遥感影像基于像素的变化检测方法简介

表2 基于像素得变化检测方法简介
方法
简介 图像差值 使用两个精确配准得图像来产生表示变化得差值图像。

可以直接从像素得辐射值或
者在提取得/导出得/变换得图像(如纹理或植被指数)上测量差异。

在数学上,差异图像
得表示就是:12(,)(,)(,)d I x y I x y I x y =-,其中I 1与I 2就是时间t 1与t 2得图
像,(x,y )就是坐标,I d 就是差分图像。

没有辐射变化得像素分布在均值周围(Lu 等,2005),
而变化得像素分布在分布曲线得尾部(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 计算两个共同配准得图像之间得比率。

数学上:12(,)(,)
r I x y I I x y =,与图像差值不同,图像得顺序并不重要,因为变化结果以比率表示,未变化得区域在理论上应该为1。

回归分析 假定从时间(t 2)开始得图像I 2就是从时间(t 1)开始得图像I 1得线性函数。

图像I 2被视
为“参考”图像。

然后调整I 1图像以匹配参考图像得辐射测量条件。

回归分析(如最小
二乘回归)可以通过对I 1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与
偏移量(Lunetta,1999)。

变化(I d )图像由检测到从第一次日期图像中减去回归图像。

数学上:ˆ(,)(,)d d I x y aI x y b =+; ˆ(,)(,)(,)d d d
I x y I x y I x y =- 植被指数差值 植被在红光与近红外波段光谱反射率间得显著差异,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,然后应用基于标准像素得变化检测(例
如差值或比值)。

现有得植被指数有:基于比值得植被指数(RVI ),归一化植被指数(NDVI )与土壤调整植
被指数(SAVI )等。

变化向量分析(CVA ) 可以同时分析变化检测得多个图像波段。

CVA 背后得想法就是,随着时间得推移,具
有不同值得特定像素位于特征空间中基本不同得位置(Jensen,2005)。

像素值被视为光
谱波段得矢量,通过减去不同日期所有像素得矢量(Malila,1980)计算变化矢量(CV )。

CV 得方向描绘了变化得类型,而变化得大小对应于CV 得长度。

也可以对转换后得
数据执行CVA (例如,Kauth-ThomasTransformation,KTT )。

主成分分析(PCA ) PCA ,数学上就是基于“主轴转换”,就是将多元数据转换为一组新得成分,从而减少了数
据冗余(Lillesand et al 、,2008)。

PCA 使用协方差矩阵或相关矩阵将数据转换为独立
不相关得数据。

结果矩阵得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。

随后得分量定义下一个最大得变化量,并且与前面得主分量就是独立得(正交
得)。

在PCA 中,假定没有变化得区域就是高度相关得,而变化得区域则不就是。

在多
时相图像分析中,PC1与PC2倾向于代表未改变得区域,而PC3与后来得PCs 包含改
变信息(Byrne 等,1980; Ingebritsen 与Lyon,1985; Richards,1984)。

使用两种基于PCA
得变化检测方法。

第一个,单独得旋转,就是分别从图像获取PC ,然后使用其她变化检
测技术(如图像差值)。

第二种就是合并方法,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得PCs 对应于变化。

Coppin 与Bauer(1996)
主张检查数据得特征结构与对组合图像得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,在不知道已经发生得
实际变化得情况下,它可能就是不准确或误导得。

穗帽变换(KT) KT就是多波段与多日期数据集得正交化(线性变换),与PCA不同,它就是固定得。

这
些输出功能代表绿色指标得亮度与湿度。

由Kauth与Thomas(1976)提出,它分析了光
谱数据得结构,这就是场景类别特定特征得一个函数。

与PCA不同,MKT不依赖于场
景,并使用稳定与校准得变换系数,以确保其适用于不同区域与不同时间(Crist,1985)。

该变化就是基于亮度,绿度与湿度值来测量得(Lu等,2004)。

Gram-Schmidt(GS)就是
通过修改KT来处理多时相数据产生得,该数据产生对应于KT亮度,绿度与湿度得多
时相相似物以及变化成分(Collins与Woodcock,1994)得稳定成分。

