英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料

一种基于多时相多层级的高分辨率图像变化检测方法

Francesca Bovolo, Member, IEEE

摘要 本文提出了一种新的基于区域的高分辨率图像的高精度非监督变化检测技术。为了改善基于像素的变化检测性能，我们提出在多层次方法框架下利用空间环境信息。提出的以不同的分辨率水平定义的多时相和多层次“区域集”（即由原始的两个共有的小均匀区域图像）模拟场景（和变化）技术。通过应用多层次来实现变化检测对所研究的图像的每个像素进行矢量分析。这种技术适当地分析了所研究的空间的多层次和多时相区域空间信息位置。实验结果证实了多时相及多层次区域的适应性表明允许调查一个一定复杂的建模场景中的物体以及边界和细节变化的地区是有效的方法。

关键词：变化检测；多层级图像表示；多时相图像分析，高分辨率图像（VHR）

一 引言

变化检测是多时相遥感图像自动分析的最重要的应用之一。在一些文献中，已经提出了许多用中分辨率多光谱数据进行变化检测技术[1][2]。大部分文献通过分析在不同时间段获取的同一区域的两个图像逐像素对比得出可靠的变化检测图。然而，高分辨率（VHR）数据（例如，由QuickBird，IKONOS，SPOT-5和WorldView卫星采集的图像）的可用性产生了了一系列新的可能的应用，目前，这些应用需要生成具有高几何精度和对复杂对象/区域进行正确建模的能力的变化检测图。对于高分影像而言，传统的变化检测技术变得无效，因为传统影像通常假定空间独立性像素，这在数据中是不合理的，高分影像数据空间自相关不能近似为脉冲函数。

手稿于2008年4月17日收到; 2008年8月12日修订，2008年9月30日，首次出版2008年11月17日; 当前版本于2009年1月14日发布。

作者是与工程与计算机科学系，意大利特伦托大学，38050特伦托大学（电子邮件：francesca.bovolo@disi.unitn.it）。数字对象标识符10.1109 / LGRS.2008.2007429

因此，需要开发能够正确利用高分图像的具体属性的高精度变化检测方法。在这方面，虽然为自动分类技术发展作出了巨大的努力，但应致力于改变较少受到关注变化检测技术。在文献中，已经有一些根据基于图像分割程序获得的均匀区域上计算的特征之间的比较来证明非监督分类的方法[4][5]。即使这些高精度的方法非常适用于分析高分影像，它们也以像素（分辨率）级别对图像进行建模（和变化），而高分影像包括几个分辨率的信息。这些信息应该得到妥善的利用，以获得可靠的变化检测图。在[6]和[7]中可以找到一些尝试对不同尺度的变化/不变化信息进行建模，不过，[6]中的方法没有明确地考虑空间环境信息，而[7]中通过固定大小的相邻系统来建模它并不总是适当的，特别是在边境地区。[8]首先试图共同开发空间联系和多分辨率信息变化检测。

为了解决上述限制，在本文中，我们提出了一种新的非监督方法来对多时段高分影像进行变化检测，利用基于不同时间采集的图像建模，以适当的分辨率表示每个变化的区域。通过定义多层次和多时段的“区域”在不同的分辨率水平做场景（变化）建模。多时段区域代表像素的局部自适应邻域，并且在所考虑的多时间图像上具有均匀的属性。通过对基于多时段图像矢量变化分析（CVA）的多级扩展的特定比较算法来实现变化检测。进行包括矢量特征的正确比较，相当于多层级多时相空间环境位置信息的研究。地表的自适应性及其多分辨率允许充分表示模拟在场景中复杂对象，以及边界和区域变化的细节。获得的检测图显示了均匀和高精度的边界地区以及对地面形状变化，建模有高保真度，超越了标准的基于像素和单一面向对象的方法。

图1 本文的技术路线

二 采用多项地表变更检测技术

我们考虑两个核心的VHR多时间和多光谱图像，即分别由不同时间t1和t2在相同区域上获取的由B个频谱带组成的X1和X2（大小为Itimes;J）。 令Omega;= {omega;c，omega;n}分别是与改变和不变像素相关联的类的集合。 所提出的方法由以下三个主要步骤组成（见图1）：1）生成每个像素的空间上下文的分层多时间包裹模型; 2）基于多层次的包裹特征提取; 以及3）根据上下文敏感多级CVA技术生成最终变化检测图。

