基于KPCA和Kmeans++的遙感影像變化檢測研究

所屬分類：建筑論文閱讀次時間：2021-11-18 16:23

本文摘要：摘要：針對多光譜遙感影像在低維空間難以區(qū)分這一問題，提出一種基于KPCA和Kmeans++的變化檢測方法。對不同時相的遙感影像進(jìn)行大氣校正、幾何校正和圖像配準(zhǔn)，求出影像差值，利用KPCA方法將低維空間數(shù)據(jù)映射為高維特征向量，獲得主成分信息，形成差異圖像，再通過Kmean

　　摘要：針對多光譜遙感影像在低維空間難以區(qū)分這一問題，提出一種基于KPCA和Kmeans++的變化檢測方法。對不同時相的遙感影像進(jìn)行大氣校正、幾何校正和圖像配準(zhǔn)，求出影像差值，利用KPCA方法將低維空間數(shù)據(jù)映射為高維特征向量，獲得主成分信息，形成差異圖像，再通過Kmeans++聚類，生成結(jié)果圖像。實(shí)驗(yàn)表明，新方法檢測效果良好，精度較高。

　　關(guān)鍵詞：KPCA;Kmeans;遙感影像;變化檢測

遙感影像論文

　　隨著航空航天遙感技術(shù)的飛速發(fā)展，面對具有“三多”(多傳感器、多平臺、多角度)和“三高”(高空間分辨率、高光譜分辨率、高時相分辨率)的海量遙感影像數(shù)據(jù)，如何通過變化檢測技術(shù)解決4W(When、Where、Whatobject、Whatchange)問題顯得尤為迫切[1]。

　　國內(nèi)外學(xué)者陸續(xù)從不同的應(yīng)用角度提出了各種各樣的變化檢測方法，并已廣泛應(yīng)用于土地利用、植被覆蓋、森林變化、災(zāi)害檢測等領(lǐng)域。但是，目前尚沒有一種方法能夠適合所有的應(yīng)用問題。文中針對多光譜遙感影像在低維空間非線性可分這一問題，提出了一種基于KPCA和Kmeans++的變化檢測方法，求取兩個時相影像差值的絕對值后，通過KPCA將低維空間數(shù)據(jù)轉(zhuǎn)為高維特征向量，進(jìn)而生成差異圖像，接著經(jīng)過Kmeans++聚類，生成變化結(jié)果圖像。

　　1原理與方法

　　1.1遙感影像變化檢測

　　變化檢測是通過觀察不同時相的地物或現(xiàn)象識別其狀態(tài)變化的過程[2]。變化檢測過程主要分為4個階段：預(yù)處理階段、變化檢測階段、閾值分割階段以及精度評價階段[3]。首先針對選取的數(shù)據(jù)進(jìn)行數(shù)據(jù)配準(zhǔn)和輻射校正等預(yù)處理工作，然后根據(jù)特征差異生成變化信息，接著生成具有語義特征的變化結(jié)果，最后評價變化檢測的精度。國內(nèi)外學(xué)者已經(jīng)從數(shù)據(jù)時相、分析粒度、先驗(yàn)信息、空間維度、時間尺度等不同的角度對變化檢測方法進(jìn)行了分類[4],其中，變化檢測根據(jù)分析粒度可分為像素級、特征級以及對象級3種方式。

　　PCA主成分分析法就是一種基于像素級的變化檢測方法。根據(jù)數(shù)據(jù)處理過程的本質(zhì)，變換檢測又分為有監(jiān)督和無監(jiān)督兩類，前者需要提供適合分類的訓(xùn)練集，后者則將兩幅圖像直接進(jìn)行對比，不需要提供額外的信息。而Kmeans算法屬于無監(jiān)督聚類。常用的遙感影像變化檢測的方法包括差異主成分分析法、主成分差異分析法、多波段主成分分析法等。

　　差異主成分分析法先將原始影像相減，取差值的絕對值，處理得到一個差值影像，過濾掉差值影像中的背景部分，再對差值影像進(jìn)行主成分分析，得到變化結(jié)果中的第一個分量集中了兩個時相影像的主要差異信息，最后進(jìn)行閾值分割，得到變化圖斑[5];主成分差異分析法是先分別對不同時相的原始影像進(jìn)行主成分變換，然后對兩幅主成分變換后的圖像取差求絕對值，作為變化信息圖像。這種變換方式利用原始影像中的前幾個分量對應(yīng)的差值分量來作波段組合，進(jìn)而反映不同時相的變化情況;多波段主成分分析法是將原始影像的各波段組合成一個兩倍于原影像波段數(shù)的新影像，再對新影像進(jìn)行主成分變換[6]。該文采用的是差異主成分分析法。

　　1.2KPCA方法

　　PCA(PrincipalComponetAnalysis)[7]即主成分分析法，利用較少的主要指標(biāo)作為代表，這些主要指標(biāo)彼此無關(guān)，同時盡可能多地表示原有指標(biāo)的有用信息。作為多維正交變換，PCA常被用于多光譜遙感影像處理。數(shù)據(jù)在低維度空間不是線性可分的，但是在高維度空間可以變成線性可分。

　　基于這一特征，人們引入了核主成分分析法KPCA(KernelPCA)。KPCA是PCA的一種擴(kuò)展算法，利用非線性函數(shù)將輸入空間映射到高維特征空間，并進(jìn)行相關(guān)的數(shù)據(jù)處理。KPCA的核心是將特征空間的內(nèi)積運(yùn)算轉(zhuǎn)換為原始空間的核函數(shù)計(jì)算[10]。作為一種常用的核方法，KPCA將原始數(shù)據(jù)通過核函數(shù)(Kernel)映射到高維度空間，再利用PCA算法進(jìn)行降維[11]。KPCA不僅適合解決線性問題，而且能提供比PCA更多的特征數(shù)目，可以最大限度地提取特征信息。因此，KPCA可以用于高光譜遙感影像降維處理[11]。

