1 引言

大范围的自然灾害，例如地震、海啸等，严重威胁着人类的生命和财产安全。受灾区域的变化检测分析对灾后救援和重建有着重要意义。从遥感数据中获取灾害信息是一种十分重要的灾害研究手段。高分辨率星载合成孔径雷达(Synthetic Aperture Radar, SAR)由于其不受天气、昼夜变化的影响^[1]，是监测受灾区域变化情况的有力工具。随着人们对灾害救援速度的要求越来越高，快速有效的变化检测方法对于掌握灾害情况显得尤为重要。2011年3月11日，日本东北海域发生了里氏9.0级地震并引发海啸，造成重大人员伤亡及财产损失^[2]。本文基于SAR图像对遭受地震损害的日本仙台地区进行了地震前后的变化检测。

一般来说，SAR变化检测方法可以被分成两类：图像代数方法和分类比较法^[3]。图像代数方法是基于像素级别的变化检测方法^[4–7]。然而，图像代数方法只能得到区域的变化情况，不能区分变化区域的类别。另外，噪声可以导致高误警率^[8]。分类比较法是基于目标级别的变化检测方法。利用分类比较法不仅可以获得区域的变化情况，还能同时获得变化区域的类别。另外，基于目标级别的变化检测方法对噪声不敏感^[9]。基于目标的方法已经在遥感图像分类和变化检测中展现了很大的潜力^[10–12]。研究人员证明基于目标的方法不仅在降低噪声干扰上具有优势，而且能够将空间，纹理，及邻近关系结合起来，进行有效的变化检测^[8]。一般而言，基于目标的变化检测方法都是先对图像进行分类，然后再对分类后的图像进行变化检测。许多传统的分类方法都是通过提取目标特征的方式对图像中的目标进行分类，例如最小距离法、最大似然方法、灰度共生矩阵、小波变换等。传统的特征提取工作是复杂并且耗时的。然而，灾害检测需要效率更高的特征提取方法。随着人工智能的发展，深度学习被引入了SAR图像处理领域，常用的深度学习算法包括深度信念网络(Deep Belief Network, DBN)，循环神经网络(Recurrent Neural Network, RNN)，卷积神经网络(Convolutional Neural Network, CNN)，等等。其中，CNN是在计算机视觉领域中最常采用的算法。卷积神经网络可以实现高精度的分类，在处理2维图像数据方面具有明显的优势^[13–15]。CNN采用原始图像作为输入，避免了复杂的特征提取过程，并且在特征学习过程中不需要过多的人工参与。本文提出了基于卷积神经网络(CNN)的SAR图像变化检测方法，将卷积神经网络应用于地震灾害检测是较新的研究领域。

本文提出了一种基于CNN的SAR图像变化检测方法，利用这一方法对地震前后同一受灾地区的变化情况进行了检测和评估。利用训练好的CNN模型对目标特征进行自动提取并且对图像进行分类。分类之后，利用图像差值方法对受灾区域建筑和农田的损毁情况进行了检测。最后与传统变化检测方法的结果进行了对比，定量分析结果表明基于CNN的变化检测方法具有更高的检测精度以及较低的检测误差。

2 基于CNN的SAR图像变化检测方法

本文提出的基于CNN的变化检测方法主要分为4个步骤。(1)预处理：对山体和水体进行提取和去除；获取训练数据集。(2)训练CNN模型。(3)图像分类。(4)对分类后的图像进行变化检测。处理流程如图1所示。

2.1 预处理

在预处理中，首先对图像进行了几何校正、图像配准、地理编码、直方图均衡等操作。研究中将SAR图像中的目标分为4类：山体、水体、建筑和农田。文中主要研究地震对人类生存区域的影响，所以主要关注的类别是建筑和农田，然而在所研究的图像中，山体和水体占据了大部分，这会导致模型训练的复杂性增加。另外，山体和建筑在SAR图像中特征的相似性会导致分类精度下降。为了降低计算复杂度，并且提高分类精度，在预处理过程中对山体和水体进行了提取与去除以降低干扰及提高计算效率。

对山体的提取利用了数字高程模型(Digital Elevation Model, DEM)信息。在DEM中，山体的坡度要高于其他的地物目标。将区分山体和其他地物目标的坡度阈值设定为20°。坡度高于20°的目标被标记为山体，从而可以提取出山体^[16]。对水体的提取利用Otsu阈值方法^[17]。一般而言，水体在SAR图像中较暗，可以认为是SAR图像的背景。Otsu阈值方法是利用最大类间方差来衡量SAR图像前景与其背景水体的差别，使得最大类间方差最大，即可以得到区分前景和背景水体的最佳阈值。

