光谱—频域属性模式融合的高光谱遥感图像变化检测.docx

《光谱—频域属性模式融合的高光谱遥感图像变化检测.docx》由会员分享，可在线阅读，更多相关《光谱—频域属性模式融合的高光谱遥感图像变化检测.docx（17页珍藏版）》请在第壹文秘上搜索。

1、光谱一频域属性模式融合的高光谱遥感图像变化检测摘要：高光谱作为“图谱合一”的遥感技术，具有精细光谱和空间影像的地面覆盖观测与识别优势。然而，高光谱遥感数据的光谱信息表征以及空间信息的利用给双时相高光谱遥感图像变化检测任务带来了巨大的挑战.为此，本文探讨了一种光谱一频域属性模式融合的高光谱遥感图像变化检测方法SFDAPF（Spectral-FrequencyDomainAttributePatternFusion）.首先，设计一种基于梯度相关性的光谱绝对距离，使双时相高光谱遥感图像像元对的属性模式从光谱信息表征方面得到了逐级量化；其次，基于傅里叶变换理论提出一种变化像元属性模式显著性增强策略，从

2、全局空间信息利用方面改善了变化与非变化属性像元对的可分性；再次，将全图属性模式显著性水平与悌度相关性的光谱绝对距离进行融合，得到变化检测的综合界定值；最后，依据虚警阈值确定双时相高光谱遥感图像变化检测的二值化结果。将本文提出的SFDAPF方法在开源的双时相高光谱遥感图像河流和农场数据集上进行了变化检测性能验证，结果表明SFDAPF方法能够优于传统的和最新的变化检测方法，变化检测的总体精度在河流和农场数据集上分别达到了0.96508和0.97287（最高精度为1.00000）证实了本文SFDAPF收稿日期：2022-11-20；预印本：2023-04-19基金项目：国家自然科学基金（编号：422

3、22106,61976234,T22250I9）第一作者简介：周承乐，研究方向为遥感图像理解与变化检测.E-mail:chengle_zhou通信作者简介：石茜，研究方向为遥感图像处理与农业遥感应用.E-mail:shixi51引言遥感对地观测技术的数据主要有合成孔径雷达图像、全色图像、多光谱图像以及高光谱图像。高光谱遥感图像能够提供比其他遥感图像更丰富的光谱信息O例如,与多光谱遥感图像比较而言，多光谱图像的光谱分辨率在10。数量级范围，仅包含可见光至近红外光谱区间的几个或十几个波段，而高光谱图像光谱范围较广，谱带较窄（VlO%）,波段数可达几百甚至上千，能够获取几乎连续的地物覆盖光谱信息。因

4、此，高光谱遥感图像比多光谱遥感图像更易于识别细微变化，反映不同物体材质等（1.Uo等，2019）.然而，高光谱遥感图像为地面覆盖观测信息的精准解译既带来诸多便利，又带来了高维非线性数据处理方面的挑战（苏红军，2022）。为此，许多学者针对不同的任务需求，开展了分类、目标识别、变化检测等算法研究（ZhoU等，2022；Shang等，2021；SU等，2022）.遥感图像变化检测作为遥感对地观测技术的关键应用之一，可以持续观察和发现成像场景的变化信息，近年来被广泛应用于环境监测（Hemati等，2021）、城市扩张（YoUSif和Ban,2014）x自然灾害检测与评估（Zhang等，2003）等领

5、域。实质上，双时相遥感图像变化检测目的在于对前后时相影像的空间一光谱差异性进行建模，从而区别2期影像中的变化区域与非变化区域。一般而言，变化检测任务包含了数据预处理、差异性挖掘与表征以及性能度量与评估3个关键步骤（ZhaO等，2022）。双时相遥感图像变化检测方法可以概括为四类，即代数方法、转换方法、分类方法以及深度学习方法（1.iU等，2019）。代数方法主要包括图像差异、图像比例、图像回归、绝对距离、变化向量分析等（DU等，2012；CarValhO等,2011）该类方法直接对双时相遥感图像执行代数运算，从而评判2期影像像元对的属性模式（变化属性与非变化属性）。目前，大多数代数方法属于逐像

