基于自适应约束阈值的SAR图像突变性变化检测

第一篇：基于自适应约束阈值的SAR图像突变性变化检测

基于自适应约束阈值的SAR图像突变性变化检测

摘要：本文改进了一种阈值选择算法，并基于该算法提出一种SAR图像水灾变化检测方法。对实测SAR图像数据集的变化检测结果表明，本文所提方法不仅提高了定量评价指标，还较好地保留了变化区域的细节信息，变化区域边缘趋于真实，改善了视觉效果，变化检测性能优于其他相关方法。

【关键词】SAR图像变化检测均值漂移 Kullback-Leibler（KL）散度阈值马尔可夫融合 1 引言

遥感图像变化检测是通过分析同一地区不同时刻获取的遥感图像来识别地物目标或者状态差异的过程。光学遥感图像的变化检测的研究已得到较大的发展，但光学遥感易受云层和光照条件影响，相比之下，合成孔径雷达（Synthetic aperture radar，SAR）具有全天时、全天候的优点，其获取的图像更具应用前景。然而SAR数据本身的复杂及固有的乘性相干斑噪声，使得SAR图像变化检测方法的性能有待提升。

近年来，大部分变化检测方法采用分析差异图的框架，即把问题转化为分割或分类等问题加以解决。阈值技术由于其简单易行性，已被广泛地用来分割差异图生成变化检测结果。但是，基于阈值的变化检测方法忽略了真实图像中相邻像素间具有的强相关性。因此，Melgani等提出一种基于MRF模型融合不同阈值技术的分割结果的方法。该方法克服了分布模型假设的合理性对性能的影响，并利用了空间关系，但其变化检测性能依赖于阈值技术产生的分割结果。为提高变化检测性能，本文提出一种改善阈值分割结果的方法，该方法通过自动确定阈值区间，缩小阈值取值范围。基于改善的阈值分割结果和马尔科夫融合策略，提出一种SAR图像变化检测方法。对真实SAR图像数据集的变化检测结果表明，本文方法相比于其他相关的变化检测技术，性能有所提高。

方法

2.1 差异图构造

对已配准、已校正的两时相SAR图像I1和I2，构造均值比差异图DA：

其中Nbk表示图像Ik（k=1，2）中位于（i，j）处像素的邻域构成的集合（包含本身）。考虑到窗口越大，细节丢失的越多，而候选的变化区域会越大，本文选取3×3的窗口，即，其中。

2.2 自适应约束阈值分割

阈值选择算法，诸如K&I阈值选择算法，Otsu和交叉熵最小阈值选择算法等，通过遍历所处理图像的灰度值至于选择阈值。为改善分割性能，Hu等通过人为地设定感兴趣区域，缩小阈值的取值范围，提高了阈值技术在医学图像分割方面的性能。文中指出，阈值取值区间的缩小，使得落在该阈值区间外的像素不再对分割结果有影响。但感兴趣区域的人为设定也直接影响阈值取值区间，进而导致分割性能因人为因素而不稳定。为此，本文提出一种自定确定阈值取值区间的方法，实现自适应阈值约束。

作者结合均值漂移算法和KL散度完成阈值区间的自动确定。假设均值漂移算法划分的连通区域内的像素应被归为同一类别的前提下，以区域内像素的灰度平均值的概率密度函数为特征，通过搜索使概率密度函数差异最大的阈值来确定阈值区间，具体步骤如下：

步骤1：采用均值漂移算大对差异图DA进行分割，获取连通区域R1，R2，...R2，...R2，并把每个连通区域看作是一个数据点，设其特征值为该连通区域内像素灰度值的平均；

