CN103632363A - 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 - Google Patents

Abstract

本发明公开一种基于多尺度融合的对象级高分辨率遥感影像变化检测方法，将彩色纹理分割算法JSEG引入到变化检测，并基于JSEG算法分割过程中产生的J-image影像序列实现了对象的多尺度特征提取与分析。该算法综合利用了对象形状、尺寸以及光谱与纹理特征，并引入了基于D-S证据理论及加权数据融合两种不同多尺度融合策略，进一步提高了变化类和非变化类的可分性，从而构建了一套完整的基于多尺度融合的对象级变化检测框架。通过对高分辨率航空遥感DOM影像以及SPOT5卫星遥感影像分别进行实验，并与不同对象级、像素级变化检测方法的检测效果进行比较，验证了本文方法的可行性与有效性。

Description

基于多尺度融合的对象级高分辨率遥感影像变化检测方法

技术领域

本发明涉及一种基于多尺度融合的对象级高分辨率遥感影像变化检测方法，属于遥感影像的变化检测技术领域。 

背景技术

多时相遥感影像的变化检测是目前遥感应用领域研究的热点之一，其实质是利用同一地区不同时相的多幅遥感影像，判断该地区地物变化信息的过程。应用领域主要包括城市的动态发展，地理空间信息数据库记事更新等方面。其中，城市变化检测作为变化检测的一个主要应用领域，在城市规划和管理等方面发挥了重要作用。 

近年来随着高分辨率遥感卫星的成功发射，以SPOT5、QuickBird、IKONOS等为代表的米级、亚米级高分辨率遥感影像已广泛应用于各个领域。空间分辨率的提高可以提供更加丰富的光谱信息及纹理、形状等空间信息，但同时也带来了新的挑战。高分辨率遥感影像变化检测尤其在城市变化检测中存在的难点主要有：“同物异谱”现象更为突出，“同谱异物”现象依旧存在，难以准确的区分变化类和非变化类。同时，城市场景中包含多样的生态环境与复杂的人造目标，传统的像素级变化检测方法难以加入“对象”的概念，对“对象”内部由于细微光谱差异造成的伪变化鲁棒性较差。另外，像素级变化检测方法对配准精度、辐射校正和视角变化有很高的要求。最后，城市场景中地物阴影、互相遮盖、云层遮盖等因素的也是造成变化检测困难的一个主要原因。因此，传统像素级的变化检测方法很难直接应用于高分辨率遥感影像变化检测。 

与传统像素级检测方法相比，对象级变化检测方法（OBCD，Object-based Change Deteciton）以geographic objects作为变化检测的基本单元，为解决以上问题提供了一条新的途径。OBCD基于对象固有形状及尺寸提取对象的特征，有利于提高不同地物的类间可分性及深刻地分析对象内部的变化信息，因而正越来越多的受到重视。学者们已提出了一些有效的OBCD方法：如Miller et al.(2005)提出了检测一种灰度影像间blobs变化的OBCD方法，首先通过connectivity analysis方法获取对象，进而对每一个对象在另一幅图像中寻找与之匹配的对象 并进行比较；Lefebvre et al.进一步验证了geometry(i.e.size,shape and location)and content(i.e.texture)information在OBCD算法中的应用。另外，变化检测的结果是与尺度相关的，在精细的尺度上可以检测到一些小目标的变化，而在粗糙尺度上这些变化可能消失。根据人类的视觉系统及专家知识，多尺度分析工具与对象级变化检测相结合能更加深刻的分析单个对象及其两幅图像间的变化，检测结果较单一尺度更加可靠。第三，相对于单一特征可能造成的误检和漏检，基于多特征的变化检测更为稳定。但在统计对象的纹理、梯度等特征时，若直接采用对象的原始特征向量进行计算，对配准的精度要求较高，同时容易受到噪声的影响。Deng和Manjunath等人提出的JSEG算法是目前最流行的彩色影像纹理分割方法之一。在JSEG算法中，J-image较好的整合了影像的光谱特征和纹理特征，同时包含了尺度信息，用J-image描述对象能有效克服采用原始特征向量存在的局限性。 

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于多尺度融合的对象级高分辨率遥感影像变化检测方法。 

技术方案：一种基于多尺度融合的对象级高分辨率遥感影像变化检测方法，首先利用JSEG算法提取对象所在的区域；其次在多尺度J-images序列上分别进行变化检测，通过计算对象在同一地区不同时相的遥感影像中不同尺度下的结构相似度SSIM(Structural Similarity)；最后为了提高检测结果的可靠性与检测精度，较少变化检测对尺度的依赖，采用两种融合策略分别对多尺度检测结果进行决策融合。策略1为通过构建基本概率赋值函数（BPAF）进行基于D-S证据理论的融合策略。策略2为设定不同尺度检测结果的权重，并根据该权重对多尺度检测结果进行加权融合。两种不同的融合策略获得最终的检测结果；实验表明两种融合策略都能获得良好的检测效果，在误检率及漏检率方面各具优势。 

