遙感影像基于像素變化檢測方法計(jì)劃簡介

優(yōu)選文檔優(yōu)選文檔PAGE8優(yōu)選文檔優(yōu)選文檔

表2鑒于像素的變化檢測方法簡介方法

圖像差值

圖像比值

回歸分析

植被指數(shù)差值

變化向量分析（CVA）

主成分分析（PCA）

簡介

使用兩個精準(zhǔn)配準(zhǔn)的圖像來產(chǎn)生表示變化的差值圖像。能夠直接從像素的輻射值或許在

提取的/導(dǎo)出的/變換的圖像（如紋理或植被指數(shù)）上測量差別。在數(shù)學(xué)上，差別圖像的

表示是：Id(x,y)I1(x,y)I2(x,y)，其中I1和I2是時間t1和t2的圖像,（x,y）是坐標(biāo)，Id是差分圖像。沒有輻射變化的像素散布在均值周圍（Lu等，2005），而變化的像素散布在散布曲線的尾部（Singh，1989）。由于變化可能出現(xiàn)在兩個方向上，因此決定由那個圖像減去那個圖像（Gao，2009）。計(jì)算兩個共同配準(zhǔn)的圖像之間的比率。數(shù)學(xué)上：I1(x,y)，與圖像差值不同樣樣，圖IrI2(x,y)像的次序其實(shí)不重要，由于變化結(jié)果以比率表示，未變化的地域在理論上應(yīng)當(dāng)為1。

假定從時間（t2）開始的圖像I2是從時間（t1）開始的圖像I1的線性函數(shù)。圖像I2被視為“參照”圖像。此后調(diào)整I1圖像以般配參照圖像的輻射測量條件?；貧w分析（如最小

二乘回歸）能夠經(jīng)過對I1圖像進(jìn)行輻射胸襟歸一化以般配參照圖像來幫助鑒識增益和偏移量（Lunetta，1999）。變化（Id）圖像由檢測到從第一第二天期圖像中減去回歸圖像。數(shù)學(xué)上:I?d(x,y)aId(x,y)b;Id(x,y)Id(x,y)I?d(x,y)

植被在紅光與近紅外波段光譜反射率間的明顯差別，經(jīng)過波段組合，形成植被指數(shù)。通

常，對于變化檢測，兩個圖像分別產(chǎn)生植被指數(shù)，此后應(yīng)用鑒于標(biāo)準(zhǔn)像素的變化檢測（比方差值或比值）。

現(xiàn)有的植被指數(shù)有：鑒于比值的植被指數(shù)(RVI)，歸一化植被指數(shù)（NDVI）和土壤調(diào)整植被指數(shù)（SAVI）等。

能夠同時分析變化檢測的多個圖像波段。CVA背后的想法是，隨著時間的推移，擁有不同樣樣值的特定像素位于特點(diǎn)空間中基本不同樣樣的地址（Jensen，2005）。像素值被視為光譜波段的矢量，經(jīng)過減去不同樣樣日期所有像素的矢量（Malila，1980）計(jì)算變化矢量（CV）。CV的方向描述了變化的種類，而變化的大小對應(yīng)于CV的長度。也能夠?qū)ψ儞Q后的數(shù)據(jù)履行CVA（比方，Kauth-ThomasTransformation，KTT）。

PCA，數(shù)學(xué)上是鑒于“主軸變換”，是將多元數(shù)據(jù)變換為一組新的成分，進(jìn)而減少了數(shù)據(jù)

冗余（Lillesandetal.,2008）。PCA使用協(xié)方差矩陣或有關(guān)矩陣將數(shù)據(jù)變換為獨(dú)立不相

關(guān)的數(shù)據(jù)。結(jié)果矩陣的特點(diǎn)向量按降序排序，其中第一主成分（PC）表示大部分?jǐn)?shù)據(jù)變化。隨后的重量定義下一個最大的變化量，并且與前面的主重量是獨(dú)立的（正交的）。

