原名：Joint exploitation of spaceborne SAR images and GIS techniques for urban coherent change detection
译名：一种联合星载SAR图像和GIS技术用于城市相干变化检测的方法
期刊：Remote Sensing of Environment
发表时间：2020-11-02
单位：Dipartimento di Elettronica, Informazione e Bioingegneria, Politecnico di Milano, Via Giuseppe Ponzio 34, Milan, Italy
DOI：https://doi.org/10.1016/j.rse.2020.112152
导言：本文提出了一种利用合成孔径雷达（SAR）图像和地理空间信息系统（GIS）处理相结合的方法，该方法能够简单快速的识别影响城市环境中建筑物的结构变化。在基于SAR进行变化检测时，目标常被数千个不相关的检测所掩盖，这都可能导致不必要的检测。因此，本文结合改进的高分辨率相干变化检测技术M-CCD和GIS后处理技术来解决这个问题。相关成果与具体内容已经发表在Remote Sensing of Environment。
1. 研究背景：
确定城市住区的变化对于自然灾害后的损害评估、地籍测绘和监测城市发展或非法活动（如建造未经批准的建筑物）非常重要。遥感技术是进行变化检测的有力手段，其中SAR数据具有广泛而普遍的覆盖范围、昼夜全天候的可用性、采集几何结构的精确重复性、重复照明以及对场景中目标几何结构轻微变化的敏感性。
相干变化检测方法的挑战涉及空间域与时间域。空间域问题是指，在城市这样的多波多雾、不断变化的环境中存在众多“假变化”，从停车场到绿地和街道，都存在大量的不相关因素。时间域问题是指，在整个观测周期内可能会发生多次变化，此时假设在整个时间序列中只发生一个变化的模型是不适用的。综上，必须实现一个更稳健的估计器，以及一种抑制所有不感兴趣的变化的方法。
2. 研究方法
本文提出的变化检测方法——多相干变化检测（M-CCD）利用了相干方法的灵敏度，同时基于变化可能性的最大化，最大限度地减少了误报的数量。该功能通过以下方式实现：1）结合精细相位校准来补偿仰角的影响；2）对于同一目标上发生的多个变化进行分级标识；3.一种用于在同一建筑物上生成变化集群的后验处理。图1描述了整个流程。
图1.总体框架
2.1 数据预处理
对于非相干变化检测方法，SAR图像需要的预处理包括振幅校准、精细配准以及适当的去毛刺。而对于相干处理，则需要适当校准图像的相位。重返信号相位误差主要受以下因素影响：1）重访轨道不同（见图2）。2）大气条件不同。3）目标变化。第一个误差项通过使用场景的数字高程模型来移除，而第二个可以通过大气校正来移除。
图2.多次重访SAR的采集几何结构。
2.2 残余地形分量估计
残余地形分量会产生两种不利影响：1.目标距离补偿不完善而导致的误警；2.将目标定位错误，妨碍了GIS后处理的正常运行。估计剩余高度最简单的解决方案是通过将像素的复杂时间序列与地形阶段的模型相互关联来探索一组可能的高度。该操作的目标函数是数据和模型之间的差异的L2范数：
其中g是场景中单个像素的复数时间序列，q是要估计的剩余高度，M(q)是包含由于残余地形导致的所有相位项的矢量。高度估计中的平均精度可以通过使用展开相位的简单线性模型导出。模型如下：
因此，估计值的方差可表示为：
基于上述数学模型即可完成残余高度估计，实现场景的DEM更新。
2.3 M-CCD
双次优检测器（M-CCD）可以用显著较低的计算负载来表示：1.局部最小值M-CCD。2.基于分割的M-CCD。在图3中，显示了一个人工示例，其中数据集由20幅图像生成，分别在图像10和17处具有2个变化点，并且具有非常高的一致性水平。在这种特定情况下，局部最小值和分割方法都可以正确检测两个变化点。相反，单个变化检测器只能识别堆栈中最大的变化（GLRT函数的绝对最小值）。
