王守峰，杨学志，董张玉，石聪聪



基于Relief-PCA特征选择的遥感图像变化检测

王守峰1,2，杨学志1,2，董张玉1,2，石聪聪1,2

(1. 合肥工业大学计算机与信息学院，安徽 合肥 230009；2. 工业安全与应急技术安徽省重点实验室，安徽 合肥 230009)

面向对象的变化检测技术在高分辨率遥感图像领域已经得到广泛地应用。由于遥感图像受光照、大气环境等成像条件的影响，图像特征的质量也参差不齐，筛选出高质量的特征成为对象级遥感图像变化检测的关键。针对此问题，提出了一种基于Relief-PCA特征选择的对象级遥感图像变化检测方法。首先，对原始图像进行多尺度分割获得目标对象，并提取对象的光谱特征与纹理特征；然后，利用对数比值法获得变化矢量，再使用Relief-PCA特征选择的方法对图像的对象特征进行筛选与降维；最后，计算并生成CVA变化强度图，利用Otsu方法对变化强度图进行阈值分割得到最终的变化检测结果。实验表明：与已有方法相比，该方法的变化检测精度更高，误检率和漏检率更低。

遥感图像；Relief-PCA；变化检测；图像特征

遥感图像具有覆盖面积大、重访周期短的特点，被广泛应用于土地覆盖变化检测，是遥感应用研究的重要课题之一。根据变化检测的基本单位，可将变化检测方法分为面向像素和面向对象的2类。传统的遥感图像变化检测技术主要是面向像素的方法，常用的有图像差值法、比值法、相关系数法、回归分析法等。

随着传感器技术的发展，遥感图像的空间分辨率得到了很大地提高。由于缺乏对像元邻域信息的考虑，传统的面向像素的遥感图像变化检测技术在高分辨率图像中变得不再适用。而面向对象的方法更适用于高分辨率图像[1]，其检测方法大致可以分为：①先进行面向对象分类，然后进行变化检测，即分类后比较法；②先对图像进行多尺度分割以生成图斑，然后提取图斑特征，获得对应的变化向量，并对其进行量化分类，得出变化检测结果，即直接比较法。由于分析的单位是对象，面向对象的方法可以有效地抑制高分辨率图像中的椒盐噪声，但对象图斑特征的质量可直接影响遥感图像变化检测结果的精确性。王文杰等[2]利用eCognition提取图像光谱特征、纹理特征以及形状特征并引入到对象级的变化检测中，然后对各种特征图像进行差值处理，利用人工判读的方法分析对比，得出结论；该方法相对全面地引入了图像的多种信息，但是人工判读难以量化特征的质量，且工作量繁重。2007年，BOVOLO和BRUZZONE[3]首先将经典变化向量分析法引入面向对象的遥感影像变化检测。

变化向量分析的方法需同时考虑图像的多种特征信息，在遥感图像变化检测中有广泛的应用[3-6]。佃袁勇等[7]提出了一种基于多尺度分割的遥感影像变化检测算法，将对象图斑的灰度均值作为变化矢量特征，取得了一定的效果，但忽略了高分辨率遥感图像丰富的纹理信息。同时，该方法也未考虑到光谱信息之间的冗余情况[8-9]。王丽云等[10]提出了一种变化矢量检测(change vector analysis，CVA)与主成分分析(principal component analysis，PCA)相结合的方法，相比较于传统的单独CVA，精度得到了很大地提高，减少了光谱信息的冗余。然而，该方法仅考虑到图像的光谱信息，在光谱信息不足或质量不高的情况下，结果一般不理想。石善球[11]提出了将光谱、纹理和局部不变特征等引入CVA，并取得了良好的效果，但该方法只是将多特征直接引入变化矢量，未考虑特征质量以及特征的冗余。针对高分辨率遥感图像不同类别地物光谱重叠的问题，本文在充分利用其空间信息的同时，提出了一种基于Relief-PCA特征选择的遥感图像变化检测方法。

1 算法原理

本文算法需对高分辨率遥感图像进行预处理；然后，对其进行多尺度分割，提取对象特征并对特征进行选择，再进行变化强度求解；最后利用Otsu的方法得到二值化变化监测结果。流程如图1所示。