在PCA中，假定沒有變化的地域是高度有關(guān)的，而變化的地域則不是。在多時相圖像

分析中，PC1和PC2傾向于代表未改變的地域，而PC3和此后的PCs包括改變信息（Byrne

等,1980;Ingebritsen和Lyon，1985;Richards,1984）。使用兩種鑒于PCA的變化檢測方法。第一個，獨(dú)自的旋轉(zhuǎn)，是分別從圖像獲取PC，此后使用其他變化檢測技術(shù)（如圖

像差值）。第二種是歸并方法，其中雙時間圖像被歸并為一個會集并且PC被應(yīng)用。與

雙時間數(shù)據(jù)擁有負(fù)有關(guān)性的PCs對應(yīng)于變化。Coppin和Bauer（1996）主張檢查數(shù)據(jù)

.優(yōu)選文檔

的特點(diǎn)構(gòu)造和對組合圖像的視覺檢查來分析變化種類。有時，為了確定變化種類，在

PCA排序圖中達(dá)成一組值;但是，Zuur等（2007）認(rèn)為，在不知道已經(jīng)發(fā)生的實(shí)質(zhì)變化

的情況下，它可能是不正確或誤導(dǎo)的。

穗帽變換（KT）KT是多波段和多天期數(shù)據(jù)集的正交化（線性變換），與PCA不同樣樣，它是固定的。這些輸出功能代表綠色指標(biāo)的亮度和濕度。由Kauth和Thomas（1976）提出，它分析了光譜數(shù)據(jù)的構(gòu)造，這是場景種類特定特點(diǎn)的一個函數(shù)。與PCA不同樣樣，MKT不依靠于場景，并使用牢固和校準(zhǔn)的變換系數(shù)，以保證其適用于不同樣樣地域和不同樣樣時間（Crist，1985）。該變化是鑒于亮度，綠度和濕度值來測量的（Lu等，2004）。Gram-Schmidt（GS）是經(jīng)過改正KT來辦理多時相數(shù)據(jù)產(chǎn)生的，該數(shù)據(jù)產(chǎn)生對應(yīng)于KT亮度，綠度和濕度的多時相相像物以及變化成分（Collins和Woodcock，1994）的牢固成分。分類后比較是最明顯的定量變化檢測方法，由于它供應(yīng)了“from-to”改變信息（Bouziani等，2010;Im和Jensen，2005;Jensen，2005）。最初用于70年代后期，它比較兩個分類圖像以生成變化矩陣，它經(jīng)常用作新興變化檢測技術(shù)定性評估的基準(zhǔn)（Lunetta，1999）。在這種方法中，雙時間圖像第一被整理和分類，此后比較分類后的圖像以測量變化。兩個圖像的類必定同樣才能一對一比較。來自單個圖像分類的誤差在最后變化圖中流傳，降低了最終變化檢測的正確性（Chan等，2001;Dai和Khorram，1999;Lillesand等，2008）。為了改良變化檢測結(jié)果，單個圖像的分類必定盡可能正確。復(fù)合或直接多時相分類復(fù)合或直接多時相分類技術(shù)屬于最早的半自動化方法之一，用于生成土地利用和土地覆蓋變化地圖（Lunetta，1999）。多時相圖像第一堆疊在一同。PCA技術(shù)平時用于將頻譜成分的數(shù)量減少到較少的主成分（Mas，1999;Singh，1989）。PCA中的次要成分傾向于增強(qiáng)光譜比較度并代表變化信息（Collins和Woodcock，1996）。時間和光譜特點(diǎn)在整合數(shù)據(jù)會集擁有同樣的地位，使得其很難將一幅多光譜圖像內(nèi)的光譜變化與分類中圖像之間的時間變化分開（Schowengerdt，1983）。機(jī)器學(xué)習(xí)支持向量機(jī)（SVM）是一種監(jiān)察非參數(shù)統(tǒng)計(jì)學(xué)習(xí)技術(shù)，不假定數(shù)據(jù)散布。支持向量機(jī)是鑒于統(tǒng)計(jì)學(xué)習(xí)理論，實(shí)現(xiàn)分類的構(gòu)造風(fēng)險(xiǎn)最小化（Vapnik，2000）。當(dāng)應(yīng)用于疊加多時相圖像時，變化和不變被視為二元分類問題（Huang等，2008）。該算法從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)，并自動從頻譜特點(diǎn)中找出閾值（Bovolo等，2008），用于對變化/未變化進(jìn)行分類。決議樹（DT）分類算法也是非參數(shù)的，沒相對于數(shù)據(jù)散布和獨(dú)立性的假定。這些DT算法建立了一個近似流程圖的樹（分層）構(gòu)造，其中每個節(jié)點(diǎn)表示對多個屬性值的測試，每個分支表示測試的結(jié)果，樹葉表示類或類散布（Han等，2011;Larose，2005）。DT節(jié)點(diǎn)處的分類規(guī)則鑒于對屬性值的分析。一旦建立了DT，它能夠用于對未知情況進(jìn)行分類。變和不變能夠視為二元分類問題，也能夠履行后分類比較以測量變化。其他一些用于分類和變化檢測的機(jī)器學(xué)習(xí)算法包括：遺傳算法（Makkeasorn等，2009），隨機(jī)森林（Pal，2005;Sesnie等，2008;Smith，2010）和細(xì)胞自動機(jī)（Yang等，2008）。