6、素分析方法，且服从像元变化由灰度差异反映的假设变换方法（Ortiz-Rivera等,2006；Marchcsi和Bruzzone,2009）主要是将遥感数据从原始特征空间投影至另一个特征空间，从而识别变化属性的像元或区域。然而，这类方法往往仅利用遥感图像的光谱信息，忽略了邻域像元之间的相似性（Zhang等，2012）0分类方法包括遥感图像后分类与直接分类2种方式（DCmir等，2012；BOvok）等,2008）。后分类嬲法在于将不同时相的遥感图像分别进行分类，然后对分类结果进行比较分析，以获取变化属性的像元；直接分类则是将不同时相遥感图像先做差值运算，然后借助分类器确定变化属性的像元。最近，

7、基于深度学习方法的双时相高光谱遥感图像变化检测是比较热门的研究方向，该类方法以数据驱动的方式构建非线性变换，以得到适配变化检测任务的数据高阶特征（Zheng等，2021；Zhan等，2021）。例如，DU等（2019）利用对称深度网络与慢特征分析理论设计了一种双时相高光谱遥感图像变化检测方法。实验结果证明该方法的检测性能优于当时其他先进的变化检测算法，其中包括其他基于慢特征分析和深度学习的方法Wang等（2019）提出了一种端到端二维卷积神经网络的双时相高光谱遥感图像变化检测算法，其思路在于，首先利用原始光谱特征与解混后端元特征，共同构建了像元对的二维差值矩阵，然后采用二维深度卷积神经网络获取

8、像元对的高阶语义属性。OU等（2022）在慢特征分析的理论基础上设计了原始光谱信息的快慢特征筛选策略，并将像元对的二维差值矩阵作为属性模式的表征方式，从而提出了基于二维卷积神经网络的变化检测方法。Wang等（2022）提出了一种端到端残差自校准网络。该网络通过自适应地对像元的局部空间信息与光谱特征的依赖性进行建模，以提高变化检测的精度。此外，Hu等（2023）设计了二元变化引导的高光谱遥感图像多类别变化检测网络，其思路在于利用稳定的二元变化检测方法促进多类别变化信息检测与分离。虽然上述深度学习方法能够在变化检测任务中取得优越的检测结果，但均属于由数据驱动的弱监督变化检测方法，其检测性能受限于训

9、练数据库中训练样本数量以及标签准确性。实际应用中的变化检测任务不存在大量且准确的标记样本，大多深度学习方法则采用某种机制（如变化向量分析（CarVaIho等，2011）等）构建出可供特征学习的弱标记样本，而弱标记样本中往往存在噪声标签。近年来，频域分析方法在自然图像显著性分析领域得到了广泛的应用（1.i等，2013；Jaemsiri等，2019）。其基本思路在于对灰度化的自然图像进行傅里叶变换得到对应的幅度谱和相位谱，并利用二维高斯核对幅度谱进行低通滤波，然后对原始相位谱与滤波后的幅度谱进行逆傅里叶变换，从而得到前景与背景对比度增强的显著差异图像。此外，图像频域分析方法逐渐发展至遥感影像变化检

10、测领域，例如，Gao等（2018）结合频域分析方法与随机多图策略提出了合成孔径雷达图像变化检测方法，该方法利用频域分析手段的目的在于从前后时相SAR图像的差值图像中确定具有显著差异特征的区域然而，不同于单波段SAR图像，高光谱遥感图像具有光谱波段高维特性，因此如何综合光谱维的全波段信息并提取前后时相图像的频域显著差异是一个具有挑战的任务。对于双时相高光谱遥感图像变化检测算法而言（包括传统方法与深度学习方法），其核心问题在于2期影像像元对光谱差异化的有效表征以及像元邻域上下文信息的充分利用，从而使得检测算法的总体精度（虚警与漏检）达到最佳（Kwan,2019）0最近，Hou等（2021）结合代数