1. 分层多时相地表空间环境建模

第一阶段的想法是根据多层策略自适应地生成每个像素的时空环境模型。 每个分辨率级别根据预定义的光谱，空间和时间约束来定义。 这种表示允许通过使用不同级别的自适应多时相邻系统（即地表）来捕获和利用所考虑的数据集中存在的整个信息。 在每个尺度上，像素的特征是具有不同大小和形状的自适应多时空包，同时满足空间和时间域中的均匀性约束。[5]

为了表征每个像素的时空上环境，考虑到基于空间层次的多尺度表示，我们提出了基于以下两个步骤的过程：1）从像素级到更高级别的多时间图像的独立分层分割空间背景的表征；2）从步骤1获得的两个分割的多时间融合。[5]

根据以下形式定义获得多层高精度环境图像表征。 令Hl（.）为通用分辨率级别l（l = 0，...，L-1）的空间域中的均匀性度量，并且令P l（X）作为通过满足H1获得的图像X的分割图。 在一般级别l的分割图是一组N l个不相交区域ol s中的一个分区P l（X），其中ol ssube;X和= 1,2。。。 ，N l（即，P 1（X）= {ol 1，...，ol N l}），并且使得forall;1= 0。。。 ，L - 1，满足以下条件。

1）ol中的像素在空间上是连续的；

2）N s = 1 l ol s = X；

3）ol scap;ol r =empty;对于每对相邻区域ol s，ol r，s，r = 1,2。。。 ，N 1和r 1 = s；

4）Hl（ol s）= true；

5）对于每对相邻区域，H1（ol scup;ol r）= false；

6）Delta;Nq = 1 kl-1 ol q-1 = ol k，其中Nkl-1是对象的数量。

在1级组成第1级的第k个区域。 条件1）-3）保证，在每个分辨率级别，在X中的所有像素被分布到N个升空间上相邻但不重叠的区域。 条件4）确定有均匀性满足，条件5）表示每个区域（即，在每个级别，相邻区域的升对无法在不放松均匀性标准合并）在6 .The约束）的极大性保证了精确的层次结构 在不同级别定义的像素的上下文之间。 满足6）表示的区域相关联，以在电平L的像素 - 1不能被包括在电平L多于一个的段。 换句话说，在给定的电平与特定的像素的区域被完全包含在同一像素中的一个较高的水平（即，具有较低分辨率的水平）的区域。

可以根据不同的分割方法（例如，区域增长，分水岭等）来满足上述条件。 本文中，我们采用自下而上的区域合并分割算法，该算法根据以下迭代过程[10]，[11]进行操作。

1）定义考虑图像的初始分区（零级）（常见的选择是为场景中的每个像素定义一个区域）。

2）对于每对相邻的段，并且ol（s，r = 1,2，...，N l），评估Hl 1（ol scup;ol r）。

3）如果Hl 1（ol scup;ol r）lt;HTH l 1，则合并ol和ol; 否则，不合并。

4）迭代步骤2）和3），直到没有更多的合并是可能的，即直到没有满足均匀性标准的相邻的区域对。 当最小增长超过用户定义的阈值（所谓的控制HTH 1 1的比例参数）时，该过程停止。

使用所描述的区域增长过程导生成分割图，其在每个分辨率级别满足最大值属性，因为最终区域是给定HTH 1 1的最大可能性。 HTH 1 1的值越高，所得区段的尺寸越高（换句话说，随着HTH1 1的增加，相邻区域的融合中的均匀性测量的敏感性降低）。 改变比例参数，从而使HTH l 1能够获得所需的分层分段。值得注意的是，上述分割策略的基本标准也在商业软件包中实现[11]。

同质性度量的选择取决于所采用的特定分割算法。 本文中，已经使用了一种结合光谱和空间属性的均匀性度量[11]。 由于空间限制，我们参考[10]和[11]更多关于采用的均匀度测量的定义的细节。