图1 基于Relief-PCA特征选择的遥感图像变化检测流程

1.1 特征提取

1.1.1 影像预处理

图像预处理环节使用ENVI和eCogntion软件平台实现GF-1数据预处理。该环节使用ENVI平台中提供的函数实现影像融合、正射纠正、影像裁剪；并使用eCogntion软件的multiresolution segmentation方法对2个时期叠合的影像进行多尺度分割，生成对象图斑，用于后期分析。

1.1.2 光谱特征

本文算法的光谱特征采用对象的光谱均值计算，即

1.1.3 纹理特征

灰度共生矩阵由于其较强的适应能力和鲁棒性，在纹理特征提取方面得到了广泛地应用，本文算法采用灰度共生矩阵提取纹理特征[12]。其提供了14种统计量作为纹理特征，包括均值、标准差、对比度等。本文选取其中常用的8种统计量作为纹理特征，见表1。

1.2 基于Relief-PCA特征选择的遥感图像变化检测

1.2.1 变化矢量获取

通过对1和2时刻的变化特征向量[13-15]取对数后直接做差，计算第个对象的第个特征，即

表1 灰度共生矩阵特征统计量

第个对象所对应的变化矢量为

1.2.2 Relief-PCA特征选择

Relief算法是一种著名的过滤式特征选择方法[16-18]，通过引入一个“相关统计量”来度量不同特征对分类的贡献度，该统计量为向量。其每个分量分别对应一个初始特征，而特征子集的贡献度则是由子集中每个特征所对应的相关统计分量之和来决定，最后根据阈值选择出比其大的相关统计分量所对应的特征。将选出的特征用于PCA降维并计算变化强度图，通过Ostu的方法获得变化监测结果。具体步骤如下：

(2) 根据标记向量将特征子空间对象分为M1与M2对象集，其中M1包含1个对象，M2包含2个对象，1+2=，计算所有对象两两之间变化矢量的欧式距离，即

(4) 计算相关统计量获得每个特征f对应的权重，即

(5) 根据实验测定，按照相关统计量大小，筛选出对分类贡献最大的5个特征向量的序号，并带入到原变化矢量集合，得到集合。

(6) 利用PCA对矩阵进行特征降维，计算如下

其中，变换矩阵T是的协方差矩阵的特征向量矩阵的转置矩阵，变换之后的变化特征矩阵_各个特征之间将具有很小的相关性。

第级第个对象的变化强度为

(7)2表示经过PCA[19-21]后的特征向量维度。最后，通过Otsu的方法，对变化强度图进行阈值分割，得到变化检测结果。

2 实验结果与分析

2.1 实验数据

实验选取2组图像，分别是2014年和2015年合肥市某区域预处理后的高分一号图像集，包含4个波段，分辨率1 m。第1组实验图像的大小为432×446，图像中的变化差异主要体现在水利施工区域，该研究区域在两年间有较大的地表变化。同时，该区域包含丰富的水体、裸地、植被、建筑物等信息，影像分辨率较高。第2组实验图像为1408×1411，该组图像主要覆盖农田、道路、河道等信息，图像中的变化差异体现在农田作物的种植情况。2组图像分辨率较高，基本涵盖了遥感图像常见的地物信息。

图2 原始数据

2.2 实验过程

实验首先对经过预处理的高分一号图像进行多尺度分割，获得对象图斑，并计算每个对象图斑4个波段所对应的光谱特征与纹理特征。然后，根据1.2.2节中描述的Relief-PCA特征选择算法，输出特征权重，2组数据得到的权重结果如图3所示。

图3 相关统计量计算结果

根据特征的权重，每组实验均选取5个特征，将筛选出的特征序号输入到原始特征空间，得到权重最大的5个变化特征。对选出的变化特征进行PCA降维，得到最终优选的特征变化矢量。并计算CVA变化强度图，利用Otsu方法[22-23]进行阈值分割，实验结果如图4所示，其中黑色部分表示变化区域，白色部分表示未变化区域。

2.3 结果分析

为了验证多特征变化检测相对于单一光谱特征变化检测的优越性，方案1为仅采用单一光谱信息的对象级PCA变化检测方法；同时，为了验证对象级变化检测相对于传统像素级变化检测的优越性，方案2为传统的仅使用光谱特征的像素级CVA变化检测方法。为进行定量分析，特通过人工解译的方式得到变化发生的图像，作为参考变化影像，并利用总体精度，Kappa系数等对变化检测精度进行分析。

