2015年 尽可能保持符号距离函数特性。在该文中,他们提出发生时的情形,后一时刻的SAR影像中可以清楚地 了一种基于水平集函数梯度的简单正则项,该正则项看出当时泛滥的洪水。两幅影像的尺寸均为301×301 在梯度较大的区域取值较大,而在梯度较小的地方取而变化参考图通过结合当地真实的陆地信息和专家 值较小,在水平集函数演化过程中起到了一定的拉伸知识得到 作用。这个正则项的出现打破了CV模型需要重新初 始化的桎梏,对水平集分析算法的简化起着重要的意 义。但是该正则项在水平集函数梯度小于1时和实际 期望的物理意义相差较大,于是在2010年,Li等又 提出了带有一种全新的正则项的改进CV(Improved CV,ICⅤ模型[44]。ICⅤ模型对上述正则项利用余弦 (a)April, 1999 (b) May, 1999 (c)Reference map 函数进行了改进,且对水平集函数的取值进行了讨论 Fig. 1 Bern dataset 处理,从而弥补了上述正则项在水平集函数值小于1 图1.Bern数据集 时和实际物理意义差距甚远的问题 然而水平集方法对初始轮廓较为敏感,易陷入局 第二组数据集是由 RADARSAT-SAR卫星分别在 部最优,尤其是当处理噪声影响情况较复杂SAR影1997年5月和1997年8月拍摄的,分辨率为12m, 像的差异图时,这种现象变得更为严重。针对变化检影像大小为290×350。该数据集反映的是加拿大 测差异图分析的任务,Bazi等在2010年提出了一种 Ottawa地区受雨季影响其地表变化情况。此时间段 基于多级分辨率水平集( Multiresolution Level-set,正值1997年的雨季过后,河道明显变窄。从图2可 MLS)的差异图分析方法[!9]。该方法首先通过下采样以清楚地看出河水退去后露出的大范围陆地区域。变 的方式将差异图蜕变为一系列低分辨率的影像:其化参考图通过结合当地真实的陆地信息和专家知识 次,将较低分辨率的影像的水平集分割结果轮廓作为得到。 下一级较高分比例影像的初始轮廓:最后,二值化最 后一级分辨率影像(初始生成的差异图)的分割结果, 即获得变化检测的最终结果。这种方法在下采样的过 程中,将噪声以一定的概率加以弱化或剔除,使得水 平集第一次分割时能够尽可能少地受噪声影响,并且 带有很强的先验信息。在后续分析中,这些先验信息 逐步引导水平集函数收敛至全局最优,在复杂的环境 下提高了分类精度。 (a) May, 1997 (b)August, 1997 (c)Reference Fig. 2 Ottawa dataset 3几种热点算法的性能比较 图2.Otwa数据集 我们对第2部分所介绍的一些性能优良的热点算 法利用真实的SAR数据集进行性能对比。我们首先差异图的生成算法评估中,我们绘出每一幅差异 对实验用数据集进行简要介绍,然后分别以图和表格图对应的受试者工作特征( Receiver Operating 的形式给出几类方法的实验结果,并加以简要分析。 Characteristic,ROC)曲线[24],曲线上的数据点代表 3.1实验设置 了遍历灰度级的诸阈值分割下的一系列虚警率( False 本文中选取两组真实的SAR数据集,每一组数据 Alarm Rate)和检测率( Detection Rate)的对应点。为了 集包含有两幅已配准的不同时刻的SAR影像和一幅观察细节,我们给出了点(0,1)附近的局部放大图。曲 人工标定的标准参考二值图。 线下的面积大小( Area under the curve,AUC)用来作 第一组实验的SAR影像数据集原始影像及变化为性能的评判,AUC越大代表差异图性能越良好 检测参考图如图1所示,分辨率为20m。其中数据集 差异图的分析算法中,我们采用通用的错检数 的原始影像是分别在1999年4月和1999年5月通过( False positive,FP)、漏检数( False Negative,FN)、总 欧洲遥感2号星载SAR传感器在瑞士Bemn地区获得错误数( Overall Errors,OE)和 Kappa系数( Kappa 的。在此时间段内,泛滥的Aare河洪水将Thun和 Coefficient,KC)四项指标作为评估指标。FP代表了本 Ben两座城市的部分地区淹没,Bem机场则是彻底属于未变化类却被检测为变化类的像素点数,FN代 被洪水淹没。前一时刻的SAR影像显示了洪水尚未表本属于变化类却被检测为未变化类的像素点数7 计 算 机 研 究 与 发 展 2015 年 尽可能保持符号距离函数特性。