利用免疫克隆进行小波域遥感图像变化检测_王凌霞_焦李成_颜学颖_辛芳芳

第40卷 第4期 JOURNAL OF XIDIAN UNIVERSITY V ol.40 No.4 ______________________________

收稿日期： 网络出版时间： 基金项目：国家自然科学基金资助项目(61001202,61003199)；高等学校学科创新引智计划（111计划）资助项目

(B07048)；国家教育部博士点基金资助项目(200807010003,20090203120016,20100203120008)；教育部“长

江学者和创新团队发展计划”资助项目(IRT1170)

作者简介：王凌霞（1983—），女，西安电子科技大学博士研究生，E-mail ：wanglingxia@https://www.360docs.net/doc/d514114135.html,

网络出版地址： doi ：10.3969/j.issn.1001-2400.2013.04.018

利用免疫克隆进行小波域遥感图像变化检测

王凌霞1，焦李成1，颜学颖1，辛芳芳2

(1. 西安电子科技大学 智能感知与图像理解教育部重点实验室，陕西 西安 710071；

2. 西安微电子技术研究所，陕西 西安 710054)

摘要：为了降低遥感图像变化检测中噪声对检测精度的影响，本文提出一种基于免疫克隆结合小波变换的新算法。

首先利用小波多尺度和低通平滑的特性，构造多层差异影像，再通过免疫克隆算法修正小波变换插零和卷积操作带

来的图像空域偏差，对运用瑞利高斯模型分割得到的初始结果进行二次线性插值的匹配，最后经图像融合得到变化

检测结果。仿真实验表明本文提出的算法不仅降低了图像噪声的影响，而且有效抑制了引入小波变换带来的图像偏

移误差，显著地提高了变化检测精度。

关键词：变化检测 免疫克隆算法 小波变换

中图分类号：TP391 文献标识码：A 文章编号：1001-2400(2013)04-0128-08

Change detection in multi-temporal remote sensing images based on the

wavelet-domain immune clonal optimazition

WANG Lingxia 1, JIAO Licheng 1, YAN Xueying 1, XIN Fangfang 2

(1. Ministry of Education Key Lab. of Intelligent Perception and Image Understanding , Xidian Univ ., Xi’an 710071, China;2.

Xi ’an Institute of microelectronics technology, Xi’an 710054, China)

Abstract : In order to reduce the impact with noises in change detection for remote sensing images, a novel change detection

method is proposed in this paper ,which based on immune clone algorithm and wavelet transform. Firstly, the multi-scale and

low-pass smoothing characteristics of wavelet transform were utilized to construct multi-layered difference images. Secondly

the time domain deviations caused by operation of zero insertion and image convolution in wavelet transform were corrected

by immune clonal algorithm that the initial segmentation results obtained using Rayleigh-Gauss model were matched by secondary linear interpolation operation. Finally, the change detection was accomplished by image fusion. Simulation results

show that the algorithm can not only reduce the image noises, and also suppress the image deviations caused by wavelet Key Words : change detection ；immune clonal algorithm ；wavelet transform

1 引言

遥感图像变化检测是对不同时间获取的同一地理区域的多时相遥感图像进行定性或定量的分析，来获得地表变化特征和过程的技术[1]。它是土地利用与覆盖动态监测研究，城市规划及布局，森林资源调查，2013-03-31 00:51

https://www.360docs.net/doc/d514114135.html,/kcms/detail/61.1076.TN.20130331.0051.201304.128_018.html

https://www.360docs.net/doc/d514114135.html,

环境灾害评估等对地观测应用中的关键技术[2]，有着广泛的应用前景。遥感图像变化检测分为有监督变化检测和无监督变化检测，前者包括先分类后比较法，神经网络方法和支持矢量机法等，后者包括比值法，差值法，变化向量分析法和主成分分析法等[3]。