　　1.3Kmeans++聚類

　　Kmeans++是Kmeans的一種改進(jìn)。Kmeans是一種經(jīng)典的基于劃分的聚類算法，其目標(biāo)是將對象集劃分為若干個簇，使得簇內(nèi)對象間的相似度較高，而簇間對象的相似度較低。Kmeans首先隨機(jī)選取k個初始聚類中心，接著分別計(jì)算所有點(diǎn)到這k個點(diǎn)的距離，依據(jù)距離大小將所有數(shù)據(jù)點(diǎn)分配到離中心點(diǎn)較近的簇中，再重新計(jì)算各簇的聚類中心點(diǎn)，根據(jù)聚類準(zhǔn)則函數(shù)，采用迭代的方法不斷重復(fù)以上過程，直到聚類中心不再變化或者是聚類準(zhǔn)則函數(shù)收斂為止[12]。Kmeans聚類運(yùn)算簡單高效，耗費(fèi)資源少，且具有良好的可伸縮性，但該算法采用隨機(jī)的方式選取k個初始聚類中心，不同的初始聚類中心會產(chǎn)生不同的聚類結(jié)果[13]。

　　2007年，DavidArthur提出了Kmeans++[14]，該方法并不是隨機(jī)地給出若干個初始聚類中心，而是先隨機(jī)選取一個點(diǎn)作為第一個初始聚類中心，然后計(jì)算所有點(diǎn)到該聚類中心的距離，接著依據(jù)“聚類中心相互之間距離越遠(yuǎn)越好”的樸素原則[15]，選取新的聚類中心。Kmeans++對Kmeans算法隨機(jī)選取初始聚類中心進(jìn)行了改進(jìn)，通過計(jì)算與距離占比相關(guān)的概率逐一選取新的初始聚類中心，直到最后選取k個初始聚類中心[16]。實(shí)踐證明，該算法改進(jìn)了聚類效果。

　　2基于KPCA和Kmeans++的遙感影像變化檢測

　　2.1變化檢測過程

　　該文采用KPCA和Kmeans++的方法對遙感影像進(jìn)行變化檢測。首先對兩幅不同時相的遙感影像進(jìn)行預(yù)處理，求兩幅影像的差值，并取絕對值，接著利用KPCA提取特征向量形成變化差異圖[17]，最后利用Kmeans++聚類算法對差異圖進(jìn)行分析，得到最終的變化圖像。

　　2.2實(shí)驗(yàn)與分析

　　考慮不同數(shù)據(jù)源及傳感器對變化信息的影響，該文選取2008年和2018年的Landsat8影像作為研究對象，空間分辨率為10m，截取其中300×300像元。首先以2008年影像為基準(zhǔn)，對2018年影像進(jìn)行大氣校正、幾何校正，并進(jìn)行圖像配準(zhǔn);然后取兩幅影像差值的絕對值，獲取差異圖像;接著利用KPCA方法提取特征向量[18]，取得特征向量差異圖像;最后利用Kmeans++進(jìn)行聚類，獲得變化/非變化語義圖像，并輸出變化的結(jié)果圖像，其中白色為變化的部分，而黑色表示未變化。以目視解譯的變化結(jié)果作為參考對象，計(jì)算出混淆矩陣和檢測精度，總體精度較高，其值為93.5%，Kappa系數(shù)為0.62，變化檢測結(jié)果和實(shí)際結(jié)果基本一致，并且精度較高。

　　3結(jié)束語

　　文中提出了一種新的遙感影像變化檢測方式，通過KPCA將低維空間數(shù)據(jù)映射為高維特征向量，再通過Kmeans++聚類生成檢測結(jié)果。該方法主要研究的是影像間像元數(shù)值的變化，下一步重點(diǎn)研究特征屬性的變化。

　　參考文獻(xiàn)：

　　[1]杜培軍,夏俊士,薛朝輝,等.高光譜遙感影像分類研究進(jìn)展[J].遙感學(xué)報,2016,20(2):236-256.

　　[2]佟國峰,李勇,丁偉利,等.遙感影像變化檢測算法綜述[J].中國圖象圖形學(xué)報,2015,20(12):1561-1571.

　　[3]季順平,田思琦,張馳.利用全空洞卷積神經(jīng)元網(wǎng)絡(luò)進(jìn)行城市土地覆蓋分類與變化檢測[J].武漢大學(xué)學(xué)報(信息科學(xué)版),2020,45(2):233-241.

　　[4]馮文卿,眭海剛,涂繼輝,等.聯(lián)合像素級和對象級分析的遙感影像變化檢測[J].測繪學(xué)報,2017,46(9):1147-1155,1164.

　　[5]趙展,夏旺,閆利.基于多源數(shù)據(jù)的土地利用變化檢測[J].國土資源遙感,2018,30(4):148-155.

　　[6]黃亮,於雪琴,姚丙秀,等.線性迭代聚類和主成分分析的遙感影像變化檢測[J].測繪科學(xué),2019,44(11):189-194.

　　[7]李成龍,張景發(fā).基于主成分分析的遙感震害變化檢測方法與應(yīng)用[J].地震,2013,33(2):103-108.

　　[8]王滿.基于PCA與KPCA的多光譜遙感影像特征提取對比研究[J].礦山測量,2016,44(2):49-52.

　　[9]柯宏霞,高建平.一種基于KPCA和Brovey變換的遙感影像融合方法[J].重慶交通大學(xué)學(xué)報(自然科學(xué)版),2019,38(2):72-78.