所述通过JSEG算法提取对象的过程包括两个步骤：色彩量化和空间分割； 

所述色彩量化：首先将图像的颜色空间转换为LUV颜色空间，再利用对等组滤波（Peer Group Filtering，PGF）对影像进行平滑去噪，最后采用Hard C-means algorithm（HCM）方法获得量化影像； 

所述分割阶段，首先基于量化影像计算局域同质性特征指标Jvalue从而生成J-images序列；Jvalue定义如下： 

令量化影像中每一个像素的位置Z(x,y)为像素z的像素值，Z(x,y)∈Z；Z为以像素z为中心的特定尺寸窗口内所有像素组成的集合；利用不同尺寸的窗口可以获得多尺度J-images序列； 

定义m如下： 

$m=\frac{1}{N}\underset{z\∈Z}{\mathrm{\Σ}}z---\left(1\right)$

N为Z中的像素总数；进而，Z中属于同一灰度级的像素均值可表示为： 

$m_i=\frac{1}{N_i}\underset{z\∈Z_i}{\mathrm{\Σ}}Z---\left(2\right)$

其中Z_i为属于第i灰度级的所有像素的集合，N_i为Z_i中的像素总数；定义S_T为Z中所有像素的总体方差： 

$S_T=\underset{z\∈Z}{\mathrm{\Σ}}{\left|\right|z-m\left|\right|}^2---\left(3\right)$

定义S_W为属于同一灰度级的所有像素方差的和，C为量化影像中的class总数，定义如下： 

$S_W=\underset{i=1}{\overset{C}{\mathrm{\Σ}}}{S}_i=\underset{i=1}{\overset{C}{\mathrm{\Σ}}}\underset{z\∈\mathrm{Zi}}{\mathrm{\Σ}}{\left|\right|z-m_i\left|\right|}^2---\left(4\right)$

则Jvalue为： 

J=S_B/S_W＝(S_T-S_W)/S_W   （5） 

用同一窗口尺寸计算像素z对应的J-value并作为z的像素值，遍历量化影像，可获得单一尺度的J-image；进而通过改变窗口尺寸，可获得多尺度的J-images影像序列；在最大尺度J-image中，根据阈值建立固定的种子区域；计算非种子区域像素的Jvalue均值，构成增长区域；若该增长区域仅与一个种子区域相邻，则纳入所述种子区域；对于剩下的非种子区域像素，利用更小尺寸的窗口计算下一尺度的J-image，重复上一步生成新的增长区域直到最小尺度；对剩余的像素根据Jvalue从小到大逐个纳入相邻的种子区域；最后，为解决过分割问题，生成对象区域的颜色直方图进行全局最优区域合并完成图像分割。 

基于D-S证据理论的融合： 

定义U是一个识别框架，在U上的基本概率分配BPAF是一个2^U→[0,1]的函数m，m满足 

且 

$\underset{A\⊆\mathrm{\Θ}}{\mathrm{\Σ}}m\left(A\right)=1$

其中，使得m(A)>0的A称为焦元，m(A)表示证据对A的一种信任度量；Dempster合成规则定义如下： 

对于

U上的n个mass函数m₁,m₂的Dempster合成法则为： 

$m=m_1\⊕m_2\⊕\·\·\·\⊕m_n\left(A\right)=\frac{1}{K}\underset{\∩B_i=A}{\mathrm{\Σ}}\underset{1\≤i\≤n}{\mathrm{\Π}}{m}_i\left(B_i\right)---\left(11\right)$

其中，K为归一化常数，其反映了证据的冲突程度，定义如下： 

由于对象和变化都依赖于尺度信息，不同尺度可提取不同的对象及获得不同的变化检测结果。 

有益效果：与现有技术相比，本发明提供的基于多尺度融合的对象级高分辨率遥感影像变化检测方法，利用JSEG算法实现了对象的提取，进而在分割过程产生的J-images影像序列中直接进行对象的多尺度特征提取及变化检测，无需重新生成多尺度影像且能够有效克服采用原始特征向量带来的局限。通过引入两种多尺度融合策略构建了统一的变化检测框架，有效提高了变化检测精度。检测结果进一步区分了不同变化强度等级的对象区域，为野外作业等实际应用场合提供了有效的指导依据。 