遥感图像像元灰度是随机分布的，在图像包含大量像元的前提下，像元的灰度服从或接近高斯分布[4]，基

于这种概率统计的思想,近年来出现了混合高斯分布变化检测方法[5]，

混合广义高斯分布变化检测方法[6]和瑞利高斯分布变化检测方法[4]等。为了消除噪声干扰，文献[4]对待检测图像做了基于自适应邻域的预处理，文献[7]用马尔科夫场模型对期望最大化检测算法的结果进行修正，这些操作虽然可以抑制噪声但是没兼顾图像细节信息，容易造成漏检或错检。小波变换[8]可以将信号分解成不同分辨率、不同频率及不同方向的子带信号，具有很好的局部时域和频域特性，被引入了变化检测。文献[9]对小波分解后的子带只取低通部分并选取可靠层，以得到去除噪声和保留细节的平衡；文献[2]在小波分解的基础上加入隐马尔科夫链模型，也良好的保留了细节信息。但是这些方法未充分利用图像的统计特性，为此，本文将概率统计模型引入小波域，提出一种新的变化检测方法。通过非下采样小波变换并选取各尺度子图像的低通部分抑制噪声并充分利用图像各尺度的信息，利用差值比值法[2]融合的方式提取各尺度的差异影像，同时，由于小波变换特别是正交小波变换不具有平移不变性[10]，插零和卷积操作会引起图像的微小偏移，会引起变化检测结果特别是图像边界部分的较大误差。针对此，设定图像的偏移量为0.5像素的整数倍，通过对训练样本的学习搜索图像最优偏移量来以修正检测结果。由于计算量巨大，本文引入免疫克隆优化算法[11]进行这一操作。

2 利用免疫克隆优化的遥感图像变化检测

设I 1和I 2是已经校准的两幅遥感图像，代表同一地理位置，不同时间的地貌信息。Ω=ωc ,ωu

{}分别表示变化类和非变化类像素的集合。算法主要分四步：（1）小波域多层差异影像的构成；（2）基于瑞利高斯模型的差异影像初始分割；（3）运用免疫克隆算法的图像偏移校正；（4）各层结果的融合。

2.1 小波域多层差异影像的构成

将I 1,I 2通过非下采样小波变换分解为5层，I 1,I 2设为第1层。对每一层小波子图像的低通部分I 1N 和I 2N 通过公式(1)提取差异影像[2]，不同尺度的差异影像构成小波域多层差异影像。

X N i ,j ()=d N i ,j ()?r N i ,j ()/max r N (),if I 1N i ,j ()?I 2N i ,j ()≥T D N X N i ,j ()=r N i ,j (),else ????? (1)

I 1N ,I 2N 是I 1,I 2在第N 层的低通子带小波系数,d

N i ,j (),r N i ,j ()分别是第N 层系数的差值和比值；T D N 由公式(2)确定,

12,N N m m 和12,N N σσ是第N 层子带的灰度均值和标准差。 T D N =0.5*|m 1N ?m 2N |+(σ1N +σ2N )???? (2)

2.2 基于瑞利高斯模型的多层差异影像初始分割

基于概率统计的思想，设定各尺度的差异影像中变化像素和不变像素分别服从瑞利分布和高斯分布，即每层差异影像中变化类ωc 和非变化类ωu 都分别服从瑞利分布和高斯分布。依据瑞利高斯模型（RGM ）KI 阈值选择算法[6]，最优变化检测阈值T *由公式（3）确定

T *=arg min J T () (3)

https://www.360docs.net/doc/d514114135.html,

即T *使得整个灰度范围内的平均误分率J(T)为最小，T=0,1,L .(L 表示图像最大灰度值)

J T ()=h (X )[ln σc 2(T )+12σc 2(T )?ln P c (T )(X ?t c )]X =0T ∑+h (X )X =T +1L ∑ln σu (T )P u (T ) (4)

其中h(X)是分类阈值T 两侧的灰度直方图，P c (T)和P u (T)分别是两类的先验概率，σc 2(T )和σu 2

(T )

分别是两类的类内方差。对2.1中得到的每层差异影像都进行上述的瑞利高斯KI 阈值分割，得到初始的多层变化检测结果。 2.3基于免疫克隆算法的多层偏移插值调整

将一组模拟数据如图1所示作为训练样本，并设定图像的偏移量为0.5像素的整数倍。先对样本图像进行小波变换，得到待调整图像。依公式（5）提取第N 层图像和标准图的质心c x ,c y

()， c x =x 1+x 2+ +x n n ,c y =y 1+y 2+ +y n n

（5） n 是像素点的总数， x 1,x 2, ,x n 是n 个像素点的x 轴坐标值，

y 1,y 2, ,y n 是n 个像素点的y 轴坐标值，这里提取变化检测中变化块像素较大部分的质心。经对比得到待调整图像偏移量的大致范围见公式（6），用于进一步的寻优操作。

C x =c x +N 2:?0.5:?c x ?N 2??????C y =c y +N 2:?0.5:?c y ?N 2????