图3. （a） 具有20个图像和两个变化的相干矩阵。（b） 似然函数：由于两个局部最小值都低于阈值，因此通过局部最小值方法触发两个检测。（c） 绝对最小值低于阈值，因此分段方法触发检测。（d） 对图像1至10的第一子集进行测试，未发现任何变化。（e） 在从图像11到20的第二子集中，发现了变化。
为了比较两种方案的性能，本文进行了蒙特卡洛模拟。从图4b中可以看出，两个探测器的误报概率完全相同。结果的不同之处在于正确检测的概率（图4a）：基于分割的方法更可靠，即使在相关性较低时也能达到良好的正确检测概率，而局部最小值的结果不够准确。原因可由如图3推出：时间序列中间的变化会在似然函数中产生一个突出的缺口，在数据集的末尾（或开始）隐藏了几乎无法检测到的可能变化。另一方面，基于分割的方法相当于通过仅取相干矩阵的一部分来消除最大变化，这种方式具有更小的计算负载。因此本文最终选择基于分割的M-CCD。
图4.（a）两种次优算法的正确检测概率。M-CCD分割方法显示出明显优于局部最小方法的性能。（b） 两种技术的误报率。这两种方法的误报概率相同，因为绝对最小值总是局部最小值。
2.4 GIS后处理
CCD处理的最终输出是一组地理定位点，每个点代表特定位置和特定时刻的触发检测。为了进一步减少错误警报的数量，并识别受变化影响的建筑物，必须对这些点进行后处理。后处理是一个基于GIS的两步程序。由于变化检测数据集涉及任何一般变化，第一步是按位置选择，这允许提取特定位于建筑物多边形内部的点的子集，从而识别建筑物变化点的子集。第二步重点是识别受变化影响的建筑物，并通过将位于其内部的总点数与每个建筑物多边形相关联来执行。最终通过表征建筑物的点的数量确定发生变化的显著性。
3.研究结果
3.1 M-CCD结果
本文测试了不同的参数组合：每个组合在下文中称为RUN。具有相应参数集的每个RUN如表1所示。前三次运行具有非常小的空间窗口，从而获得更高的空间分辨率。三者之间的差异是所使用的极化、阈值或残余高度的估计。最后一次运行具有更大的空间窗口（和非常严格的阈值），损失了分辨率，但提高了相干矩阵的估计精度。
表1 曼彻斯特案例研究中测试的每个RUN的配置。
GIS后处理是通过利用曼彻斯特相关建筑的矢量数据集进行的。表2报告了每个RUN产生的检测信息。表2显示，RUN02获得的总变化量最大（超过240000），而RUN03获得的总改变量最小（约14000）。除此之外表2还显示，RUN02确定了至少有一个变化的最大数量的建筑物（11313）。尽管RUN03的特征是变化总数低于RUN04，但它识别出SAR检测到的建筑物数量增加了一倍（1675），这意味着有许多建筑物的变化数量非常低。在RUN01和RUN03中，为了评估残余高度估计对检测次数的影响，阈值特意保持相同。另一方面，在RUN02中，使用了一个攻击性小得多的阈值，检测次数也相应增加。通过考虑与每个建筑相关的变化数量，可以对结果进行更详细的分析，结果如图5所示。
表2 通过扩展CCD方法检测到的总变化数量，仅与建筑物相关的变化数量，以及至少“一次变化”的建筑物数量。
图5. 不同阈值下检测到的改变的建筑数量
图5显示，对于每个RUN，SAR检测到的建筑物数量如何根据不同的阈值χ变化，χ表示将建筑物分类为“已更改”所需的每个建筑物的最小更改数量。图表显示阈值χ增加得越多，改变的建筑数量减少得越多。这种行为指出了阈值参数χ的重要性，需要对其进行精确校准。阈值化操作将丢弃一些“真变化”的建筑，但它也将突出那些受同质和空间扩展去相关影响更大的建筑。当阈值χ增加时，每个RUN的SAR检测建筑物的数量收敛，这意味着估计器配置的选择越来越不重要。
为了比较具有不同阈值的不同RUN之间的重叠程度，本文使用马修斯相关系数（MCC） ，结果分别如表3a-d所示。
表3 不同变化数量阈值下各RUN的MCC
