论文研究 基于上下文相关和模糊聚类的无监督图像变化检测 .pdf

基于上下文相关和模糊聚类的无监督图像变化检测 ，高雷阜，李超，提出了一种基于模糊聚类的无监督二时刻变化检测方法，适合于高分辨率二时刻图像和多光谱遥感图像的变化检测问题。不同于经典无监图武获记义在线这里,ω为像素和之间相邻空间的权重。的大负值表小第个像素冑围的局部聚类数据值与第个像素明显不同。与之相反,大正值表明相同。局部的方法可以揭示一幅大图像全局联合图案的像素局部方差。这一信息可以用于变化像素在空间相关上与无变化像素显著不同的变化检测。假设由于不同的光谱反射,无变化区域的值较小,而由」变化像素与相邻像索相同的自然特征,变化区域的值较大。为检验由给出的空闫相关性范围是否足够明显为变化区域下结论提供依据,用的期望和方差的统计学显著性检验。期望和方差公式如下这里a且=∑,O=∑∑∑为像素总数。如果观测到的的伎定值比显著水平低,那么完整的随机化假设便不成立。模糊均值聚类聚类是一种研究数据分析的工具,它将数据分割成模式相似的若干组。模式在组内均匀,组间相异。在图像上下文处理过程中,图像中每个像素都是维度数量都等于波段数量特征空间中的一个点。设有个像素、波段数量为的图像=聚类的日的是找到一个具有个类别的集合,这里s且∪√≠∩=⑧≠⑧。下面首先描述模糊集的概念,然后讨论将模糊聚类用于图像变化检测问题。模糊集的概念是由在年提岀。模糊集理论能够解决模糊亻清的边芥问题以及现实生活中的语义标签问题。模糊集是传统集合理论的普遍化肜式。传统集合具有明确的边界,一个对象是否属」一个集合是确定的(集合的确定性)。然而模糊集能够解决部分属于的问题,也就是能够更加灵活地定义一个对象部分属于一个集合的情况。这种部分属于用成员函数作为特征。设为一个非空集合,的模糊子集中的事件具有软过渡边界,用成员函数表示与中每个点的相关映射为区间内的某个实数:形式上,的模糊子集定义为有序对集合={(()这里的支持定义为:图武获记义在线成员涵数可以看作加权系数。对于在之内部分较大的对象,加权系数较大;反之加权系数较小。例如,和分别表示严格属于和不属于。模糊集理谂方法能够用于图像分析和模式识别取决于它能够抓住由于数据缺乏引起的不确定性。图像很少质量完美,模糊集能够抓住不同的、模糊的、不确定的和不精确的信息、。图像的不精确来源于很多因素,包括像素光谱特征模糊,空间模糊,知识基础明确等。图像的空间目标木身没有给出边界、边缘和它们之间关系的准确定义。这也是用模糊集来表示图像空冋目标重叠的动札。解决这种空門目标内存模糊性的一种方法是模糊均值聚类算法,这算法不是将某像素指定到·个单独的类别,而是用不同的成员关系将其指定到到所有类别。在二元变化检测问题中,假设像素可以用确定的成员关系同吋属于有变化类和无变化类。有变化和无变化区域没冇明确的边界,因此,这种情况具有模糊属性,可以用模糊均值聚类来解决模糊均值聚类的主要目标是计算分块矩阵这里代表第个像素与类别的成员关系。在分类过程中,如果不属于类别,那么,反之为。在模糊聚类中可以取区间中的值来表示像素与类别的成员关系。式表小与第个类别的成员关系程度和与余下个类的成员关系程度有关。下血条件保证了每个类别都是非空且不包含所有像素模糊均值聚类算法是在最小化下述目标函数的同时发展聚类的迭代方案:∑∑这里θ第个类别的参数化表示,O=θθ,,O,为×阶矩阵,其中元素等同于0为和θ之间相异程度,>为模糊参数。式中不同的值指硬分类或模糊聚类。具体来说,=时,式降为硬分类,即均值聚类算法。如果聚类过程将更模糊,通常取〓为模糊参数。聚类变量θ和计算方法如下:模糊均值聚类算法的程序伪码:国武获记义在线输入:未标签的像素图像输出:标准θ和分割矩阵随机选取设置硬分类和初始化θ作为初步估计值∑十∑∑‖>E,这里e预先定义为一个小的正值常量基于无监督变化检测的上下文交叉相关和自相关给定一个二时刻图像集合和变化的定义,变化检测方法的目的是识别这些变化的位置和范围。单纯利用图像的光谱信息会限制变化检测能力,因为忽略可能有用的两种关联。其中种在和内部,另一种在和之间。由于在时间上依赖」,所以存在时域的关联,这种相关对于无变化像素是积极的,对于有变化像素是消极的。采用方程的局部形式来测量给定领近像素的吋域关联。大小的窗∏效果好于更大的窗∏。对于图像和内部的关联,本研究采用的统计方法来衡量空间相关性。在图像中,希望它的自然表现是多相的,因为多种物体能反映出更高的多光谱特征,同时无法检测出显著的模式。而图像希望反射至少两种模式,一种是有变化像素,另一种无变化像素。这是因为,由于光谱依赖性,一个像素更易被相邻的同类像素包闱。在对的计算过稈中,只考虑把边界像素作为仼何给定像素的邻近像素时间和空间的相关给出了变化方面充足的依据。所以,将所有这些信息整合,作为模糊均值聚类算法的输入,用以将有变化区域冋无变化区域区分开。