2.2 获取训练数据集

研究中采用粗略的手动标记方法生成样本。在图像中，将一部分总体类别相同且分布集中的区域手动标记为建筑区域和农田区域。由于仅对图像进行粗略标记且精度要求不高，所以仅需要少量的人工操作。利用样本标记获得的标签，采用滑窗的方法从图像中生成大量带有标签的样本。首先利用这些初始样本训练CNN，利用训练得到的模型对图像进行预测，从预测结果与手动标记一致的样本中选出等量的建筑、农田样本作为新的标签样本集。重复上述过程，就可以得到最终的训练样本集。这种获得训练数据集的方式可以去除由粗略标记引入的错误标记的样本，既提高了样本的质量，也放宽了对手动标记样本的精度要求。

样本的大小需要根据实际情况来确定。如果样本过小，样本中包含的目标特征信息将会不足，从而会影响分类精度；反之，如果样本过大，样本中会包含冗余的信息，也会对分类结果产生影响。经过训练验证，本文选取训练样本的尺寸为24×24。为了得到足够数量的样本集，利用旋转样本法对样本集进行了扩充。对每一个样本都进行了旋转操作，每一个样本分别被旋转了$\pi /4,2\pi /4, \cdots ,6\pi /4,7\pi /4$，从而样本数目扩充为原来的7倍。最终得到的训练样本数目为200万，交叉验证样本数为50万，测试样本数为50万，这些样本中包含等量的建筑及农田样本。

2.3 CNN结构

研究中所用CNN模型的结构如图2所示。CNN的结构包含卷积层、池化层、展开层、全连接层以及输出层等。下面将详细介绍模型结构及参数设置：

(1) 卷积层：卷积层的作用是实现输入图像数据与滤波器的卷积，从而实现目标特征的提取。在一个卷积层中，每一个节点都只与前一层中邻近的几个节点互相连接，并且每个节点的权重系数是相同的。第1个卷积层包含4个随机初始化的卷积核函数，第2个卷积层包含16个随机初始化的卷积核函数。卷积核的尺寸需要合理选取。如果卷积核的尺寸过小，则不能提取到有效的信息；反之，卷积核的尺寸过大，会导致过拟合现象发生。根据训练验证，选取卷积核的尺寸为5×5。由于线性整流函数(Rectified Linear Unit, ReLU)具有分段线性和稀疏性等有利于训练的属性^[18]，因而使用ReLU作为卷积层的激活函数。

(2) 批量归一化层：可以把批量归一化看作一种有效的正则化方法。批量归一化层通过将该层每一个批量的均值和方差分别调整到0和1来加快模型的训练速度^[19]。

(3) 最大值池化层：最大值池化是一个降采样的过程，将一个小窗口的最大值作为该层的输出，从而可以降低计算复杂度以及避免过拟合。这里将窗口大小设置为3×3。

(4) 展开层：展开层的作用是将2维的图像数据转化为1维的矢量数据，从而可以作为卷积层和全连接层的连接器，将卷积层的输出调整成下一个全连接层的输入。

(5) 全连接层：全连接层可以增加模型的容量，使用ReLU作为全连接层的激活函数。

(6) 输出层：由于是二分类问题，使用Sigmoid函数作为输出层的激活函数。

2.4 CNN模型训练

以下是本文所使用的批量随机下降算法(Stochastic Gradient Descent, SGD)训练模型的内容：

(1) 初始化：通常建议使用较小的非全零随机变量作为模型参数的初始值。因为参数的数值小，所以初始状态时模型复杂度较低；因为非全零，神经元处于激活状态，所以模型能够被训练。本文使用标准正态分布作为卷积层的初始参数。

(2) 参数更新：将训练集的所有样本随机化，每个批量选择32个样本作为输入以更新模型参数，并进行多次迭代。

(3) 优化方法：本文使用Adam^[20]算法作为SGD优化算法，并且参数与文献[21]一致。

(4) 训练结束条件：使用Early Stopping算法监测训练过程，并设定训练终止条件。每个训练周期结束，都会记录交叉验证集的损失。当交叉验证集的损失停止下降时，对模型参数的更新停止，这就是Early Stopping方法的原理。

为了避免过拟合，这里采用了两种正则化方法：Dropout方法以及上面介绍的Early Stopping。Dropout^[14]方法是通过在训练阶段随机将部分节点的输出置零，本文将Dropout设置在每个隐藏层后，约有30%的节点被随机输出置零。

