研究与发展 2015年 析本身是一个二分类问题,即对每个像素点进行分和中值滤波,初步去除噪声干扰和野点,然后利用人 类,因此可以根据差异图自身的性质构造合适的能量工加权的参数获得最终的融合差异图。这种方法简单 函数,并且使用图切法最小化这个能量函数,使得能易行,且适合于并行处理,速度较快。但是其中含有 量最小时,每一个像素点都属于一个最合适的分类。人工参数,需要多次测试才能得出最优的参数值,不 图切法的能量函数包含两部分:数据函数和平滑函易根据影像本身的性质进行自动选择 数。数据函数值用于衡量影像中某像素点与其当前所 为了去除人工参数,使得差异图生成实现进一步 持标签的拟合程度大小,平滑函数则相当于在某一邻的无监督化,Gong等在参考文献[2】中提出了一种基 域中两个像素点之间不连续性的惩罚函数[32] 于邻域的比值差异图算法( Neighborhood- based Ratio, 此外,基于水平集模型的方法近年来在影像分割NR)。和MR算子不同的是,NR算子并不是简单应 领域引起了广泛的关注。水平集利用曲线演化将二维用一个邻域窗口内像素强度的均值信息,而是对比值 闭合曲线的演化问题转化为三维空间中水平集函数差异图和MR差异图的一个加权平均。这个权值可以 曲面演化的隐含方式来求解,即构造一个三维的水平表征中心像素所在的位置是处于匀质区域还是异质 集函数,然后求使其值为零的解构成的曲线集合,从区域,低值对应匀质区域,高值对应异质区域。NR 而获得影像分割的结果。Chan和vese在参考文献[33]算子构建的差异图充分结合了像素点的灰度信息和 中根据 Mumford-Shah泛函模型[34]和变分水平集方空间信息,而加权参数完全由影像自身的性质确定, 法提出了著名的CⅤ模型。该模型是基于区域的分析提高了差异图构造的鲁棒性 方法,具有很好的内部边缘和弱边缘的检测能力。通 小波融合( Wavelet Fusion,WF)法是Ma等在参考 过不断优化能量函数的过程中不断修正水平集函数,文献[13]中提出的另一种差异图构造方法。如第1部 轮廓曲线演化方程被转化成求解数值化偏微分方程分所述,LR差异图从细节上能够较好地去除背景噪 的问题。SAR影像变化检测的差异图由于受到噪声的点,而MR差异图则对变化区域整体信息保持较好, 影响,容易在区域内或边界上产生野点现象,因此可因此WF算子结合两种差异图的优势对两者进行有 以在其能量函数中可以加上若干邻域或者边缘信息,效融合。首先对已生成的LR和MR差异图分别进行 适应于拓扑结构变化的处理。在曲线的分裂或者合并小波变换,再分别抽取MR差异图的低频段和LR差 等过程中,不但具有较高的计算精度,而且算法稳定异图的高频段,也就是抽取了MR差异图的整体信息 性强,可以有效降低这些野点在分析过程中的干扰。和LR差异图的细节信息。然后对LL、LH、HL和 近年来国内外诸多科研人员都在致力于研究关于CVHH按照基于邻域的融合规则进行融合,生成一幅新 模型的进一步优化和改进,并加以运用到变化检测的的小波变换图。最后进行小波逆变换,得到了WF融 差异图分析方面 合差异图。这种方法通过结合了小波变换的性质,使 有关SAR影像的差异图分析方法的研究是这几两种差异图的优点通过小波融合结合在一起。 年的热点问题,许多科研人员对以上的基本方法进行 通过结合SAR影像纹理和强度特征来构造差异 研究并加以合理改良,使得最终获得优良的分析结图( Intensity and Texture,mn是又一热点算法。Gong等 在文献[33]中将输入的两幅SAR影像进行稀疏和低 秩系数的分解,分别得到了对应的强度和纹理信息。 2近年热点算法介绍 该方法对这两种信息分别构建差异图,然后进行融 SAR影像变化检测研究在近年来得到了广泛的合。这样做既提取出了SAR影像中主要变化的区域 关注,国内外的诸多优秀团队对其进行了广泛而又细又能防止斑点噪声对差异图性能产生影响,尤其是在 致的研究,取得了一些较为可喜的成果。本节将对近性能保持这一性能上具有较强的鲁棒性 年来一些国内外知名期刊中的SAR影像变化检测热22潮值法分析差异图热点算法 点方法予以介绍和汇总。 阈值法分析简单易操作,主要通过模型选择确定 21差异图生成热点算法 最优阈值。最终的二值图IB由公式(2)确定: 近年来差异图生成的热点算法主要是基于邻域信 息的融合改进。 Zheng等在参考文献[提出了 IB(i,j)= Ir()>T (2) 种简单实用的差异图融合方法,即组合差异图法 01x(,)≤r ( Combined Difference Image,CDD)。该方法对差值差 如前所述,近年来无监督的阈值选择方法颇受到 异图和LR差异图进行参数加权获得新的差异图 研究人员的关注。Bazi等在2005年就提出了用KI CDI法将差值差异图和LR差异图分别进行均值滤波阈值法来分析差异图[0;在2006年 Moser和 Serpico4 计 算 机 研 究 与 发 展 2015 年 析本身是一个二分类问题，即对每个像素点进行分 类，因此可以根据差异图自身的性质构造合适的能量 函数，并且使用图切法最小化这个能量函数，使得能 量最小时，每一个像素点都属于一个最合适的分类。 