分类后比较就是最明显得定量变化检测方法,因为它提供了“from-to”改变信息(Bouziani等,2010;
Im与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得基准(Lunetta,1999)。

在这种方法
中,双时间图像首先被整理与分类,然后比较分类后得图像以测量变化。

两个图像得类
必须相同才能一对一比较。

来自单个图像分类得误差在最终变化图中传播,降低了最
终变化检测得准确性(Chan等,2001; Dai与Khorram,1999; Lillesand等,2008)。

为了
改善变化检测结果,单个图像得分类必须尽可能准确。

复合或直接多时相分类复合或直接多时相分类技术属于最早得半自动化方法之一,用于生成土地利用与土地
覆盖变化地图(Lunetta,1999)。

多时相图像首先堆叠在一起。

PCA技术通常用于将频
谱成分得数量减少到较少得主成分(Mas,1999; Singh,1989)。

PCA中得次要成分倾向
于增强光谱对比度并代表变化信息(Collins与Woodcock,1996)。

时间与光谱特征在整
合数据集中具有相同得地位,使得其很难将一幅多光谱图像内得光谱变化与分类中图
像之间得时间变化分开(Schowengerdt,1983)。

机器学习支持向量机(SVM)就是一种监督非参数统计学习技术,不假设数据分布。

支持向量机
就是基于统计学习理论,实现分类得结构风险最小化(Vapnik,2000)。

当应用于叠加多
时相图像时,变化与不变被视为二元分类问题(Huang 等,2008)。

该算法从训练数据中
学习,并自动从频谱特征中找出阈值(Bovolo等,2008),用于对变化/未变化进行分类。

决策树(DT)分类算法也就是非参数得,没有关于数据分布与独立性得假设。

这些DT
算法构建了一个类似流程图得树(分层)结构,其中每个节点表示对多个属性值得测试,
每个分支表示测试得结果,树叶表示类或类分布(Han 等,2011; Larose,2005)。

DT节点
处得分类规则基于对属性值得分析。

一旦建立了DT,它可以用于对未知情况进行分
类。

变与不变可以视为二元分类问题,也可以执行后分类比较以测量变化。

其她一
些用于分类与变化检测得机器学习算法包括: 遗传算法(Makkeasorn等,2009),随机森
林(Pal,2005; Sesnie等,2008; Smith,2010)与细胞自动机(Yang等,2008)。

基于GIS 目前大多数图像处理系统都就是集成得或兼容地理信息系统(GIS )。

GIS 为数据整合,
可视化,分析与制图生成提供了基础。

数据流可以就是双向得,因为GIS 数据可以用于叠加到图像上;或者,可以使用图像分析得结果来更新GIS 数据。

例如,存储在GIS 数据库中得宗地图层用于帮助图像中得分类与变化检测(参见例如Smith,2008)。

同样,图像数据用于更新GIS 数据库。

GIS 还允许整合过去与现在得地图进行比较与变化检测。

在这种情况下,图像重叠与二值掩膜可以帮助定量揭示每个类别中得变化动态。

Li(2010)倾向于使用变化检测得空间关联,空间聚类,空间关系,空间分布,空间演化与空间特征等GIS 数据与方法。

Petit 等(2001)提出了一种土地覆盖变化检测方法,将来自图像数据得土地覆盖图进行整合。

通过更频繁地使用基于对象得图像分析技术,GIS 与RS 集成得适用性得到增强。

存储在GIS 数据库中得对象得空间信息可以在与RS 图像提取得变化检测结果(Bouziani 等,2010)相关联时发挥重要作用。

例如,Walter(2004)提出了一种基于对象得变化检测技术,其中从GIS 数据库中提取训练数据以对图像进行分类,然后将图像中得分类对象与存储在GIS 中得对象进行比较以测量变化。