????????? （6）

(a)时相一图像 (b)时相二图像 (c)变化参考图

图1农田遥感图像模拟变化数据组

（该数据组是位于英国Feltwell 村庄一个农田地的AMT3波段图像通过人工嵌入变化区域得到的，图像大小是470×335） 假设图像偏移量为p, q,对待调整图像根据公式(7)进行如图2所示的二次线性插值运算，接着进行2.4节给出的融合过程。本文设定使得融合后与理想分割结果相比错误率最小的p, q 为最优偏移量。

x =(1?p )(1?q )x 11+(1?q )px 12+(1?p )qx 21+pqx 22

(7) 12

x x 22

x

图2 二次线性插值运算

当偏移范围为[0:0.5:3]，图像分解为5层时，图像遍历需要搜索1.3841e+010次，计算量太大，所以本文应用免疫克隆算法[11]进行最优偏移量的寻优。免疫克隆算法如图3所示，由克隆操作，变异操作和寻优操作组成。由于我们的目标函数是寻找最小错误分割决定，所以我们的克隆规模和变异概率都与分割结果有关。目标函数越好，克隆规模越大，变异概率越小，变异的码长越短。

图3 免疫克隆算法示意图

Ab m {}为记忆抗体；Ab r {}为遗忘抗体，在免疫克隆算法抗体中，适应度最小，每次更新时，被随机产生

的新抗体Ab r {}

*替代；f m {}为记忆抗体的适应度值，根据适应度的值得到记忆抗体需要克隆的规模和变异的概率；Ab c {}为记忆抗体经过克隆后得到的抗体种群。Ab ma {}为经过变异，由Ab c {}得到变异后的抗

体种群。f ma {}为变异抗体种群的适应度值。Ab m {}

*为更新记忆抗体的种群，通过比较变异种群和记忆10，遗忘因子为2。克隆的规模由适应;f 'j ()∈0,10[] (8) *j ()是对适应度值进行归一化得到的结果。

1。设定算法收敛的条件为连续500次寻优5层，得到小波基最优偏移

https://www.360docs.net/doc/d514114135.html,

表1 不同小波基对应的各层图像偏移量

小波基\分解层数 1 2 3 4 5

x 轴 0 -0.5 -1 1 -2 ‘Harr’

y 轴 0 0.5 1 -1 -1 x 轴 0 0 0 0 0 ‘db2’

y 轴 0.5 0 0 0 0 x 轴 0 0 -0.5 0 -0.5 ‘coif1’

y 轴 0 0 0 0 0 x 轴 0 0 0 0 0

‘sym2’ y 轴 0 0 0 0 0

2.4多层变化检测结果融合

经过以上三步，可以得到小波域多层变化检测结果图。对每层结果图按照公式（9）进行融合,

X i ,j ()=X n i ,j ()n =1N ∑

(9)

X n i ,j ()为各层结果图，N 为分解层数，本文采用图像均值融合。对于融合后的图像，设定阈值T #=N +12N

×255，分割后得到最终的变化检测结果。 3 实验结果及分析

为验证算法的有效性，本文对两幅遥感图像进行仿真实验，并和人工阈值选取法[5]（MTEP ，Manual trial and error procedure ），广义高斯-高斯分布法[13](GGM ，Gaussian-Gaussian models)和瑞利-高斯分布法[6](RGM, Rayleigh-Gaussian models)进行对比。这里每种算法差异影像的构造都参照2.1，不同小波层的图像偏移量使用2.3节的经验值。

3.1 实验一

2000年4月和2005年5月墨西哥Landsat 7 ETM+4波段遥感图像，不同时相图像配准误差为1.5个像素左右，该组数据主要研究火灾引起的植被覆盖面积改变。

(a)时相一图像 (b)时相二图像 (c)变化参考图

https://www.360docs.net/doc/d514114135.html,

(d)MTEP 算法结果 (e)GGM 算法结果 (f)RGM 算法结果 (g)本文算法结果

图4 实验一结果比较示意图

(a)、(b)两时相遥感图像；(c)变化参考图；(d)MTEP 算法结果;(e)GGM 算法结果;(e)RGM 算法结果;(e)本文算法结果

表2 实验一各算法检测结果比较表

方法 误检数漏检数总错误数

MTEP 1782 1555 3337

GGM 2078 1430 3508

RGM 1761 1586 3347

本文算法1422 1846 3268

3.2 实验二

1995年9月和1996年7月意大利撒丁岛地区Landsat TM 4波段图像，两时相图像配准误差为2个像素以内，该组数据主要研究因湖泊水位上升造成的陆地淹没情况。

(a)时相一图像 (b)时相二图像 (c)变化参考图

(d)MTEP 算法结果 (e)GGM 算法结果 (f)RGM 算法结果 (g)本文算法结果

图5 实验二结果比较示意图

本文实验结果的评价指标主要通过误检（非变化类像素被判为变化类像素），漏检（变化类像素被判为非变化类像素）和总错误检测（误检+漏检）决定，总错误数越少，检测结果越精确，算法性能越好。第一组数据的仿真实验显示，本文算法的总错误数小于同样基于统计模型的GGM 算法和RGM 算法，也