图切法的能量函数包含两部分：数据函数和平滑函 数。数据函数值用于衡量影像中某像素点与其当前所 持标签的拟合程度大小，平滑函数则相当于在某一邻 域中两个像素点之间不连续性的惩罚函数[32]。 此外，基于水平集模型的方法近年来在影像分割 领域引起了广泛的关注。水平集利用曲线演化将二维 闭合曲线的演化问题转化为三维空间中水平集函数 曲面演化的隐含方式来求解，即构造一个三维的水平 集函数，然后求使其值为零的解构成的曲线集合，从 而获得影像分割的结果。Chan 和 Vese 在参考文献[33] 中根据 Mumford-Shah 泛函模型[34]和变分水平集方 法提出了著名的 CV 模型。该模型是基于区域的分析 方法，具有很好的内部边缘和弱边缘的检测能力。通 过不断优化能量函数的过程中不断修正水平集函数， 轮廓曲线演化方程被转化成求解数值化偏微分方程 的问题。SAR 影像变化检测的差异图由于受到噪声的 影响，容易在区域内或边界上产生野点现象，因此可 以在其能量函数中可以加上若干邻域或者边缘信息， 适应于拓扑结构变化的处理。在曲线的分裂或者合并 等过程中，不但具有较高的计算精度，而且算法稳定 性强，可以有效降低这些野点在分析过程中的干扰。 近年来国内外诸多科研人员都在致力于研究关于 CV 模型的进一步优化和改进，并加以运用到变化检测的 差异图分析方面。 有关 SAR 影像的差异图分析方法的研究是这几 年的热点问题，许多科研人员对以上的基本方法进行 研究并加以合理改良，使得最终获得优良的分析结 果。 2 近年热点算法介绍 SAR 影像变化检测研究在近年来得到了广泛的 关注，国内外的诸多优秀团队对其进行了广泛而又细 致的研究，取得了一些较为可喜的成果。本节将对近 年来一些国内外知名期刊中的 SAR 影像变化检测热 点方法予以介绍和汇总。 2.1 差异图生成热点算法 近年来差异图生成的热点算法主要是基于邻域信 息的融合改进。Zheng 等在参考文献[11]中提出了一 种简单实用的差异图融合方法，即组合差异图法 (Combined Difference Image, CDI)。该方法对差值差 异图和 LR 差异图进行参数加权获得新的差异图。 CDI 法将差值差异图和 LR 差异图分别进行均值滤波 和中值滤波，初步去除噪声干扰和野点，然后利用人 工加权的参数获得最终的融合差异图。这种方法简单 易行，且适合于并行处理，速度较快。但是其中含有 人工参数，需要多次测试才能得出最优的参数值，不 易根据影像本身的性质进行自动选择。 为了去除人工参数，使得差异图生成实现进一步 的无监督化，Gong 等在参考文献[12]中提出了一种基 于邻域的比值差异图算法(Neighborhood-based Ratio, NR)。和 MR 算子不同的是，NR 算子并不是简单应 用一个邻域窗口内像素强度的均值信息，而是对比值 差异图和 MR 差异图的一个加权平均。这个权值可以 表征中心像素所在的位置是处于匀质区域还是异质 区域，低值对应匀质区域，高值对应异质区域。NR 算子构建的差异图充分结合了像素点的灰度信息和 空间信息，而加权参数完全由影像自身的性质确定， 提高了差异图构造的鲁棒性。 小波融合(Wavelet Fusion, WF)法是 Ma 等在参考 文献[13]中提出的另一种差异图构造方法。如第 1 部 分所述，LR 差异图从细节上能够较好地去除背景噪 点，而 MR 差异图则对变化区域整体信息保持较好， 因此 WF 算子结合两种差异图的优势对两者进行有 效融合。首先对已生成的 LR 和 MR 差异图分别进行 小波变换，再分别抽取 MR 差异图的低频段和 LR 差 异图的高频段，也就是抽取了 MR 差异图的整体信息 和 LR 差异图的细节信息。然后对 LL、LH、HL 和 HH 按照基于邻域的融合规则进行融合，生成一幅新 的小波变换图。最后进行小波逆变换，得到了 WF 融 合差异图。这种方法通过结合了小波变换的性质，使 两种差异图的优点通过小波融合结合在一起。 通过结合 SAR 影像纹理和强度特征来构造差异 图(Intensity and Texture, IT)是又一热点算法。Gong 等 在文献[33]中将输入的两幅 SAR 影像进行稀疏和低 秩系数的分解，分别得到了对应的强度和纹理信息。 该方法对这两种信息分别构建差异图，然后进行融 合。这样做既提取出了 SAR 影像中主要变化的区域， 又能防止斑点噪声对差异图性能产生影响，尤其是在 性能保持这一性能上具有较强的鲁棒性。 2.2 阈值法分析差异图热点算法 阈值法分析简单易操作，主要通过模型选择确定 最优阈值。最终的二值图 IB由公式(2)确定：       . , , , * *          I i j T I i j T I i j X X B (2) 如前所述，近年来无监督的阈值选择方法颇受到 研究人员的关注。Bazi 等在 2005 年就提出了用 KI 阈值法来分析差异图[10]；在 2006 年 Moser 和 Serpico