附图说明

图1为以z为中心尺寸为9×9的窗口； 

图2为以z为中心尺寸为18×18的窗口； 

图3为本发明实施例的方法流程图 

图4为数据集1航空遥感MODIS数据； 

图5为#1量化影像，Q#1=11； 

图6为#2量化影像，Q#2=12； 

图7为尺度1的J-image影像； 

图8为#1分割结果； 

图9为#2尺度1映射结果； 

图10为DOM航空影像检测结果； 

图11为SPOT5全色-多光谱融合影像； 

图12为实际地物变化示意图； 

图13为像素级检测方法实验结果对比图； 

图14为SPOT5影像检测结果对比图； 

图15为SPOT5影像检测结果对比图； 

图16为检测精度及误差曲线图。 

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。 

方法主要包括三个部分：对象提取、对象分析及比较、多尺度融合。 

对象提取 

对象提取的目的是通过分割提取属于同一地物的区域，对象的提取精度直接影响着最终的检测结果。考虑到检测框架的透明性以及JSEG算法的多尺度特性，采用JSEG分割方法提取对象。JSEG将分割过程划分为两个步骤：色彩量化和空间分割。 

色彩量化：首先将图像的颜色空间转换为LUV颜色空间，利用对等组滤波（Peer Group Filtering，PGF）对影像进行平滑去噪，最后采用经典的Hard C-means algorithm(HCM)方法获得量化影像，即a class-map of the image。 

分割阶段，首先基于量化影像计算局域同质性特征指标Jvalue从而生成J-images序列。Jvalue定义如下： 

令量化影像中每一个像素的位置Z(x,y)为像素z的像素值，Z(x,y)∈Z。Z为以像素z为中心的特定尺寸窗口内所有像素组成的集合。利用不同尺寸的窗口可以获得多尺度J-images序列。以图1、2为例分别为以z为中心，尺寸为9×9与18×18的窗口，为尽量保证各个方向的一致性，窗口中的角点被去除。 

定义m如下： 

$m=\frac{1}{N}\underset{z\∈Z}{\mathrm{\Σ}}z---\left(1\right)$

N为Z中的像素总数。进而，Z中属于同一灰度级的像素均值可表示为： 

$m_i=\frac{1}{N_i}\underset{z\∈Z_i}{\mathrm{\Σ}}Z---\left(2\right)$

其中Z_i为属于第i灰度级的所有像素的集合，N_i为Z_i中的像素总数。定义S_T为Z中所有像素的总体方差： 

$S_T=\underset{z\∈Z}{\mathrm{\Σ}}{\left|\right|z-m\left|\right|}^2---\left(3\right)$

定义S_W为属于同一灰度级的所有像素方差的和，C为量化影像中的class总数，定义如下： 

$S_W=\underset{i=1}{\overset{C}{\mathrm{\Σ}}}{S}_i=\underset{i=1}{\overset{C}{\mathrm{\Σ}}}\underset{z\∈\mathrm{Zi}}{\mathrm{\Σ}}{\left|\right|z-m_i\left|\right|}^2---\left(4\right)$

则Jvalue为： 

J=S_B/S_W＝(S_T-S_W)/S_W   （5） 

用同一窗口尺寸计算像素z对应的J-value并作为z的像素值，遍历量化影像，可获得单一尺度的J-image。进而通过改变窗口尺寸，可获得多尺度的J-images影像序列。在最大尺度（窗口尺寸最大）J-image中，根据阈值建立固定的种子区域。计算非种子区域像素的Jvalue均值，构成增长区域。若该增长区域仅与一个种子区域相邻，则纳入该种子区域。对于剩下的非种子区域像素，利用更小尺寸的窗口计算下一尺度的J-image，重复上一步生成新的增长区域直到最小尺度。对剩余的像素根据Jvalue从小到大逐个纳入相邻的种子区域。最后，为解决过分割问题，生成对象区域的颜色直方图进行全局最优区域合并完成图像分割。 

对象分析及比较 

根据公式（1）～（5）可以看出，J-image影像反映了原始影像中的色彩分布，本质上是一幅梯度影像，同时又具有尺度特性。因此，在两时相相同尺度J-image影像中，对分割结果中某一对象进行基于灰度统计的相似性描述，即反映了不同时相影像中该对象区域所包含的光谱信息、纹理信息与尺度信息的相似性。因此，选择合适的相似性度量变得尤为关键。常见的度量包括各种距离如欧氏距离，马氏距离等，还包括直方图匹配，协方差等。结构相似度（Structural similarity，SSIM）综合考虑了向量的均值、方差和协方差，能够很好的表示向量间的相似性，向量x与y之间的结构相似度S(x,y)定义如下： 