比有监督的MTEP算法小，并且通过与变化参考图的对照，本文算法比起上述算法更加有效地减少了噪声带来的杂点，因此本文算法的性能优于前三种算法。第二组数据的仿真实验显示，本文算法的总错误数比起GGM算法和RGM算法要小，对杂点的抑制效果也优于后两种算法，虽然在正确检测率上稍弱于有监督的MTEP算法，但是对比实验结果图和变化参考图后发现，本文算法在消除噪声带来的杂点方面依然优于有监督的MTEP算法。

表3 实验二各算法检测结果比较表

方法误检数漏检数总错误数

MTEP 963 984 1947

GGM 1547 512 2059

RGM 3550 274 3824

本文算法1433 621 2054

4 结束语

本文将基于统计模型的瑞利高斯阈值算法引入了小波域，通过构造多层小波域差异影像，在去除噪声的同时，提高了原有图像信息的利用率。并且为消除小波变换中固有的偏移现象带给变化检测的影响，运用克隆免疫算法搜索最优偏移量，对图像进行插值，不仅改善了算法，还极大减少了运算量。仿真实验结果说明，算法是可行的，确实抑制了噪声的干扰，提高了图像变化检测的精度。

仍然利用了参数模型，当图像本身数据利用参数模型不能进行检测时，本文算法也是无效的。实验证明，利用本文算法对可以进行参数模型估计的图像进行检测，检测结果是平稳而有效的。运用了免疫克隆优化，提高了算法性能，但是免疫克隆算法离不开训练数据的选取，受到一定的限制，所以本文算法要有先验知识作为基础，这也是模式分类中经常遇到的问题。笔者会在后续工作中积极地改进算法。

参考文献：

[1]Singh A. Digtial Change Detection Techniques Using Remotely-sensed Data [J]. Int. J. Remote Sens., 1989, 10 (6): 989—1003.

[2]辛芳芳，焦李成，王桂婷，万红林.利用小波域HMC模型进行遥感图像变化检测.西安电子科技大学学报（自然科学版），2012，39(3):43-49.

[3]Celik T, Ma K K. Unsupervised Change Detection for Satellite Images using Dual-Tree Complex W avelet Transform[J].IEEE Trans on Geosci Remote Sens,2010,48(3):1199-2010.

[4]W ANG Gui-ting, W ANG Y ou-liang, JIAO Li-cheng，Adaptive Spatial Neighborhood Analysis and Rayleigh-Gaussian Distribution Fitting for Change Detection in Multi-temporal Remote Sensing Images. Journal of Remote Sensing.

[5]Bruzzone L. Automatic Analysis of the Difference Image for Unsupervised Change Detection [J]. IEEE Trans. Image proc., 2000, 38 (3): 1171—1182.

[6]Bazi Y, Bruzzone L, Farid M. An Unsupervised Approach Based on the Generalized Gaussian Model to Automatic Change Detection in Multi-temporal SAR Images [J]. IEEE Trans. Geosci. Remote Sens., 2005, 43 (4): 874—886.

[7]Kasetkasem K,V arshney P. An Image Change Detection Algorithm Based on Markov Random Field Models[J]. IEEE Trans on Geosci Remote Sens, 2002,40(8):1815-1823.

[8]李伟，杨晓慧，石光明，焦李成.基于几何多尺度方向窗的小波图像去噪.西安电子科技大学学报（自然科学版），2006,33(5):682-686.

[9]Bovolo F, Bruzzone L. A Detail-Preserving Scale-Driven Approach to Change Detection in Multitemporal SAR Images[J].IEEE Trans on Geosci Remote Sens,2005,43(12):2963-2972.

https://www.360docs.net/doc/d514114135.html,

[10]杨建国.小波分解与重建中产生频率混淆的原因与消除算法.哈尔滨工业大学学报1999,31(2):61-64.

[11]SHANG Rong-Hua,JIAO Li-Cheng.An Immune Clonal Algorithm for Dynamic Multi-Objective Optimization.Journal of Software.2007,18(11):2700-2711.

[12]马文萍，尚荣华，焦李成.免疫克隆优化聚类技术.西安电子科技大学学报(自然科学版)2007,34(6):911-915.

[13]Jordi I, Grégoire M.A New Statistical Similarity Measure for Change Detection in Multi-temporal SAR Images and Its Extension to Multiscale Change Analysis [J]. IEEE Trans. Geosci. Remote Sens., 2007, 45 (5): 1432—1445.

https://www.360docs.net/doc/d514114135.html,