11、运算与空间形态学特征提出了一种高光谱遥感图像变化检测方法，该方法通过引导滤波将形态学空间信息与基于光谱信息的代数运算结果进行融合，虽然降低了变化检测的漏检率却未有效抑制虚警现象。因此，从漏检与虚警平衡的角度出发，充分挖掘与表示像元对的光谱信息差异特征，对降低算法的漏检现象极其重要；同时联合像元对的空间信息降低算法虚警现象，值得进一步思考与探索。基于此，本文提出了一种光谱一频域属性模式融合的高光谱遥感图像变化检测方法SFDAPF(Spcctral-FrcqucncyDomainAttributePatternFusion)o首先，设计一种基于梯度相关性的光谱绝对距离GCASD(GradientC

12、orrelation-BasedAbsoluteSpectralDistance),使像元对的变化属性从光谱信息表征方面得到了逐级量化；其次，基于傅里叶变换理论提出了一种高光谱遥感图像的变化像元属性模式显著性增强SE(SignificantEnhancement)策略，从全局空间信息利用方面增强了变化与非变化属性模式的可分性；再次，本文将全图变化属性显著水平与GCASD进行有效融合，得到变化检测的综合界定值；最后，依据虚警阈值确定双时相高光谱遥感图像变化检测的二值化结果。2研究方法本文提出的光谱一频域属性模式融合的高光谱遥感图像变化检测方法主要包含2个部分，即基于梯度相关性的光谱绝对距离与基于

13、傅里叶变换理论的显著性增强策略，其具体架构流程如图1所示。总的来说，前者从光谱特征层面对像元对的变化属性进行逐级量化；后者从频域高频幅度特征增强了变化属性像元的显著性。频谱显著性增强特征融合图像原始高光谱图像结构与纹理差异邻域获取图像傅里叶正(逆)变换A(,)=R(F(G)1.()=log(A(/)P(Z)=S(F(G)8(f)=1.(J)K(x,y)G=F(exp(fl()+V)1主成分I分析幅度谱相位谱幅度高斯泄波梯度相关性光谱绝对距离相位请领域检测领域属性光谱属性*H叱)；侬月(i1rT-Jrr1s6=-b=(ltl)O=SJdist*潴波度谱变化情测结果图I基于光谱一频域属性模式融合的

14、高光谱遥感图像变化检测流程图Fig.1OutlineofchangedetectioninHypcrspcctralremotesensingimageviaspectral-frequcncydomainattributepatternfusion2.1 图像分组及融合在计算2时相高光谱遥感图像像元对的梯度相关性绝对距离之前，本文分别对原始图像4与4进行波段分组与融合，目的在于消除噪声波段以及提升算法执行效率(TU等，2021)。首先，本文分别将。,与4划分为M个具有连续且相邻波段的波段子集，第m个(m=l,2M)波段子集厅1表示为1.s.flvw!4Q,；(l厂“gjwyWj式中，/=，r

15、,d,尸表示为具有Q个波段的4或/,图像，BQ/mO为不大于的最大整数O值得一提的是，本文依据Zhou等(2021)在高光谱遥感图像分类任务中的经验，将波段分组的数量M设置为25。一旦获得M波段子集,则，,或的融合图像/F可以被定义为七，S：“J式中,Um为第m个波段子集中的波段数量,Hf表示为第m个波段子集中第备个波段。2.2 梯度相关性的光谱绝对距离光谱绝对距离S在变化检测任务中是1种简单直观的检测器，其公式表达为.Sid=ElHBI4 i式中，Q是高光谱遥感图像或/各自的波段数量，Bl和比分别表示4,或A第/个波段的图像。光谱绝对距离检测器的基本假设在于像元或区域的变化会引起地物福亮度明显变化，因此辐射校正和几何校正对2期图像的变化检测结果有着显著的影响。参考HoU等(2022)报道，利用2期影像待测像元在8连通邻域像元上的光谱和空间相似性，设计了光谱角权重的局部绝对距离resj,其公式为Zs2)b=,Z,N式中，/表示4,或人任一高光谱遥感图像的像元数量,Xl与Xi分别为A或A图像的待测像元,xk和X:i是对应于单波段图像8连通邻域中像元的光谱向量。事实上，从式(4)中不难看出，两期影像中变化属性的界定值是依据待测像