S(x,y)＝[l(x,y)]^α·[c(x,y)]^β·[s(x,y)]^γ   (6) 

其中： 

$l(x,y)=\frac{2{\mathrm{\μ}}_x{\mathrm{\μ}}_y+C_1}{{\mathrm{\μ}}_x^2+{\mathrm{\μ}}_y^2+C_2}---\left(7\right)$

$c(x,y)=\frac{2{\mathrm{\σ}}_x{\mathrm{\σ}}_y+C_2}{{\mathrm{\σ}}_x^2{\mathrm{\σ}}_y^2+C_2}---\left(8\right)$

$s(x,y)=\frac{{\mathrm{\σ}}_{\mathrm{xy}}+C_3}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y+C_3}---\left(9\right)$

μ_X，μ_Y，σ_X，σ_Y，

σ_XY分别是x与y的均值、标准差、方差和协方差。α，β，γ是3个分量的权重，C₁，C₂，C₃是为了防止当分母接近零时产生不稳定现象所添加的常数。当α=β=γ=1，C₃=C₂/2时，公式（6）可简化为： 

$S(x,y)=\frac{(2{\mathrm{\μ}}_x{\mathrm{\μ}}_y+)(2{\mathrm{\σ}}_{\mathrm{xy}}+C_2)}{({\mathrm{\μ}}_x^2+{\mathrm{\μ}}_y^2+C_1)({\mathrm{\σ}}_x^2+{\mathrm{\σ}}_y^2+C_2)}---\left(10\right)$

上式中，S(x,y)越大，对象在两幅图像间的变化越小，相似度越高。另外，根据SSIM定义可以看出，SSIM还具有如下特点：（1）有界：S(x,y)∈[0,1]。（2）对称：S(x,y)＝S(y,x)。（3）最大值唯一：当且仅当x=y时，S(x,y)＝1。满足以上三个条件的相似性度量通常被认为能够更好的描述向量的相似性，而各种“距离”不满足有界的条件，直方图匹配不具有对称性，协方差则不满足最大值唯一条件。 

基于以上分析，选择Structural similarity作为对象间的相似性度量。在同一尺度J-image影像中，计算某一对象在同一地区不同时相的影像间的结构相似性。遍历分割结果中所有对象，可以获得单一尺度下的相似性检测结果。考虑到对象和变化对尺度的依赖性，为进一步提高变化检测精度，将两种多尺度融合策略应用到本文提出的对象级变化检测方法中，形成统一的框架。 

多尺度融合 

D-S证据理论（Dempster/Shafer1967）的利用多源信息对系统的整理进行归纳和分析从而获得正确的决策，是一种解决不确定性推理问题的有效工具。其主 要特点包括：满足比贝叶斯概率论更弱的条件；具有直接表达“不确定”和“不知道”的能力；不但允许人们将信度赋予假设空间的单个元素，而且还能赋予它的子集。D-S证据理论的基本概念如下： 

定义U是一个识别框架，在U上的基本概率分配BPAF（Basic Probability Assignment Formula）是一个2^U→[0,1]的函数m，m满足 

且 

$\underset{A\⊆\mathrm{\Θ}}{\mathrm{\Σ}}m\left(A\right)=1$

其中，使得m(A)>0的A称为焦元(Focal elements)，m(A)表示证据对A的一种信任度量。Dempster合成规则（Dempster’s combinational rule）定义如下： 

对于

U上的n个mass函数m₁,m₂的Dempster合成法则为： 

$m=m_1\⊕m_2\⊕\·\·\·\⊕m_n\left(A\right)=\frac{1}{K}\underset{\∩B_i=A}{\mathrm{\Σ}}\underset{1\≤i\≤n}{\mathrm{\Π}}{m}_i\left(B_i\right)---\left(11\right)$

其中，K为归一化常数，其反映了证据的冲突程度，定义如下： 

由于对象和变化都依赖于尺度信息，不同尺度可提取不同的对象及获得不同的变化检测结果。为提高检测结果的可靠性与检测精度，减少变化检测对尺度的依赖，本文利用两种基于D-S证据理论的融合策略分别对多尺度检测结果进行融合，并形成统一的检测框架。 

方法具体实现 

方法流程如图3所示： 

为直观的说明算法的实现流程，选择数据一组影像#1、#2（如图4所示）作为数据集1进行实验。#1与#2分别为2009年3月及2012年2月获取的航空遥感DOM（Digital Orthophoto Map）数据，所在地区为中国江苏省南京市河海大学江宁校区，空间分辨率为0.5m。 

