遥感影像基于像素的变化检测方法简介

《遥感影像基于像素的变化检测方法简介》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、表2基于像素的变化检测方法简介方法简介图像差值使用两个精确配准的图像来产生表示变化的差值图像。可以直接从像素的辐射值或者在提取的/导出的/变换的图像（如纹理或植被指数）上测量差异。在数学上，差异图像的表示是：，其中I1和I2是时间t1和t2的图像,（x,y）是坐标，Id是差分图像。没有辐射变化的像素分布在均值周围（Lu等，2005），而变化的像素分布在分布曲线的尾部（Singh，1989）。由于变化可能出现在两个方向上，因此决定由那个图像减去那个图像（Gao，2009）。图像比值计算两个共同配准的图像之间的比率。数学上：，与图像差值不同，图像的顺序并

2、不重要，因为变化结果以比率表示，未变化的区域在理论上应该为1。回归分析假定从时间（t2）开始的图像I2是从时间（t1）开始的图像I1的线性函数。图像I2被视为“参考”图像。然后调整I1图像以匹配参考图像的辐射测量条件。回归分析（如最小二乘回归）可以通过对I1图像进行辐射度量归一化以匹配参考图像来帮助识别增益和偏移量（Lunetta，1999）。变化（Id）图像由检测到从第一次日期图像中减去回归图像。数学上:;植被指数差值植被在红光与近红外波段光谱反射率间的显著差异，通过波段组合，形成植被指数。通常，对于变化检测，两个图像分别产生植被指数，然后应用基于

3、标准像素的变化检测（例如差值或比值）。现有的植被指数有：基于比值的植被指数(RVI)，归一化植被指数（NDVI）和土壤调整植被指数（SAVI）等。变化向量分析（CVA）可以同时分析变化检测的多个图像波段。CVA背后的想法是，随着时间的推移，具有不同值的特定像素位于特征空间中基本不同的位置（Jensen，2005）。像素值被视为光谱波段的矢量，通过减去不同日期所有像素的矢量（Malila，1980）计算变化矢量（CV）。CV的方向描绘了变化的类型，而变化的大小对应于CV的长度。也可以对转换后的数据执行CVA（例如，Kauth-ThomasTransfo

4、rmation，KTT）。主成分分析（PCA）PCA，数学上是基于“主轴转换”，是将多元数据转换为一组新的成分，从而减少了数据冗余（Lillesandetal.,2008）。PCA使用协方差矩阵或相关矩阵将数据转换为独立不相关的数据。结果矩阵的特征向量按降序排序，其中第一主成分（PC）表示大部分数据变化。随后的分量定义下一个最大的变化量，并且与前面的主分量是独立的（正交的）。在PCA中，假定没有变化的区域是高度相关的，而变化的区域则不是。在多时相图像分析中，PC1和PC2倾向于代表未改变的区域，而PC3和后来的PCs包含改变信息（Byrne等,198

5、0;Ingebritsen和Lyon，1985;Richards,1984）。使用两种基于PCA的变化检测方法。第一个，单独的旋转，是分别从图像获取PC，然后使用其他变化检测技术（如图像差值）。第二种是合并方法，其中双时间图像被合并为一个集合并且PC被应用。与双时间数据具有负相关性的PCs对应于变化。Coppin和Bauer（1996）主张检查数据的特征结构和对组合图像的视觉检查来分析变化类型。有时，为了确定变化类型，在PCA排序图中完成一组值;然而，Zuur等（2007）认为，在不知道已经发生的实际变化的情况下，它可能是不准确或误导的。穗帽变换（K

6、T）KT是多波段和多日期数据集的正交化（线性变换），与PCA不同，它是固定的。这些输出功能代表绿色指标的亮度和湿度。由Kauth和Thomas（1976）提出，它分析了光谱数据的结构，这是场景类别特定特征的一个函数。与PCA不同，MKT不依赖于场景，并使用稳定和校准的变换系数，以确保其适用于不同区域和不同时间（Crist，1985）。该变化是基于亮度，绿度和湿度值来测量的（Lu等，2004）。Gram-Schmidt（GS）是通过修改KT来处理多时相数据产生的，该数据产生对应于KT亮度，绿度和湿度的多时相相似物以及变化成分（Collins和Woodc

7、ock，1994）的稳定成分。分类后比较是最明显的定量变化检测方法，因为它提供了“from-to”改变信息（Bouziani等，2010;Im和Jensen，2005;Jensen，2005）。最初用于70年代后期，它比较两个分类图像以生成变化矩阵，它经常用作新兴变化检测技术定性评估的基准（Lunetta，1999）。在这种方法中，双时间图像首先被整理和分类，然后比较分类后的图像以测量变化。两个图像的类必须相同才能一对一比较。来自单个图像分类的误差在最终变化图中传播，降低了最终变化检测的准确性（Chan等，2001;Dai和Khorram，1999;

8、Lillesand等，2008）。为了改善变化检测结果，单个图像的分类必须尽可能准确。复合或直接多时相分类复