.

鑒于GIS

鑒于紋理分析的變化檢測

多時相光譜混淆分析

模糊變化檢測

優(yōu)選文檔

當(dāng)前大部分圖像辦理系統(tǒng)都是集成的或兼容地理信息系統(tǒng)（GIS）。GIS為數(shù)據(jù)整合，

可視化，分析和制圖生成供應(yīng)了基礎(chǔ)。數(shù)據(jù)流能夠是雙向的，由于GIS數(shù)據(jù)能夠用于

疊加到圖像上;或許，能夠使用圖像分析的結(jié)果來更新GIS數(shù)據(jù)。比方，積蓄在GIS數(shù)

據(jù)庫中的宗地圖層用于幫助圖像中的分類和變化檢測（拜會比方Smith，2008）。同樣，

圖像數(shù)據(jù)用于更新GIS數(shù)據(jù)庫。GIS還同意整合過去和現(xiàn)在的地圖進(jìn)行比較和變化檢

測。在這種情況下，圖像重疊和二值掩膜能夠幫助定量揭露每個種類中的變化動向。Li

2010）傾向于使用變化檢測的空間關(guān)系，空間聚類，空間關(guān)系，空間散布，空間演化和空間特點(diǎn)等GIS數(shù)據(jù)和方法。Petit等（2001）提出了一種土地覆蓋變化檢測方法，將來自圖像數(shù)據(jù)的土地覆蓋圖進(jìn)行整合。經(jīng)過更頻頻地使用鑒于對象的圖像分析技術(shù)，

GIS與RS集成的適用性獲取增強(qiáng)。積蓄在GIS數(shù)據(jù)庫中的對象的空間信息能夠在與

RS圖像提取的變化檢測結(jié)果（Bouziani等，2010）有關(guān)系時發(fā)揮重要作用。比方，Walter

（2004）提出了一種鑒于對象的變化檢測技術(shù)，其中從GIS數(shù)據(jù)庫中提取訓(xùn)練數(shù)據(jù)以

對圖像進(jìn)行分類，此后將圖像中的分類對象與積蓄在GIS中的對象進(jìn)行比較以測量變

化。

測量圖像的紋理特點(diǎn)并進(jìn)行變化檢測比較。紋理供應(yīng)了對于對象的構(gòu)造布局以及鄰域關(guān)