如图3所示，在变化检测之前首先对两时相高分辨率遥感影像进行必要的辐射校正与几何配准。对预处理后的图像采用JSEG方法提取对象区域：首先对#1与#2分别进行颜色量化，获得“类图”。设Q为“类图”中颜色总数，量化影像如图5、6所示： 

基于以上量化影像，利用公式（5），通过改变窗口的尺寸计算不同尺度的 J-image影像序列。可取窗口尺寸为20*20像素，10*10像素，5*5像素，例如以20*20像素尺寸的窗口为尺度1的J-image如图7所示，其中，（7a）为影像#120*20像素J-image，（7b）为影像#220*20像素J-image。 

选择受到噪声或者阴影影像较小的图像继续进行分割，并提取分割结果的边界。影像#2由于明显存在大量的阴影区域，会对分割结果造成严重影像。因此选择影像#1进行分割，提取的边界如图8所示。将此边界分别映射到影像#1和影像#2的J-image图像序列中。图9为影像#2尺度1中映射结果的区域截图。 

以图9中对象R_i为例，利用公式（5）计算#1与#2在相同尺度下R_i的结构相似性Structural similarity，取C₁＝0.2，C₂＝0.8。从而获得R_i对应三个尺度下的Structural similarity，定义为S_ik(k＝1,2,3)。 

对分割结果中所有的对象进行检测，D-S理论框架U：{JL,MX,N}。其中JL代表剧烈变化类，MX代表明显变化类，N代表非变化类。因此2^U的非空子集包括：{JL}{MX}{N}{JL,MX,N}。依据3个尺度的检测结果构建相应的BPAF，公式如下： 

m_ik({MX})＝(1-S_ik)×(1-T)×α_k

m_ik({N})＝S_ik×α_k

m_ik({JL,MX,N})＝1-α_k

其中，阈值T决定了剧烈变化类中变化的剧烈程度，α_k代表了某一尺度对判别的信任度。在获得以上BPAF后，本文采用两种融合策略获得检测结果。 

策略1：采用经典的D-S证据理论Dempster合成规则，以图像#1、#2为例，证据合成后的判别准则如下： 

设定阈值为T＝0.3，α₁＝0.7，α₂＝0.8，α₃＝0.9。根据公式(8)，  $m_i=m_{i1}\⊕m_{i2}\⊕m_{i3}.$

Step1：若m_i({JL})>0.4，或者m_i({MX})>0.2且m_i({JL})>0.6，则R_i为剧烈变化对象。 

Step2：若m_i({MX})>0.4或者m_i({N})<0.7，则R_i为明显变化对象。 

Step3：否则，为未变化对象区域。遍历分割结果中所有对象，获得最终的检测结果。 

策略2：对单一尺度下获得的结构相似性S_ik进行合成，合成规则为 S_i＝α₁×S_i1+α₂×S_i2+α₃×S_i3，为方便比较两种决策策略，α_k（k=1,2,3）取值与策略1相同。若S_i∈[0.9,1]，R_i不变化；若S_i∈[0.4,0.9)，R_i明显变化；若S_i∈[0,0.4)，R_i剧烈变化。 

两种融合策略获得的检测结果如图10（其中，（a）为融合策略1，（b）为融合策略2）、11（#3为2004年上海地区，#4为2008年上海地区）所示。三种颜色分别代表剧烈变化、明显变化及不变化区域。 

实验结果与分析 

为全面的分析方法的性能，我们一方面将本文方法分别与传统像素级及对象级变化检测算法进行比较，另一方面比较分析尺度变化及不同融合策略对变化检测的影响。另外，为进一步验证本文方法对不同传感器遥感影像的鲁棒性，选择两组不同类型的数据集进行实验。除采DOM航空遥感影像外，数据集2采用空间分辨率为5m的SPOT5全色-多光谱融合影像#3、#4（如图11所示），尺寸均为1024*1024像素。#3与#4获取时间分别为2004年6月及2008年7月，所在地区为中国上海，融合波段包括全色波段以及红、绿、近红外波段。 

由于数据集1、2中影像采集时间分别为冬末春初（2月～3月）及春末夏初（6～7月），因此植被覆盖类别相近，有利于变化检测。两组数据经过辐射和几何精度校正，匹配精度控制在0.5像素之内。分别比较两组数据集（图4、图11）可以发现，场景中复杂度性与典型性主要体现在：都存在典型的变化（如既有大块区域中复杂人造目标的明显变化，也有微小的植被与建筑的细节变化）；都包含丰富的地物种类如植被，湖泊，道路，杂的人造建筑等。另外，受光照变化影响，数据集1中影像#2存在大量阴影区域。 