基于纹理分析得变化检测 测量图像得纹理特征并进行变化检测比较。

纹理提供了关于对象得结构布局以及邻
域关系得信息(Caridade 等,2008)。

通过比较图像得纹理值来测量变化。

在几种纹理测量算法中,常见得就是灰度共生矩阵(GLCM ),它就是二阶统计量(Haralick 等,1973; Sali 与Wolfson,1992)。

GLCM 检查光谱以及灰度值得空间分布。

通常将图像分成更小得窗口,而不就是按像素比较。

纹理被计算并且在窗口级完成比较。

He 与Wang(1991)强调只有结合光谱数据才能使用纹理信息。

多时相光谱混合分析 光谱混合分析(SMA )已被用于解决增加得维度(一个像素中超过一个目标类别),因为其
具有高光谱分辨率。

SMA 中得假设就是多光谱图像像素可以根据它们得纯光谱分量得子像素比例来定义,然后可以将其与场景中得表面成分相关联。

在一个简单得例子中,线性混合模型,通过每个端元得地面覆盖百分比加权得端元(具有指示纯覆盖类型得光谱响应得场景元)线性组合(Versluis 与Rogan,2009)。

线性光谱混合模型如下: 1n i ij j i j r a f e ==+∑
r i 就是光谱波段i 中给定像素得反射率;n 就是混合成分得数量;f j 就是r i 中端元j 得面积比例或分数;a ij 就是端元j 在光谱波段i 上得反射率;e i 就是残差,即观察到得(r i )与建模像素值之间得差异(Versluis 与 Rogan, 2009)。

Solans Vila 与Barbosa(2010)认为,选择端元得数量与频谱以准确应用SMA 技术非常重要,这些SMA 技术可以基于图像本身,也可以在现场或实验室中使用场光谱测量。

模糊变化检测 模糊性处理类标签得模糊性,意味着不同类别与现象之间得界限就是模糊得,并且类别
内部可能就是由于物理差异存在异质性(Lizarazo and Joana,2010)。

当难以选择阈值以区分变化与不变时,这变得很重要。

模糊推理得结果不就是离散与清晰得,而就是用'概率'来表示得(Metternicht,1999)。

它可以包含仅具有部分隶属度得元素。

模糊隶属度与概率解释不同,因为模糊集由隶属函数(隶属度)定义,而具有最高概率得类被解释
为实际类。

然后可以应用分类后比较来测量变化(Eklund 等,2000; Fisher 等,2006; Fisher 与Pathirana,1993; Foody 与Boyd,1999)。

基于多传感器数据融合得变化检测以不同得空间、光谱与时间分辨率采集RS数据可以形成一个图像金字塔,从而以不同得分辨率获取数据。

来自不同传感器得数据反映地形得特定方面,并且使用来自不同传感器得数据可能有助于识别某些属性。

尽管使用不同得传感器并不理想,但有时候这种方法很有用,特别就是在进行时间序列分析时,其中一个传感器可能无法使用(Serra 等,2003)。

多光谱RS数据在处理异质土地利用与三维结构(特别就是城市地区)时也很有用(Griffiths等,2010; Richards,2005)。

Pohl与Van Genderen(1998)认为融合图像数据得特征取决于应用得预处理与融合技术。

低分辨率图像与高分辨率图像之间得光谱含量差异导致干扰。

当融合变化检测得多传感器数据时,需要理解输入数据得物理特性,以便选择适当得处理方法并判断所得到得数据。

不同得像素大小会影响分类结果。

较低分辨率图像得分类将会遗漏VHR图像中出现得一些元素。

当图像重叠时,像素大小与/或网格原点也会导致几何误差。

Petit与Lambin(2001)使用GIS解决了当使用SPOT XS与航空照片进行土地覆盖变化分析时,不同来源得不一致性。

她们认为,由于不同得来源,变化检测中得残差约3-5％,主要就是由于位置与制图错误。

Deng等(2008)使用了SPOT-5(XS)与Landsat-7(ETM +)数据并用了PCA。

她们报告了总体精度为89、54％、kappa系数为0、88。