系的信息（Caridade等，2008）。經(jīng)過比較圖像的紋理值來測量變化。在幾種紋理測量

算法中，常有的是灰度共生矩陣（GLCM），它是二階統(tǒng)計(jì)量（Haralick等，1973;Sali

和Wolfson，1992）。GLCM檢查光譜以及灰度值的空間散布。平時將圖像分紅更小的

窗口，而不是按像素比較。紋理被計(jì)算并且在窗口級達(dá)成比較。He和Wang（1991）

重申只有結(jié)合光譜數(shù)據(jù)才能使用紋理信息。

光譜混淆分析（SMA）已被用于解決增加的維度（一個像素中高出一個目標(biāo)種類），由于其擁有高光譜分辨率。SMA中的假定是多光譜圖像像素能夠依照它們的純光譜分

量的子像素比率來定義，此后能夠?qū)⑵渑c場景中的表面成分有關(guān)系。在一個簡單的例子中，線性混淆模型，經(jīng)過每個端元的地面覆蓋百分比加權(quán)的端元（擁有指示純覆蓋種類的光譜響應(yīng)的場景元）線性組合（Versluis和Rogan，2009）。線性光譜混淆模型以下：

nrij1aijfjei

ri是光譜波段i中給定像素的反射率；n是混淆成分的數(shù)量；fj是ri中端元j的面積比率

或分?jǐn)?shù)；aij是端元j在光譜波段i上的反射率；ei是殘差，即察看到的（ri）和建模像素

值之間的差別(Versluis和Rogan,2009)。

SolansVila和Barbosa（2010）認(rèn)為，選擇端元的數(shù)量和頻譜以正確應(yīng)用SMA技術(shù)特別

重要，這些SMA技術(shù)能夠鑒于圖像自己，也能夠在現(xiàn)場或?qū)嶒?yàn)室中使用途光譜測量。

模糊性辦理類標(biāo)簽的模糊性，意味著不同樣樣種類和現(xiàn)象之間的界線是模糊的，并且種類內(nèi)

部可能是由于物理差別存在異質(zhì)性（LizarazoandJoana，2010）。當(dāng)難以選擇閾值以區(qū)

分變化和不變時，這變得很重要。模糊推理的結(jié)果不是失散和清楚的，而是用'概率'來

表示的（Metternicht，1999）。它能夠包括僅擁有部分隸屬度的元素。模糊隸屬度與

.鑒于多傳感器數(shù)據(jù)交融

的變化檢測

優(yōu)選文檔

概率講解不同樣樣，由于模糊集由隸屬函數(shù)（隸屬度）定義，而擁有最高概率的類被講解為

實(shí)質(zhì)類。此后能夠應(yīng)用分類后比較來測量變化（Eklund等，2000;Fisher等，2006;Fisher

和Pathirana，1993;Foody和Boyd，1999）。

以不同樣樣的空間、光譜和時間分辨率采集RS數(shù)據(jù)能夠形成一個圖像金字塔，進(jìn)而以不同樣樣的分辨率獲取數(shù)據(jù)。來自不同樣樣傳感器的數(shù)據(jù)反應(yīng)地形的特定方面，并且使用來自不同樣樣傳感器的數(shù)據(jù)可能有助于鑒識某些屬性。只管使用不同樣樣的傳感器其實(shí)不理想，但有時這種方法很適用，特別是在進(jìn)行時間序列分析時，其中一個傳感器可能無法使用（Serra等，2003）。多光譜RS數(shù)據(jù)在辦理異質(zhì)土地利用和三維構(gòu)造（特別是城市地域）時也很有

用（Griffiths等，2010;Richards，2005）。Pohl和VanGenderen（1998）認(rèn)為交融圖像數(shù)據(jù)的特點(diǎn)取決于應(yīng)用的預(yù)辦理和交融技術(shù)。低分辨率圖像和高分辨率圖像之間的光

譜含量差奇異使攪亂。當(dāng)交融變化檢測的多傳感器數(shù)據(jù)時，需要理解輸入數(shù)據(jù)的物理特

性，以便選擇適合的辦理方法并判斷所獲取的數(shù)據(jù)。不同樣樣的像素大小會影響