2.5 分类及变化检测

CNN模型训练完成后，建筑和农田的特征被提取出来并反映在CNN的模型参数中。为了对图像进行分类，需要通过滑窗法将图像划分为许多与训练样本同样大小的矩形区域。滑窗的策略是以整个小矩形区域所对应的窗口来滑动，滑动步长为4个像素。将矩形区域输入到训练好的CNN模型，可以得到预测类别。将矩形区域以4个像素点为步长滑动，可以得到整个图像的分类。用这种滑窗策略，可能会导致目标的边缘分类不够精细。由于本文主要研究的是地震前后两幅图像的变化情况，同一目标在两幅图像中的分割方式是相同的，从而在分类过程中不会对检测结果的统计特性造成较大影响。将通过滑窗方法获得的图像样本输入到训练好的CNN模型中，可以得到各个样本的类别，从而得到SAR图像的分类结果。地震前后的SAR图像分别利用训练好的CNN模型进行分类。为了研究地震对研究区域造成的损害，对分类后的SAR图像进行变化检测，采用图像差值法进行对比检测。通过选取一定的阈值，可以检测出震后发生变化的区域，结合图像的分类结果，可以得到不同类别区域的变化情况。这里对地震前后建筑和农田的变化分别进行了检测，得到了震后建筑和农田的受灾情况分析结果。

3 实验结果与分析 3.1 实验数据集

2011年3月11日，日本东北部海域发生了9.0级地震，随后发生了海啸。其巨大的破坏力造成了严重的人员伤亡和财产损失，受到了全世界的广泛关注。本文基于SAR图像研究地震对日本仙台地区造成的影响。图3(a)是TerraSAR-X在2010年10月20日获取的震前该地区的SAR图像，图3(b)是TerraSAR-X在2011年3月12日获取的震后该地区的SAR图像。两幅SAR图像均为HH极化的条带模式，入射角为37.31°，分辨率为3.3 m。

3.2 分类结果

分类方法的核心是CNN模型，利用训练样本集对CNN模型进行训练，从而对CNN模型的参数进行更新，训练后的CNN模型可以作为分类器来对SAR图像进行分类。采用滑窗方法对SAR图像进行分类，窗口的大小与训练样本大小相同，滑窗步长为4个像素。在SAR图像上用滑窗法进行划分，可以得到许多个小矩形区域。将各矩形区域的图像数据输入到已经训练好的CNN模型，输出的是该样本属于建筑或农田的概率值。为了得到该矩形区域的类别，可以确定一个阈值，当样本属于农田的概率值大于该阈值，将区域的类别确定为农田；当样本属于建筑的概率值大于该阈值，将样本的类别确定为建筑。给定这一阈值，就可以得到输入样本的类别，进而得到SAR图像的分类结果。阈值的选取会影响分类结果，然而实验结果表明当阈值概率取在一定的范围之内时，对分类结果的影响较小，实验中将阈值取为70%。在实验中会出现样本输出分类概率均小于70%的情况。在这种情况下，对这些样本的处理方式是不对其进行标记，从而表明该样本既不属于建筑也不属于农田。在分类实验中，建筑样本被标记为红色，农田样本被标记为绿色，而这类样本则不进行标记。地震前后的SAR图像分别利用训练好的CNN模型进行了分类。由于预处理中已经去除了山体和水体，该区域可以分为两类：建筑和农田。分类结果如图3(c)，图3(d)所示，不同的类别标记为不同的颜色，红色表示建筑，绿色表示农田，黑色区域表示已经去除的山体和水体。从图中可以看出，地震后的SAR图像分类结果中红色区域和绿色区域都有所减小，这表明地震后建筑区域和农田区域都有损毁。得到分类模型后，可以用测试集来验证分类精度。测试集与训练集类似，也是具有标签的样本集，将CNN模型的输出结果与样本相比较，可以得到测试集的分类精度。实验结果表明，训练集的分类精度为98.25%，测试集的分类精度为97.86%。由于文中提出的变化检测方法是以CNN分类为基础的，因此精确的分类是进行差异检测的前提。分类精度越高，检测结果也就越精确。在CNN模型训练中，应尽可能提高分类精度，从而实现较好的变化检测性能。4种类别在该区域所占的比例如图4所示，研究中所关注的区域为建筑和农田，这部分区域约占据整个研究区域的32.8%，而山体和水体占据研究区域的67.2%。山体和水体占据了图像的大部分区域，这表明对山体和水体的提取对去除冗余信息及简化计算是十分有必要的。在所关注的区域中，农田区域占据整个研究区域的20.3%，建筑区域占据整个研究区域的12.5%。