步骤2：对由将连通区域划分为两类S1t，S2t，分别估计其概率密度函数。S1t，S2t 分别由特征值大于（小于或等于）t的数据点对应的连通区域内的像素构成。

若假设区域R内像素的灰度值构成的集合为X，则核函数kσ（s）与X卷积可得出区域R的概率密度函数，即

其中表示集合的势，σ为带宽，决定估计的概率密度函数与真实的概率密度函数pR之间的拟合度，因而有必要寻找一个最优的带宽σ。本文以最小均方误差来寻找最优带宽σ*。

对核函数kσ（s），以带宽σ为自变量的损失函数C为：

最小化式（5）来搜索最优带宽σ*。

为降低计算复杂度，本文采用由特征值构成的集合，替代本该由区域内像素灰度值构成的集合来求取带宽。

步骤3：计算和间的KL散度值KL（t）：

其中和由式（2）和式（4）计算得到。

步骤4：对，重复步骤2至步骤3，计算完所有可能的阈值对应的KL散度值后，搜索使KL散度最大的阈值，该阈值即为决策阈值t*，即：

步骤5：确定阈值区间。对任何一个连通区域，其内像素的灰度值均小于t*，则阈值区间的上限为，下限为：；

步骤6：对差异图中，灰度值落在阈值区间内的像素进行阈值分割，求得最优阈值，产生分割结果：

2.3 变化检测结果生成

分析阈值选择标准，不难发现阈值技术涉及选择统计分布模型，分布模型不同，分割性能不同。为减少统计分布模型对变化检测性能的影响，采用马尔科夫融合策略对不同的阈值分割结果进行融合，生成变化检测结果，即通过最大化后验概率给出变化检测结果CDM：

实验结果及分析

为验证本文方法的性能，采用两组真实SAR实验数据（Bern实验数据和Ottawa实验数据）进行实验，从两方面着手给出相应的变化检测结果及其评价性能指标。评价变化检测性能的指标有：漏检数（即变化的像素被判为未变化的像素个数）、虚警（即未变化的像素被判为变化的像素个数，也叫错误检测数）和总错误检测数（即漏检数+虚警）和Kappa系数：

其中N为差异图所含像素的个数，Fc为变化类像素被正确检测的个数，Tc为非变化类像素被正确检测的个数。若变化检测结果的漏检数越少，总错误检测数也越少，则Kappa系数越大，对应技术的变化检测性能越好。

图1（a）-（b）为实测SAR图像数据集。图1（a）为前一时相的SAR图像在1999年4月洪水灾害发生前获得，图1（b）为后一时相的SAR图像在1999年5月洪水发生后获取。两幅图像均由欧空局ERS-2获得，尺寸均为301×301像素。图1（c）为实际变化参考图，图中的白色像素表示两时相间发生变化的区域，像素个数为1150。

为验证本文变化检测性能，对比了Ths+MRF法、E M+MRF法和FFL+ARS法。对Bern实验数据的实验结果如图2所示。图2（a）为EM+MRF法的变化检测结果图，图2（c）和图2（d）分别为Ths+MRF法和FFL+ARS法的变化检测结果图，图2（e）为本文方法的变化检测结果图。表1给出了对应于变化检测结果的评价性能指标。

对比各方法的Kappa系数，本文方法的最高，比EM+MRF法高0.4476，比FFL+ARS法高0.0697。这验证了本文方法在变化检测方面的有效性。如表1所示。

结论

本文提出一种自动缩小阈值取值区间，提升阈值分割性能的方法，并将其应用于SAR图像的水灾变化检测，变化检测结果表明了本文方法的有效性。

参考文献

[1]李挺，张志广.心血管系统的图像分割[A].第六届全国计算机应用联合学术会议论文集[C].2002.[2]许洪波，王斌，程学旗，白硕.TREC自适应信息过滤中的目标优化技术研究[A].语言计算与基于内容的文本处理――全国第七届计算语言学联合学术会议论文集[C]，2003.[3]徐瑞鑫.复杂背景下实时目标跟踪与识别研究[D].长春：中国科学院研究生院（长春光学精密机械与物理研究所），2002.作者简介

万红林（1983-），女，江西省南昌市人。博士学位。现为中国电子科技集团公司第三十八研究所工程师。研究方向为SAR图像分割、目标检测和变化检测等。

作者单位

中国电子科技集团公司第三十八研究所安徽省合肥市 230031