图4 基于Relief-PCA特征优化的对象级变化检测结果

2组实验的结果如图5所示，其中，图5 (a)~(d)为第1组实验的图像。

从表2和表3可知，本文所提出的基于Relief-PCA特征优选的对象级遥感图像变化检测方法，Kappa系数在2组实验图像中分别达到0.838 0和0.884 1，总体精度则分别达到92.48%和94.48%。相比于方案1中使用单一光谱特征进行PCA降维后的CVA方法，本文方法引入了纹理特征信息，从实验结果可以看出，总体精度超过方案1的10%左右，Kappa系数显著高于方案1。表明本文方法对特征进行选择后，不仅引入了高质量的空间信息，还剔除了光谱特征中的冗余信息，变化检测效果明显改善。同时，相比较于方案2中出现的较为严重的“椒盐”现象，本文方法未出现该现象。主要原因是本文方法基于对象级的变化检测具有很好地抗“椒盐”噪声的能力。

图5 基于Relief-PCA特征选择的变化检测方法与其他方法对比

表2 第1组实验精度评价指标

表3 第2组实验精度评价指标

3 结 论

本文提出了一种基于Relief-PCA特征选择的对象级遥感图像变化检测方法，通过与使用单一光谱特征进行PCA降维的对象级变化检测方法以及基于传统的像素级CVA变化检测方法进行了实验对比和分析，验证了本文方法更具有效性。本方法的优势有：

(1) 选择出高质量的特征应用于遥感图像变化检测，提高了变化检测精度。

(2) 利用PCA降维消除特征冗余，充分利用了高分辨率遥感图像的空间信息。

本文的变化检测方法通过相关统计量，量化对象特征对变化分类的贡献率，但是通过实验以及经验选取权重较大的几个特征，存在主观误差，并没有一个量化的方案确定相应的阈值，因此针对该阈值确定方法的改进有待进一步研究。

[1] BOVOLO F. A multilevel parcel-based approach to change detection in very high resolution multitemporal images [J]. IEEE Geoscience and Remote Sensing Letters, 2009, 6(1): 33-37.

[2] 王文杰, 赵忠明, 朱海青. 面向对象特征融合的高分辨率遥感图像变化检测方法[J]. 计算机应用研究, 2009, 26(8):3149-3151.

[3] BOVOLO F, BRUZZONE L. A theoretical framework for unsupervised change detection based on change vector analysis in the polar domain [J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(1): 218-236.

[4] JOHNSON R D, KASISCHKE E S. Change vector analysis: A technique for the multispectral monitoring of land cover and condition [J]. International Journal of Remote Sensing, 1998, 19(3): 411-426.

[5] CARVALHO JÚNIOR O A, GUIMARAES R F, Gillespie A R, et al. A new approach to change vector analysis using distance and similarity measures [J]. Remote Sensing, 2011, 3(11): 2473-2493.

[6] RADKE R J, ANDRA S, AL-KOFAHI O, et al. Image change detection algorithms: A systematic survey [J]. IEEE Transactions on Image Processing, 2005, 14(3): 294-307.

[7] 佃袁勇, 方圣辉, 姚崇怀. 多尺度分割的高分辨率遥感影像变化检测[J]. 遥感学报, 2016, 20(1): 129-137.

[8] MOHANAIAH P, SATHYANARAYANA P, Gurukumar L. Image texture feature extraction using GLCM approach [J]. International Journal of Scientific and Research Publications, 2013, 3(5): 1-5.

[9] HUSSAIN M, CHEN D, CHENG A, et al. Change detection from remotely sensed images: From pixel-based to object-based approaches [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 80: 91-106.

[10] 王丽云, 李艳, 汪禹芹. 基于对象变化矢量分析的土地利用变化检测方法研究[J]. 地球信息科学学报, 2014, 16(2): 307-313.

[11] 石善球. 一种面向对象的CVA变化检测方法[J]. 测绘与空间地理信息, 2017, 40(11): 80-82.

[12] MATEOS C J B, RUIZ C P, CRESPO R G, et al. Relative radiometric normalization of multitemporal images [J]. International Journal of Interactive Multimedia and Artificial Intelligence, 2010, 1(3): 53-58.