3.3 变化检测结果

研究中利用图像差值法来生成差异图像。分类后的图像包括3个通道：R通道、G通道和B通道，分别对应于红色、绿色和蓝色通道。对于单个像素点，分别有3个灰度值来表示这3个通道。R通道表示该像素点属于建筑类别的概率，G通道表示该像素点属于农田类别的概率。对地震前后SAR图像各像素点的各通道灰度值作差，可以得到受损区域的情况。如果某像素点满足下面的两个条件，则该像素点表示损毁的建筑区域。(1)该像素点在震前SAR图像中属于建筑类别，这表明在震前SAR图像中，R通道灰度值与G通道灰度值之差大于某一阈值。(2)震前图像R通道灰度值与震后图像R通道灰度值之差大于某一阈值。可以用同样的方法得到损毁的农田区域。上述过程中，需要选取两个阈值，实验结果表明，在一定的范围内，阈值的选取对变化检测结果影响较小。建筑损毁情况和农田损毁情况如图5(a)所示，其中损毁的建筑区域为红色区域，损毁的农田区域为绿色区域。该结果与参考文献[22–24]的研究结果基本一致。图5(b)给出了德国卫星灾害信息中心(the Center for Satellite Based Crisis Information, ZKI)^[22]的变化检测结果。图5(c)给出了图5(a)和图5(b)中黄色矩形框区域内的细节对比。从图中可以看出，文中得到的变化检测结果与ZKI的变化检测结果在细节和轮廓上都较为一致。

为了验证所提出的变化检测方法的有效性，将基于CNN变化检测方法的检测结果与其他方法的检测结果进行了对比。图6(d)，图6(e)，图6(f)中分别给出了基于Log-ratio^[5]方法、主成分分析(Principle Component Analysis, PCA)^[6]方法以及马尔科夫随机场(Markov Random Field, MRF)方法^[25]的变化检测结果。图6(c)给出了基于文中所提方法得到的变化检测结果。从上述结果中可以看出，各种变化检测方法都可以检测出被淹没的农田区域；然而只有基于CNN的变化检测方法可以清晰地检测到损毁的建筑区域。从图6(a)，图6(b)中可以看出，建筑区域的损毁是很明显的，这表明文中所提出的变化检测方法在检测精确度方面比其他变化检测方法更有优势。另外，相对于其他变化检测方法，基于CNN的变化检测方法可以在进行变化检测的同时获知变化区域的类型。

文中采用手动提取的方式获得真实的变化分布情况，以定量分析各检测结果的统计特性。选取检测率、虚警率、总误差率及Kappa系数4个参数进行性能评估，其中检测率为正确检测出的变化像素(True Positive, TP)占总变化像素(Nc)的百分比；虚警率为误检像素(False Positive, FP)占像素总数(N)的百分比；总误差率为误检像素(FP)与漏检像素(False Negative, FN)之和占像素总数的百分比。Kappa系数的计算如式(1)所示，Nu表示未变化像素，TN(True Negative)表示正确检测出的未变化像素。

${\rm{KC}} = \frac{{{\rm{PCC}} - {\rm{PRE}}}}{{1 - {\rm{PRE}}}}$

(1)

其中，

${\rm{PCC}} = \frac{{{\rm{TP}} + {\rm{TN}}}}{{\rm{N}}}$

(2)

${\rm{PRE}} = \frac{{\left( {{\rm{TP}} + {\rm{FP}}} \right){\rm{Nc}} + \left( {{\rm{FN}} + {\rm{TN}}} \right){\rm{Nu}}}}{{{N^2}}}$

(3)

表1给出了各种变化检测方法的精度对比。从表中可以看出，基于CNN的变化检测方法检测率及Kappa系数较高，虚警率及总误差率较低。结果表明基于CNN的变化检测方法各项指标都优于其他方法。

基于变化检测结果，对建筑和农田的损毁情况进行了分析，分析结果如图7所示。变化检测结果表明4.6%的建筑在地震中损毁，剩余95.4%的建筑得到保存；另外，15.1%的农田在地震后被洪水淹没，剩余84.9%的农田得到保存。农田的损毁情况比建筑更严重，这是由于农田区域的地势较低，更容易被海啸所带来的洪水所淹没。在特定的研究区域，基于文中变化检测结果计算得到的损毁农田所占比例约为4.46%，而在相同的区域Dumitru等人得出的结果为4.15%^[24]，两者之间较为一致，验证了文中变化检测结果的准确性。

4 结论

本文提出了一种基于CNN的SAR图像变化检测方法。在这一方法中，利用CNN模型对SAR图像进行分类。文中将提出的变化检测方法应用于地震前后日本仙台地区的SAR图像，以分析地震对该地区的影响。地震前后的SAR图像被分为建筑、农田、水体和山体4类，分类结果体现了CNN在SAR图像分类应用中的高精度特性。文中给出了研究区域SAR图像的变化检测结果，与传统变化检测方法相比，基于CNN的变化检测方法不需要人工提取目标特征；在检测精度方面更具有优势；并能在得到变化区域的同时获知变化区域的类别。结果表明基于CNN的SAR图像变化检测方法是利用SAR图像进行灾害检测的有力工具。另外，基于CNN的变化检测方法还可以应用于其他遥感图像。