在该文中，他们提出 了一种基于水平集函数梯度的简单正则项，该正则项 在梯度较大的区域取值较大，而在梯度较小的地方取 值较小，在水平集函数演化过程中起到了一定的拉伸 作用。这个正则项的出现打破了 CV 模型需要重新初 始化的桎梏，对水平集分析算法的简化起着重要的意 义。但是该正则项在水平集函数梯度小于 1 时和实际 期望的物理意义相差较大，于是在 2010 年，Li 等又 提出了带有一种全新的正则项的改进 CV (Improved CV, ICV)模型[44]。ICV 模型对上述正则项利用余弦 函数进行了改进，且对水平集函数的取值进行了讨论 处理，从而弥补了上述正则项在水平集函数值小于 1 时和实际物理意义差距甚远的问题。 然而水平集方法对初始轮廓较为敏感，易陷入局 部最优，尤其是当处理噪声影响情况较复杂 SAR 影 像的差异图时，这种现象变得更为严重。针对变化检 测差异图分析的任务，Bazi 等在 2010 年提出了一种 基于多级分辨率水平集(Multiresolution Level-set, MLS)的差异图分析方法[19]。该方法首先通过下采样 的方式将差异图蜕变为一系列低分辨率的影像；其 次，将较低分辨率的影像的水平集分割结果轮廓作为 下一级较高分比例影像的初始轮廓；最后，二值化最 后一级分辨率影像（初始生成的差异图）的分割结果， 即获得变化检测的最终结果。这种方法在下采样的过 程中，将噪声以一定的概率加以弱化或剔除，使得水 平集第一次分割时能够尽可能少地受噪声影响，并且 带有很强的先验信息。在后续分析中，这些先验信息 逐步引导水平集函数收敛至全局最优，在复杂的环境 下提高了分类精度。 3 几种热点算法的性能比较 我们对第 2 部分所介绍的一些性能优良的热点算 法利用真实的 SAR 数据集进行性能对比。我们首先 对实验用数据集进行简要介绍，然后分别以图和表格 的形式给出几类方法的实验结果，并加以简要分析。 3.1 实验设置 本文中选取两组真实的 SAR 数据集，每一组数据 集包含有两幅已配准的不同时刻的 SAR 影像和一幅 人工标定的标准参考二值图。 第一组实验的 SAR 影像数据集原始影像及变化 检测参考图如图 1 所示，分辨率为 20m。其中数据集 的原始影像是分别在 1999 年 4 月和 1999 年 5 月通过 欧洲遥感 2 号星载 SAR 传感器在瑞士 Bern 地区获得 的。在此时间段内，泛滥的 Aare 河洪水将 Thun 和 Bern 两座城市的部分地区淹没，Bern 机场则是彻底 被洪水淹没。前一时刻的 SAR 影像显示了洪水尚未 发生时的情形，后一时刻的 SAR 影像中可以清楚地 看出当时泛滥的洪水。两幅影像的尺寸均为 301×301。 而变化参考图通过结合当地真实的陆地信息和专家 知识得到。 (a) April, 1999 (b) May, 1999 (c) Reference map Fig. 1 Bern dataset. 图 1. Bern 数据集 第二组数据集是由 RADARSAT-SAR 卫星分别在 1997 年 5 月和 1997 年 8 月拍摄的，分辨率为 12m， 影像大小为 290×350。该数据集反映的是加拿大 Ottawa 地区受雨季影响其地表变化情况。此时间段 正值 1997 年的雨季过后，河道明显变窄。从图 2 可 以清楚地看出河水退去后露出的大范围陆地区域。变 化参考图通过结合当地真实的陆地信息和专家知识 得到。 (a) May, 1997 (b) August, 1997 (c) Reference map Fig. 2 Ottawa dataset. 图 2. Ottawa 数据集 差异图的生成算法评估中，我们绘出每一幅差异 图对应的受试者工作特征 (Receiver Operating Characteristic, ROC) 曲线[24]，曲线上的数据点代表 了遍历灰度级的诸阈值分割下的一系列虚警率(False Alarm Rate)和检测率(Detection Rate) 的对应点。为了 观察细节，我们给出了点(0,1)附近的局部放大图。曲 线下的面积大小(Area under the Curve, AUC) 用来作 为性能的评判，AUC 越大代表差异图性能越良好。 差异图的分析算法中，我们采用通用的错检数 (False Positive, FP)、漏检数(False Negative, FN)、 总 错误数(Overall Errors, OE)和 Kappa 系数(Kappa Coefficient, KC)四项指标作为评估指标。FP 代表了本 属于未变化类却被检测为变化类的像素点数，FN 代 表本属于变化类却被检测为未变化类的像素点数