研究与发展 2015年 总体来看,由于SAR影像数据的特殊性,近年建差异图,这也构成了生成差异图的新兴算法。这些 来在其差异图生成算法方面理论体系相对比较特殊。热点算法将在第2部分予以介绍 差异图的生成,实际上是找到一个能表征两幅SAR12差异图的分析 影像之间距离矩阵,这个矩阵经过可视化处理后就是 差异图生成以后,需要对其进行分析,最终生成 差异图。传统的差异图生成方法主要是通过对像素求幅黑白二值图lB。常用的分析方法有四种:阈值分 差异运算来获得差异图。早期的差异图生成方法主要析、聚类分析、图切分析和水平集分析。 采用最简单的差值差异运算,即直接将两幅SAR影阈值法通过某种阈值选择方法找出一个最优阈值 像相减。但是SAR影像在成像机制上与光学遥感影以后,将差异图以阈值像素值为界划分为两类。以往 像有较大差异,许多研究人员已经证实其固有的相干的阈值往往需要人工来确定,但是随着科技发展,更 斑噪声的模型为乘性随机噪声[10,因此差值法无法多科研人员更加青睐无监督的阈值选取。其中无监督 有效抑制相干斑噪声,所以常规变化检测方法直接应的最优阈值的选择方法比较经典的有 Kilter& 用于SAR影像并不能取得很好的效果。在参考文献 Illingworth(K)法[25]和期望最大化( Expectation [2]中提出,差值算子不甚符合SAR影像的统计模 Maximization,EM法[26],这两种方法首先都需要通 型,而且从校正误差的角度讲不具有稳定性和鲁棒过建立模型对未变类和变化类的类条件分布进行直 性。相对于差值运算来讲,比值算子能够较好克服对方图拟合,最后通过 Bayes最小错误率准则来使得两 乘性噪声敏感这一缺点,因此该方法可有效的抑制相类分布的后验概率相等来择出最优阈值′。类条件分 干斑,并逐渐成为主要研究方向,在较长的一段时期布模型比较常用的有 Gaussian模型、广义 内得到了广泛应用。尽管如此,比值法没有进一步考 Gaussian(GG)模型、对数正态(N)模型等等。这两 虑影像的局部、边缘、类条件分布等先验信息,因此种方法的不同之处在于:KI法通过建立性能指标函 仍然有指的改进的余地,所以在比值算子的基础上,数,并求出函数最小值来寻找对应T:EM法则是通 另有对数比(og- ratIo,LR)算子和均值比(Mean- ratIo,过迭代不断最大化期望值来求得r′。阈值法的优点是 MR)算子两种改进方法。 运算速度快,方法简明,但是存在精确度不够高等问 LR算子在比值差异图的基础上多了一步对数的题。 运算。参考文献[23提到,利用LR算子将比值差异 聚类法是通过对差异图运用聚类算法得到未变类 图转换到对数尺度,从而将SAR影像中的相干斑噪和变化类的两个聚类中心,然后通过近邻法分割出两 声转换为加性噪声,并且在经过对数转换后的差异影类。聚类方法有硬聚类和模糊聚类两种,硬聚类以K 像素得到了非线性收缩,增强了变化类和非变化类的均值聚类(K- means,KM法[2为代表,模糊聚类以模 对比度。对数运算本身的性质能够减小比值运算所带糊C均值聚类( Fuzzy c- means,FCM)法[28]为代表。 来的较大差异,所以可以进一步降低未变化类背景部硬聚类KM用贪婪算法推导出,利用类间距离最大和 分的野点影响,在变化区域比未变化区域小的情况下类内距离最小这两点,通过迭代找到合适的聚类中 比较有效。但与此同时,LR运算将两类的区域的边心,但由于硬划分的原因会造成一些误差。模糊聚类 缘信息完好保留的能力相对较弱,这是因为对数运算FCM在此基础上又加入了模糊集合知识,生成有隶 收缩性较强,边缘区域的像素值容易被模糊化的缘属度矩阵,因此能够更为有效地保留更多数据原有的 特性,从而使分类精度得以提高,因此在现今成为一 MR算子在参考文献[24提出。该算子利用了像种更为流行的聚类基本方法。聚类法的优点是不需要 素的邻域信息,对于单独出现的野点有一定程度的抑建立模型,比阈值法灵活,但是由于上述的两种基本 制效果。这是由于相比的对象不再是对应的孤立像素的聚类法没有考虑数据在空域上的诸多其他信息,因 点,而是像素点所在的邻域的均值。均值相比起到了此仍旧对影像噪声比较敏感。 空域的滤波效果,即在生成差异图的同时就对影像本 图切法是另一种影像的二分类方法,本质上是将 身有了一定程度的去噪功能。但是,由于缺乏伸缩变未变化类和变化类的标签分配给诸像素点。该方法通 换,如果噪声不是以点状的形式出现而是以成片的形过对给定的约束函数不断进行能量优化,而当能量达 式出现,则MR算子不易有效抑制其影响 到最小时,影像像素就可以对应于最优的标签。在早 近年来对于差异图的生成方法又有了进一步的期的视觉影像问题中,图切法用于空间变量的噪声测 研究,涌现出一些性能优良的热点算法。此外,目前量。近几年,诸多实验证实了在影像分割领域运用图 有许多的模型能够为SAR影像进行统计建模,而且切法进行优化的可行性[29],参考文献[30]和31也说 又有很多的方法用于衡量统计分布之间的距离来构明了图切是解决差异图分析的有效方法。差异图的分3 计 算 机 研 究 与 发 展 2015 年 总体来看，由于 SAR 影像数据的特殊性，近年 来在其差异图生成算法方面理论体系相对比较特殊。 