[13] LIANG L, YING G, WEN X, et al. Object-oriented change detection based on spatiotemporal relationship in multitemporal remote-sensing images [J]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sclences, 2015, XL-7/W3(7): 1241-1248.

[14] SWINIARSKI R W, SKOWRON A. Rough set methods in feature selection and recognition [J]. Pattern Recognition Letters, 2003, 24(6): 833-849.

[15] KIRA K, RENDELL L A. A practical approach to feature selection [C]//Proceedings of the 9th International Workshop on Machine Learning. San Francisco: Morgan Kaufmann Publishers Inc, 1992: 249-256.

[16] ZHANG J, LIN H, ZHAO M. A fast algorithm for hand gesture recognition using relief [C]//2009 6th International Conference on Fuzzy Systems and Knowledge Discovery. New York: IEEE Press, 2009, 1: 8-12.

[17] ROBNIK-SIKONJA M, KONONENKO I. Theoretical and empirical analysis of ReliefF and RReliefF [J]. Machine Learning, 2003, 53(1-2): 23-69.

[18] SUN Y. Iterative RELIEF for feature weighting: Algorithms, theories, and applications [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2007, 29(6): 1035-1051.

[19] FARRELL M D, MERSEREAU R M. On the impact of PCA dimension reduction for hyperspectral detection of difficult targets [J]. IEEE Geoscience and Remote Sensing Letters, 2005, 2(2): 192-195.

[20] STEFANO L D, MATTOCCIA S, Mola M. A change-detection algorithm based on structure and colour [C]//IEEE Conference on Advanced Video and Signal Based Surveillance. Washington, DC: IEEE Computer Society Press, 2003: 252.

[21] QIU B, PRINET V, PERRIER E, et al. Multi-block PCA method for image change detection [C]//International Conference on Image Analysis and Processing, 2003.New York: IEEE Press, 2003: 385.

[22] HALL O, HAY G J. A multiscale object-specific approach to digital change detection [J]. International Journal of Applied Earth Observation and Geoinformation, 2003, 4(4): 311-327.

[23] WALTER V. Object-based classification of remote sensing data for change detection [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2004, 58(3-4): 225-238.

Remote Sensing Image Change Detection Based on Relief-PCA Feature Selection

WANG Shou-feng1,2, YANG Xue-zhi1,2, DONG Zhang-yu1,2, SHI Cong-cong1,2

(1. School of Computer and Information, Hefei University of Technology, Hefei Anhui 230009, China; 2. Anhui Province Key Laboratory of Industry Safety and Emergency Technology, Hefei Anhui 230009, China)

Object-oriented change detection technology has been widely used in the field of high-resolution remote sensing images. As the remote sensing images are affected by imaging conditions such as illumination, atmospheric environment and other factors, the quality of image features also varies. Selecting high-quality features becomes the key of the change detection of remote sensing image at the object level. For the above problems, a change detection method of object-level remote sensing images based on Relief-PCA feature selection has been proposed. In the proposed method, first of all, the original image is multi-scaled to obtain the target object. Afterwards, the spectral features and texture features of the object are extracted. Then a logarithmic ratio method is used to obtain the change vector, and the object features of the original image are filtered and dimensioned through the Relief-PCA feature selection method. Finally, the change vector analysis (CVA) variation intensity map is calculated and generated. The Otsu method is used to conduct the threshold segmentation of the variation intensity map to obtain the final change detection result. Experimental results show that compared with other state-of-the-art methods, the proposed method has higher detection accuracy, lower misdetection rate and lower missed detection rate.

remote sensing image; Relief-PCA; change detection; image feature

TP 391

10.11996/JG.j.2095-302X.2019010117

A

2095-302X(2019)01-0117-07

2018-07-07；

2018-07-18

国家自然科学基金项目(41601452)；安徽省重点研究与开发计划项目(1704a0802124)

王守峰(1993-)，男，河南平顶山人，硕士研究生。主要研究方向为遥感信息处理。E-mail：2687888046@qq.com

董张玉(1986-)，男，安徽合肥人，副教授，博士。主要研究方向为遥感信息处理。E-mail：dzyhfut@hfut.edu.cn