二组的时相1和时相2的遥感影像分别是1996年8月24日和1999年8月14日获取的，地点是越南红河，如图3（a1）、图3（a2）所示.图2（a3）、图3（a3）分别是渥太华地区和越南红河地区的地面真实情况变化图.每组影像裁切成256×256的大小.

图2 渥太华地区(a1)时相1；(a2)时相2；(a3)地面变化实况图Fig 2 Ottawa (a1) t1; (a2) t2; (a3) Ground truth

图3 越南红河(a1)时相1；(a2)时相2；(a3)地面变化实况图Fig 3 Vietnam Red River (a1) t1; (a2) t2; (a3) Ground truth

2.2 变化检测图肉眼定性比较

图4 渥太华地区检测结果图Fig 4 Change detection map of Ottawa (a1)PCANet；(a2)NR-ELM；(a3) FDA-RMG；(a4) Proposed

图5 越南红河地区检测结果图Fig 5 Change detection map of Vietnam Red River (a1)PCANet；(a2)NR-ELM；(a3) FDA-RMG；(a4) Proposed

比较算法是PCANet[17]、NR-ELM[5]和FDA-RMG[18]，本文所提算法简称为CT-APCNN.

首先进行肉眼定性比较.图4(a1)、图4(a2)、图4(a3)和图4(a4)分别是PCANet、NR-ELM、FDA-RMG和CTAPCNN四大算法在渥太华地区的算法结果图.图5(a1)、图5(a2)、图5(a3) 和图5(a4) 分别是PCANet、NRELM、FDA-RMG和CT-APCNN四大算法在越南红河地区的算法结果图.图4(a4)的噪声点比图4(a1)、图4(a3)略少，比图4(a2)少得多.图5(a4)的噪声点比图5(a1)、图5(a2)略少，比图5(a3)少得多.

2.3 抗噪能力定量比较

选择抗噪能力[19]定量比较算法性能.对于一幅大小为H×W的输入图像I，添加高斯噪声或者斑点噪声得到图像In，那么这两幅图像的峰值信噪比定义为：

算法的抗噪性能是用来描述加入噪声前后导致检测结果发生变化的程度，变化程度越小，算法越稳定，说明算法的抗噪性能越好.对于不同时相的两幅大小均为H×W的输入遥感影像I1和I2，对I1（也可以对I2）添加一定程度的某种噪声得到In1.输入I1和I2，得到没有添加噪声的检测结果CM；输入In1和I2，得到同一算法添加噪声的检测结果CMn.该算法的抗噪性能可由下式计算得出[19]：

由图6可知，斑点噪声在PSNR∈[31,56]dB 的范围内，本文算法的抗噪性能比PCANet、FDA-RMG略高，比NR-ELM高；由图7可知，高斯噪声在PSNR∈[35,50]dB 的范围内，本文算法的抗噪性能比PCANet、FDARMG略高，比NR-ELM高.

图6 不同程度斑点噪声的抗噪性能比较图Fig 6 Comparisons of anti-speckle noise ability

图7 不同程度高斯噪声的抗噪性能比较图Fig 7 Comparisons of anti-Gaussian noise ability

2.4 Kappa系数、召回率和F1定量比较

不同时相的两幅大小均为H×W的输入遥感影像I1和I2，算法的检测结果为CM，地面变化参考图是GT.

在CM中为1而在GT中为0的就是虚警，记作FP.在CM中为0而在GT中为1的就是漏警，记作FN.在CM中为1在GT中也为1的就是正确检测出了变化类的，记作TP.在CM中为0在GT中也为0的就是正确检测出了未变化类的，记作TN.

本文这部分将用以下三个变化检测算法性能的定量比较指标：1）Kappa系数KC[5]值越大算法性能越好；2）召回率Recall值越大算法性能越好；3）F1值越大算法性能越好.

实验结果如表1所示.

表1 算法性能的定量比较Tab 1 Quantitative comparison of algorithm performance

从实验结果可以看出，本文算法的OE最小.与PCANet[17]、NR-ELM[5]和FDA-RM[18][10]算法相比，本文算法的KC指标至少高出0.58个百分点，Recall指标至少高出4.28个百分点，F1指标至少高出0.74个百分点.

3 实验分析

由图4、图5及表1综合可知，本文所提算法的检测精度比PCANet、FDA-RMG略高，比NR-ELM高.由图6和图7知，无论是高斯噪声还是斑点噪声，在PSNR∈[35,50]dB 的范围内，本文算法的抗噪性能比PCANet、FDARMG略高，比NR-ELM高.

采用曲波变换与曲波逆变换首先降低了差值图像中斑点噪声的含量.由于充分借助曲波变换的多尺度多方向的分解并对分解系数进行滤波，这样的分解促使滤波具有旋转、平移、尺度不变性，有效地降低了漏警数量.自适应脉冲耦合神经网络具有阈值自动确定的特点，有效地提高了算法的准确率和抗噪性能.本文算法充分将曲波变换的多尺度、多方向和自适应脉冲耦合神经网络的优势结合在一起，使得本文算法比比较算法的抗噪性能和检测准确度更高.

4 结语

把曲波变换和自适应脉冲耦合神经网络相结合，并把它应用于遥感影像的变换检测的方法是一种无监督的像素级的变化检测新算法.无论是从定性的视觉角度，还是从Kappa系数、召回率和F1这三项定量指标，与PCANet、NR-ELM和FDA-RMG算法相比，本文算法的检测精度均高于比较算法.与此同时，从抗噪性能这一量化指标来说，本文算法相比比较算法抗噪能力更强.

本文算法属于无监督算法，基于有监督的遥感影像变化检测是下一步工作的方向.本文研究对象是遥感影像，将研究对象扩展到高光谱图像领域，将是下一步工作的另一个方向.