传统像素级的变化检测方法我们选择经典的多波段变化矢量方法（Change Vector Analysis，CVA）方法以及Bruzzone等人提出的改进CVA-EM算法。CVA-EM算法在CVA差异影像的基础上，通过引入EM算法估计高斯模型的相关参数，从而有效提高了检测精度。分别对两组数据集进行实验，GMM的分支数均设定为k＝2。 

对象级方法我们选择与Hall等人提出的MOSA(Multiscale Object-Specific Appoach)检测方法进行比较。MOSA算法采用基于标记点的多尺度分水岭分割算法分析并提取对象，进而采用阈值自适应的差值法获得最终的变化结果，能有效检测与尺度相关的变化信息。Hall等人认为MOSA中最精细尺度的检测结果效果最佳，因此本文只对该尺度检测结果进行精度评价。 

数据集1实验结果分析 

在数据集1中，为便于分析，根据实际情况以及图像所覆盖的范围选择一个512*512像元大小的区域作为样本区域，如图12（c）（d）所示（(c)为09年区域截图，(d)为12年区域截图）。影像上标识了2009年-2012年河海大学江宁校区实际地物变化位置，主要变化包括建筑物、篮球场、植被以及其他不规则的人造目标。变化位置A为新建的学校体育馆；B为新建的篮球场，相邻蓝色区域为新建的手球场；C为退化的草坪；D为建筑工人搭建的临时板房。图13（e）、（f）（g）为分别为MOSA、CVA和CVA-EM变化检测结果。 

通过目视分析对比图10与图13可以看出：（1）CVA及CVA-EM主要漏检了位置B的篮球场与手球场区域；MOSA对复杂的结构变化检测效果较差，如位置D。（2）本文方法的两种融合策略都有效地检测到了4个标识位置的变化信息。两种融合策略检测结果对规则的人造目标如位置A、B检测结果基本相同，差异主要体现在多种目标混杂的复杂背景区域，策略2检测出了更多的变化区域，如位置D等，以及部分区域变化强度等级的不同判别，如位置C等。（3）、影像#2中存在的大量阴影区域导致了CVA及CVA-EM检测结果存在大量的错检，而基于对象的MOSA与本文算法能够有效的减少阴影造成的干扰，如体育馆所在位置A右侧的道路区域。 

为进一步定量分析不同就检测方法的性能，在实地考察和对影像可视化分析的基础上，在图12的样本区域中，选择一组包含7523个变化像元与8861不变像元的样本数据，将其视为参考变化结果，采用误检率、漏检率、总体精度、Kappa系数4个指标来评价所提算法及其余2种变化检测算法的性能，如表1所示。 

表1数据集1变化检测精度及误差 

通过上表可以看出：1）本文提出的多尺度对象级变化检测算法明显优于其他两种像素级检测方法以及MOSA检测算法，与目视分析结果一致。两种融合策略的总体精度与Kappa系数分别达到87.3%和0.7212，86.8%和0.7074，漏检率远低于两种像素级检测算法；虽然融合策略1漏检率略高于MOSA算法，但误检率 更低且总体精度更高。2）融合策略1采用了基于D-S证据理论的决策融合，在实验中性能最优，仅漏检率略高于融合策略2。3）融合策略2对不同尺度的检测结果采用了简单的加权数据融合，误检率略高于CVA-EM算法，但漏检率最低。 

数据集2实验结果分析 

按照本文提出的方法流程对数据集2进行变化检测。与数据集1相比，数据集2分辨率略低且背景更加复杂，因此在对象提取时采用更小的窗口尺寸：9*9像素、7*7像素以及5*5像素。设定C₁＝0.2，C₂＝0.8阈值T＝0.4，α₁＝0.8，α₂＝0.9，α₃＝0.95。检测结果如图14所示（（h）图代表融合策略1，（i）图代表融合策略2）。 

采用MOSA，CVA算法以及CVA-EM算法检测结果如图15（j）、（k）、（l）所示（(j)图代表MOSA检测结果，（k）图代表CVA检测结果，（l）图代表CVA-EM检测结果）。 