为了计算所考虑的场景的时空背景的期望分层表示，上述分层分割技术使用相同的均匀性度量独立地应用于图像X1和X2，并且以相同的方式以比例参数变化。¹值得注意的是为了获得局部邻域像素的可靠表示，优化了分割图。这也允许人们控制分割错误对变化检测图的影响。分层分段导致两组L分割图P1 = {P 1（X1）}和P2 = {P 1（X2）}（l = 0，...，L-1）。将逻辑或应用于P1和P2中的相应分段级别，获得由两个考虑的图像共享的一组分层宗地图P1,2 = {P 1（X1，X2）}。在每个分辨率级别，地表满足空间和时间均匀性。这种方法本质上保证P1,2中的每个宗地图满足分层属性，因为P1和P2中的每个单个分割图都满足。

B.多层次地表特征提取

所提出的方法的第二步是通过利用P1,2中包含的信息来表征X1和X2中的每个像素。特别地，针对每个采集日期提取在给定分辨率级别l上的包裹中包含的像素上计算的平均矢量（其分量与所考虑的图像的不同频谱信道相关联）。还可以提取附加组件，例如用于表征不同宗地中每个像素的空间上下文的纹理度量。因此，对于每个像素，我们定义多维向量M h（i，j）（h = 1,2）（其描述像素，并且通过分层树，其中像素为的空间和时间上下文（包裹）包括），其中xh（i，j）是空间位置（i，j）处的通用像素的光谱特征向量，并且mu;lh（i，j）和txl h（i，j）是平均矢量，a分别与级别l的像素（i，j）相关联的包裹的通用纹理度量。可以考虑不同的纹理测量（例如，标准偏差，熵值等），其限制是当对可能具有不同尺寸和形状的包裹进行计算时它们应该是重要的。为了获得改变信息的有效表示，重要的是避免增加M h（i，j）的分量的太多。这可以通过选择非冗余和显着（相对于所研究的变化）光谱带并计算相对较少数量的相关特征来实现。值得注意的是，选择重要的光谱带是变化检测应用中的常见做法[2]。

1值得注意的是，如何满足层次约束可以成为一个复杂的任务，取决于所考虑的分割策略

M h(i, j) = xh(i, j),mu;1 h(i, j), . . . ,
mu;L h-1(i, j),tx1 h(i, j), . . . ,txL h-1(i, j) (1)

级别L的数量的选择取决于考虑的图像的几何分辨率和场景中预期变化的最大尺度。 特别地，L应该等于完全包括场景中最大的预期改变对象的分割级别。 读者参考[10]一个经验规则，允许人们识别重要分辨率级别的数量。² 值得注意的是，L在合理范围内的选择不会对变化检测结果产生显著影响。

C.多层级多时段图像矢量变化分析

将表征每个像素的特征向量M h（i，j）和不同级别的相关背景信息和输入的变化检测图生成模块作比较。进行比较步骤将已知的CVA技术[2]，[3]扩展到多层次分层案例。通过直接比较两个图像上与相应像素相关联的多级高精度背景特征向量M 1（i，j）和M 2（i，j）与差分向量运算符3进行多级CVA。原理是我们可以导出一个包含不同分辨率级别的变化信息的变化矢量³，这取决于分析像素的光谱特征与根据层次地表式表示自适应建模的其空间邻域的不同行为之间的差异。获得的差分矢量包含不同分辨率水平下的变化信息。从这些向量，我们可以导出与变化向量的大小相关联的多级差分图像MD。多值差分图像中的空间位置（i，j）处的通用像素的值M D（i，j）由

M D(i, j) = |M 2(i, j) - M 1(i, j)| . (2)

最后，根据自动或手动策略，可以通过对MD进行阈值化来产生与变化相关联的硬信息（即变化检测图）[2]，[5]。

III. 实验结果

实验分析的目的是检测与建筑和道路相关的辐射度变化。 因此，只考虑波段3和4，因为它们在检测这些数据集的这些变化方面是最有效的。

为了能对所提出的方法的有效性进行定量评估，根据所考虑的领域的可用的先前知识来定义参考测试集。 参考图包括616 050个不变的像素和44 900个改变的像素[参见图2（b）中的黑色多边形。⁴

2.eCognition软件包用于执行分层分段[11]。

3.根据比较步骤中所涉及到的特征，归一化可能使得比较操作变得可靠。

图2 2005年10月（a）和（b）2006年7月（a））和（b）2006年7月由QuickBird VHR多光谱传感器获得的特伦托（意大利）城市图像的全色通道（黑线描绘了两个采集日期之间发生的变化）。

为

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[26310]，资料为PDF文档或Word文档，PDF文档可免费转换为Word