所提方法的主要优点是非参数和自然无监督的,除起始的二时刻图像外无需任何其他信息,同时还能显著提高变化检测能力。除此之外,相对于硬分类方法,对模糊均值聚类方法的利用也保证能更好地对边界像素的有变化和无变化分类。图武获记义在线基于空间(的统计方法)和时间(的方法)的无监督变化检测方法如图考虑两幅分别拍摄于时刻和多光谱图像和。设图像大小为××,这里为行数,为每行像素数,为波段数量。假设在之间发生了需要被检测的明显变化。图像预处理:辊射和地质信息修正,图像校准计算和中给定相邻范围的坐标处的像素的局部时间相关对每行像素重复执行每个像素都按模式生成在给定窗口中,所以在时间相关图像中的像素总数等于单波段起始图像或中的像素总数×用式计算位于第波段、丛标处给定相邻的像素的局部空间相关对所有波段每一行的像素重复扶行由于计算了全波段的局部空间相关,所以图像大小为×的空问相关数量等于图像和的波段总数×将生成的时间相关图像和生成的空间相关图像输入模糊聚类算法作为特征应用模糊均值聚类算法生成映射图像通过对比相关图像,评估所得映射图像的准确率多光谱图像多光谱图像Date 1Date 2预处理Morn疏统计1+字关联 Moran的疏计1嫫糊C均值聚类变化映射图像准确率评价图方法流程图数值实验实验目的为利用二时刻图像的空间和间相关检测变化区域,通过对比标注模糊均值聚类方法硏究所提方法的可靠性。标准模糊均值聚类算汯下面简称为简易模糊均值聚类,用于仅利用像素光谱信息将图分割成有变化和无变化类,并假设像素独立分布。相反,所提方法下面简称为带有交叉相关和自相关的模糊值聚类,用于利用两嶇图像的时间国武获记义在线和空间相关来分辨有变化像素和无变化像素。方法比较所用指标有整体精确度(),系数(),错分()凇和漏分()率实验所用数据集米源于覆盖了关国加州部分区域的两幅多光谱图像。图像由地球资源号卫星制图成像系统分别拍摄于年月日和月日,从整幅卫星图片中截取像素的部分作为测试数据。图和分别展示了在月和月波段和获取的图像。在两个时刻之间曾发生一场火山,毁坏了很人面积区域。△图美国加州图像波段、和所得卫星图像,摄于年月日波段、和所得卫星图像,摄于年月日图变化区域位置相关映射图像图为目测相关图像和不同图像所得的变化区域映射图像。精确度评价指标通过对比所提方法生成映射图像与这幅映射图像完成。相关图像中有个有变化像素和无变化像素。图像中大片区域的变化需要用自动方法尽可能精确地检测敚果评价如下:定性比较所提方法与简易模糊均值聚类方法的变化检测能力;定量分析所提方法在变化信息方面的表现。图和图分别定性比较了简易模糊均值聚类方法和带有交叉相关和自相关的模糊均值聚类方法的二元变化检测映射图像。白色代表“有变化”类,黑色代表“无变化”类。通过对比简易模糊均值聚类方法的结果(图)与相关映射图像(图〕可以发现简易模糊均值聚类方法不能检测出无变化类,导致了大量的错分类。和分布在整幅图像的错分类一起,一部分有变化类也没有被检测到,所以漏分类的数量也增加了。导致如此差的效果的原因是有变化类和无变化类像素的高度相似,对于模糊均值聚类方法,仅仅依靠光谱信息难以进行分辨。另一方面,所提带有交叉相关和自国武获记义在线相关的模糊均值聚类方法所得映射图像图与相关映射图像看起来很相似图。带有交叉相关和自相关的模糊均值聚类方法能够捕捉变化类别的总体结构:然而它也产生了错分类现象。所提方法对漏分类问题有很好的抑制。简易模糊均值聚类方法与带有父叉相关和自相关的模糊均值聚类方法所生成变化映射图像的目测比较显示利用时间和空间相关显著提高了变化检测的精确度为进行定量比较,表给出了精确度的观察总结。所提带有交叉相关和自相关的模糊均值聚类方法的整体精确度为系数为,明显高于简易模糊均值聚类方法的整体精确度和系数,此外也明显降低了错分率和漏分率,分别降低了和,这显示了引入了过火区域的空间上下文信息在变化检测方面的效果。从这一点可以推断,用时间和空间相关的模糊均值聚类方法更好。如前文所述,由的统计方法计算所得的空间相关程度也测试了显著性。计算值为过火图像,波段,代衣自相关高度积极。这值的显著性用测试方法进行检测。结果值为值为这一统计测试明确指出空间相关具有显著的统计意义,这一信息对于改进变化检测能力很有意义。我MEe.图模糊均值聚类方法生成的变化检测映射图像“:图带冇交叉相关和自相关模糊均值聚类方法生成的变化检测映射图像图武获记义在线表精确度评价方法整体精确度系数错分率()漏分率()模糊均值聚类72.770.364024.6534.66带有交叉相关和自相关的模糊94.120.85497.092.40均值聚类结论使用标淮无监督聚类算法——模糊均值聚类方法无法检测到的变化能够被识别。时间和空间相关对有无变化类別的表现起到了积极作用,应用所提方法可以看到变化检测精确度的明显提高。所提方法提高精确度的⊥要原因在于它不仅抓仨了有变化和无变化类别的模糊性,同时还引入了空间和时间上下文信息。参考文献