参照前一实验，选取图像上一组包含7523个变化像元与8861不变像元的样本数据，将其视为参考变化结果。计算不同方法的检测精度指标，如表2所示。 

表2数据集2变化检测精度及误差 

通过表2可得看出：1）数据集2实验结果的精度指标与数据集1获得的结论基本相同，进一步验证了方法的可行性与鲁棒性。由此可见，与传统单一尺度的像素级变化检测算法相比，本文提出的基于对象的多尺度变化检测方法在高分辨遥感影像变化检测中能够显著提高检测精度，同时有效减少阴影区域的干扰。另一方面，与常规对象级检测方法相比，本文方法除漏检率与MOSA算法相当外，其他各项精度指标尤其是总体精度及Kappa系数均明显优于MOSA算法。2）在数据集2中各算法总体检测精度较数据集1均有所下降，主要是数据集2中影像空间分辨率降低造成的。空间分辨率的降低导致了场景中包含多个目标的混合像元比例增加，同时增加了分割算法准确定位对象边缘的难度。3）两组实验结果表明融合策略1可以有效抑制误检率而融合策略2可以有效降低漏检率。因此在具体应用中，可从降低误检率和漏检率两方面的实际要求选择合适的融合策略以满足检测的需要。 

尺度依赖性与融合策略分析 

为进一步分析变化对尺度的依赖性以及两种融合策略对检测结果的影响，我们从两个方面进行了比较：检测结果的精度指标以及不同变化强度区域所占面积比例。参照上文两组实验，对本文方法中产生的多尺度J-image影像序列分别进行变化检测，每个对象结构相似性判别采用与融合策略2相同的判别区间。不同尺度以及不同融合策略获得的总体精度、误检率以及漏检率如图16（m）、（n）、（o）所示。其中，虚线条代表数据集1，实线条代表数据集2。 

通过比较图16中各个尺度及不同融合策略的检测精度指标可以得出如下结论：每个单一尺度的变化检测结果存在较大的差异，各项检测精度指标都明显低于两种融合策略。但通过与表1、2比较，单一尺度下的总体精度依然相当或明显好于CVA和EM-CVA算法。这表明变化信息对尺度具有依赖性，单一尺度的检测结果并不完全可靠，而多尺度融合策略能有效提高变化检测精度。 

表3不同变化强度等级面积比例/%数据集1 

表4不同变化强度等级面积比例/%数据集2 

表3为两种融合策略检测结果中变化强度等级面积所占的比例。从表中可以看出，两种融合策略检测出的剧烈变化区域面积相当（分别为10.2-11.3%及16.1%-18.7%），且大部分区域重叠（对照图10及图14）。因此，剧烈变化区域可设定为实际最可能发生变化的区域，实际应用中变化检测的首要检测靶区。而明显变化区域可作为第二阶段检测的重点区域。 

结论 

在设计和构造了统一的多尺度融合的对象级变化检测框架基础上，利用高分辨率航空遥感DOM影像和SOPT5融合影像，综合多种算法实验和比较了该框架在高分辨率遥感影像城市变化检测中的适用性及检测效果。最终可以得到如下结论： 

1、本文提出的统一检测框架在高分辨率遥感影像城市变化检测中是可行且 有效的。通过JSEG算法不仅实现了场景中对象的准确提取，还充分利用了JSEG算法分割过程中产生的J-image序列所包含的尺度信息、光谱信息、纹理信息用于变化检测，进而通过两种不同的融合策略获得最终的检测结果。实验证明，该方法很好的弥补了单一尺度检测结果所带来的不确定性，使最终检测结果更加接近于实际变化。另外，由于J-image的梯度影像特性，基于J-image的对象间结构相似性SSIM提取不易受到噪声影响，同时能有效减少城市场景中常见的阴影区域对检测结果的干扰，更进一步缩小和确定了实际变化发生的位置，有效提高了变化检测精度。 

2、与传统像素级变化检测算法相比，本文提出的对象级的多尺度融合变化检测方法以对象作为变化检测基本单元，有效提高了变化类与非变化类的可分性。除个别尺度外，两组实验中单一尺度下检测精度依然高于两种像素级变化检测算法。由此可见，传统像素级的变化检测方法已很难满足高分辨率遥感影像变化检测的要求。 

3、框架中两种融合策略各有优势，策略1能有有效地抑制误检变化，策略2则能有效降低漏检变化。因此在具体应用中可根绝实际需要选择合适的融合策略。 

4、两种融合策略中检测到的剧烈变化区域，可作为实地勘察的首要检测靶区，进而可对检测结果中的明显变化区域重点勘察区域。因而通过对变化检测强度等级的划分，可为野外实际作业提供有价值的参考信息，从而有效减少工作量，节省资源。 

Claims (4)