差异图的生成，实际上是找到一个能表征两幅 SAR 影像之间距离矩阵，这个矩阵经过可视化处理后就是 差异图。传统的差异图生成方法主要是通过对像素求 差异运算来获得差异图。早期的差异图生成方法主要 采用最简单的差值差异运算，即直接将两幅 SAR 影 像相减。但是 SAR 影像在成像机制上与光学遥感影 像有较大差异，许多研究人员已经证实其固有的相干 斑噪声的模型为乘性随机噪声[10]，因此差值法无法 有效抑制相干斑噪声，所以常规变化检测方法直接应 用于 SAR 影像并不能取得很好的效果。在参考文献 [22]中提出，差值算子不甚符合 SAR 影像的统计模 型，而且从校正误差的角度讲不具有稳定性和鲁棒 性。相对于差值运算来讲，比值算子能够较好克服对 乘性噪声敏感这一缺点，因此该方法可有效的抑制相 干斑，并逐渐成为主要研究方向，在较长的一段时期 内得到了广泛应用。尽管如此，比值法没有进一步考 虑影像的局部、边缘、类条件分布等先验信息，因此 仍然有指的改进的余地，所以在比值算子的基础上， 另有对数比(Log-ratio, LR)算子和均值比(Mean-ratio, MR)算子两种改进方法。 LR 算子在比值差异图的基础上多了一步对数的 运算。参考文献[23]提到，利用 LR 算子将比值差异 图转换到对数尺度，从而将 SAR 影像中的相干斑噪 声转换为加性噪声，并且在经过对数转换后的差异影 像素得到了非线性收缩，增强了变化类和非变化类的 对比度。对数运算本身的性质能够减小比值运算所带 来的较大差异，所以可以进一步降低未变化类背景部 分的野点影响，在变化区域比未变化区域小的情况下 比较有效。但与此同时，LR 运算将两类的区域的边 缘信息完好保留的能力相对较弱，这是因为对数运算 收缩性较强，边缘区域的像素值容易被模糊化的缘 故。 MR 算子在参考文献[24]提出。该算子利用了像 素的邻域信息，对于单独出现的野点有一定程度的抑 制效果。这是由于相比的对象不再是对应的孤立像素 点，而是像素点所在的邻域的均值。均值相比起到了 空域的滤波效果，即在生成差异图的同时就对影像本 身有了一定程度的去噪功能。但是，由于缺乏伸缩变 换，如果噪声不是以点状的形式出现而是以成片的形 式出现，则 MR 算子不易有效抑制其影响。 近年来对于差异图的生成方法又有了进一步的 研究，涌现出一些性能优良的热点算法。此外，目前 有许多的模型能够为 SAR 影像进行统计建模，而且 又有很多的方法用于衡量统计分布之间的距离来构 建差异图，这也构成了生成差异图的新兴算法。这些 热点算法将在第 2 部分予以介绍。 1.2 差异图的分析 差异图生成以后，需要对其进行分析，最终生成 一幅黑白二值图 IB。常用的分析方法有四种：阈值分 析、聚类分析、图切分析和水平集分析。 阈值法通过某种阈值选择方法找出一个最优阈值 以后，将差异图以阈值像素值为界划分为两类。以往 的阈值往往需要人工来确定，但是随着科技发展，更 多科研人员更加青睐无监督的阈值选取。其中无监督 的最优阈值的选择方法比较经典的有 Kilter & Illingworth(KI) 法 [25] 和期望最大化 (Expectation Maximization, EM)法[26]，这两种方法首先都需要通 过建立模型对未变类和变化类的类条件分布进行直 方图拟合，最后通过 Bayes 最小错误率准则来使得两 类分布的后验概率相等来择出最优阈值 T* 。类条件分 布模型比较常用的有 Gaussian 模型、广义 Gaussian(GG)模型、对数正态(LN) 模型等等。这两 种方法的不同之处在于：KI 法通过建立性能指标函 数，并求出函数最小值来寻找对应 T* ；EM 法则是通 过迭代不断最大化期望值来求得 T* 。阈值法的优点是 运算速度快，方法简明，但是存在精确度不够高等问 题。 聚类法是通过对差异图运用聚类算法得到未变类 和变化类的两个聚类中心，然后通过近邻法分割出两 类。聚类方法有硬聚类和模糊聚类两种，硬聚类以 K 均值聚类(K-means, KM)法[27]为代表，模糊聚类以模 糊 C 均值聚类(Fuzzy C-means, FCM) 法[28]为代表。 硬聚类 KM 用贪婪算法推导出，利用类间距离最大和 类内距离最小这两点，通过迭代找到合适的聚类中 心，但由于硬划分的原因会造成一些误差。模糊聚类 FCM 在此基础上又加入了模糊集合知识，生成有隶 属度矩阵，因此能够更为有效地保留更多数据原有的 特性，从而使分类精度得以提高，因此在现今成为一 种更为流行的聚类基本方法。聚类法的优点是不需要 建立模型，比阈值法灵活，但是由于上述的两种基本 的聚类法没有考虑数据在空域上的诸多其他信息，因 此仍旧对影像噪声比较敏感。 图切法是另一种影像的二分类方法，本质上是将 未变化类和变化类的标签分配给诸像素点。该方法通 过对给定的约束函数不断进行能量优化，而当能量达 到最小时，影像像素就可以对应于最优的标签。在早 期的视觉影像问题中，图切法用于空间变量的噪声测 量。近几年，诸多实验证实了在影像分割领域运用图 切法进行优化的可行性[29]，参考文献[30]和[31]也说 明了图切是解决差异图分析的有效方法。差异图的分