很容易看出，当阈值增加时，所有系数都会增加。这意味着具有高阈值的不同RUN的检测是重叠的。当χ增加时，结果丢弃了许多改变的建筑。相反，当χ较低时，RUN04检测不到许多变化的建筑物，使得MCC显著降低。
3.4.与高分辨率光学图像的比较
值得注意的是，本实验没有施加阈值χ，因此考虑了至少有一处变化的所有建筑。图6中提出的比较结果表明，对于所有考虑的RUNS，约60%的SAR检测到的变化在光学图像中也可见（蓝色条）。除了识别新的建筑物或毁坏的建筑物外，SAR方法还能够检测微小的变化，如屋顶更换（图7a）或光伏板的安装（图7b）。
图6. 通过光学图像的照片解释验证SAR检测到的每栋建筑物的变化。所有RUNS的一致性百分比，即SAR检测到的光学变化，约为60%（蓝色）。分歧是由于SAR检测到的建筑物附近存在停车场（22%-26%（红色）、树木（3.5%-8%（绿色））和建筑工地（3%-4.5%（黄色））。灰色建筑的百分比（4.5%-7%）代表SAR在光学方面提供的附加值。
图7.SAR光学比较：屋顶更换（a）和光伏安装（b）导致的SAR确认检测示例；未确认检测的示例可能是由于在感兴趣的建筑物附近存在停车区（c）、树木（d）和建筑工地（e）。
SAR检测到未经光学确认的建筑物变化，可以举出几个不同的原因作为解释。从光学方面来看，由于图像之间的照明条件不同，可能会错过一些变化。从SAR方面来看，有许多条件可以导致未确认的变化检测。在比较活动中，考虑了三种不同的条件：1.建筑物顶部或附近存在停车场（图7c）；2.覆盖部分建筑物的树木（图7d）；3.建筑附近存在建筑工地，因此存在材料和车辆储存区（图7e）。
根据图6中提出的比较分析，停车区（红色条）可能是大多数未确认检测的原因（22%–26%）。树（绿色条）通常会影响低百分比的未确认检测（3.5%–5%）。在3%–4.5%的SAR检测建筑附近发现了建筑工地（黄色条）。与前两个案例不同，尽管它们没有直接提到被评估的建筑，但它们仍然证实了城市变化的情况。最后，剩余的百分比值，范围在4.5%-7%之间（灰色条），指的是未经光学确认的SAR检测，没有找到具体解释；因此，它们可以被认为是SAR在光学方面提供的附加值。
3.5与其他变化检测技术的比较
本文希望将所提出的技术与其他光学和SAR变化检测方法进行比较。
在图8a中，曼彻斯特市的一小部分被表示为Omnibus（图8a）和REACTIV（图8b）检测到的变化以红色突出显示。
图8. Omnibus（a）和REACTIV（b）在曼彻斯特市的一小部分地区检测到变化。
在表4中，我们可以注意到，当阈值增加时，一致性程度也增加。当阈值很小时，高分辨率和高灵敏度M-CCD检测到大量变化的建筑物，而其他方法由于灵敏度差（辐射SAR分析）或分辨率差（光学）而无法检测到这些建筑物：因此MCC非常低。
表4. 不同阈值下M-CCD检测结果与对比算法的MCC
MCC随阈值增加而增加，原因如下：1）当提高阈值时，结果将丢弃所有受少量变化影响的建筑。剩下的是那些严重受去相关影响的建筑物，这些去相关通常在光学图像中也可见。2）涉及广泛区域的变化通常具有强烈的辐射特征（即破坏、翻新等），使得非相干方法的检测更容易。
4.结论
本文提出了一种旨在以快速、稳健和可靠的方式估计城市场景中的变化的技术。在城市场景中，相干变化检测器的主要挑战是在空间和时间上丢弃大量不需要的检测。前者是由于目标几何结构的细微变化，而后者是由于使用长时间序列时城市环境所表现出的时间不稳定性。为了克服这个缺点，本文建立了一个简单的工作流程，由一个预处理例程、一个扩展的CCD和一个基于GIS的后处理组成。M-CCD是一种高分辨率和高灵敏度的方法，能够检测每一个细微的几何变化。
所提出的处理链能够自适应地满足用户需求：如果需要高分辨率，则不应用阈值，并且可以评估建筑物的全套变化。如果需要突出显示具有广泛变化的区域，则简单的阈值处理足以丢弃大量不需要的检测。
转自：“科研圈内人”微信公众号
如有侵权，请联系本站删除！