1.一种基于多尺度融合的对象级高分辨率遥感影像变化检测方法，其特征在于：首先利用JSEG算法提取对象所在的区域；其次在多尺度J-images序列上分别进行变化检测，计算对象在同一地区不同时相的遥感影像中不同尺度下的结构相似度SSIM；最后采用两种不同的融合策略获得最终的检测结果；所述两种策略分别为：策略1通过构建基本概率赋值函数进行基于D-S证据理论的决策融合；策略2则采用简单的加权融合。

2.如权利要求1所述的基于多尺度融合的对象级高分辨率遥感影像变化检测方法，其特征在于：所述通过JSEG算法提取对象的过程包括两个步骤：色彩量化和空间分割；

所述色彩量化：首先将图像的颜色空间转换为LUV颜色空间，再利用对等组滤波对影像进行平滑去噪，最后采用Hard C-means algorithm方法获得量化影像；

所述分割阶段，首先基于量化影像计算局域同质性特征指标Jvalue从而生成J-images序列；Jvalue定义如下：

令量化影像中每一个像素的位置Z(x,y)为像素z的像素值，Z(x,y)∈Z利用不同尺寸的窗口可以获得多尺度J-images序列；

定义m如下：

$m=\frac{1}{N}\underset{z\&Element;Z}{\mathrm{\&Sigma;}}z---\left(1\right)$

N为Z中的像素总数；进而，Z中属于同一灰度级的像素均值可表示为：

$m_i=\frac{1}{N_i}\underset{z\&Element;Z_i}{\mathrm{\&Sigma;}}Z---\left(2\right)$

其中Z_i为属于第i灰度级的所有像素的集合，N_i为Z_i中的像素总数；定义S_T为Z中所有像素的总体方差：

$S_T=\underset{z\&Element;Z}{\mathrm{\&Sigma;}}{\left|\right|z-m\left|\right|}^2---\left(3\right)$

定义S_W为属于同一灰度级的所有像素方差的和，C为量化影像中的class总数，定义如下：

$S_W=\underset{i=1}{\overset{C}{\mathrm{\&Sigma;}}}{S}_i=\underset{i=1}{\overset{C}{\mathrm{\&Sigma;}}}\underset{z\&Element;\mathrm{Zi}}{\mathrm{\&Sigma;}}{\left|\right|z-m_i\left|\right|}^2---\left(4\right)$

则Jvalue为：

J=S_B/S_W＝(S_T-S_W)/S_W   （5）

用同一窗口尺寸计算像素z对应的J-value并作为z的像素值，遍历量化影像，可获得单一尺度的J-image；进而通过改变窗口尺寸，可获得多尺度的J-images影像序列；在最大尺度J-image中，根据阈值建立固定的种子区域；计算非种子区域像素的Jvalue均值，构成增长区域；若该增长区域仅与一个种子区域相邻，则纳入所述种子区域；对于剩下的非种子区域像素，利用更小尺寸的窗口计算下一尺度的J-image，重复上一步生成新的增长区域直到最小尺度；对剩余的像素根据Jvalue从小到大逐个纳入相邻的种子区域；最后，为解决过分割问题，生成对象区域的颜色直方图进行全局最优区域合并完成图像分割。

3.如权利要求2所述的基于多尺度融合的对象级高分辨率遥感影像变化检测方法，其特征在于：

基于D-S证据理论的融合：

定义U是一个识别框架，在U上的基本概率分配BPAF是一个2^U→[0,1]的函数m，m满足

且

$\underset{A\&SubsetEqual;\mathrm{\&Theta;}}{\mathrm{\&Sigma;}}m\left(A\right)=1$

其中，使得m(A)>0的A称为焦元，m(A)表示证据对A的一种信任度量；Dempster合成规则定义如下：

对于

U上的n个mass函数m₁,m₂的Dempster合成法则为：

$m=m_1\&CirclePlus;m_2\&CirclePlus;\&CenterDot;\&CenterDot;\&CenterDot;\&CirclePlus;m_n\left(A\right)=\frac{1}{K}\underset{\&cap;B_i=A}{\mathrm{\&Sigma;}}\underset{1\&le;i\&le;n}{\mathrm{\&Pi;}}{m}_i\left(B_i\right)---\left(11\right)$

其中，K为归一化常数，其反映了证据的冲突程度，定义如下：

由于对象和变化都依赖于尺度信息，不同尺度可提取不同的对象及获得不同的变化检测结果。

4.如权利要求1所述的基于多尺度融合的对象级高分辨率遥感影像变化检测方法，其特征在于：

在采用JSEG算法提取对象区域时，首先对两时相高分辨率遥感影像进行辐射校正与几何配准。

Images