遥感变化检测方法综述课件.pptVIP

分类后比较法是一种很直观的变化检测方法，要求对每一个图像单独进行分类，然后对多时相图像的分类结果图像进行比较，检测出感兴趣的地物变化信息，而且可以提供变化信息类型。如果对应像素的类别标签相同，则认为该像素没有发生变化，否则认为该像素发生了变化。分类后的图像可以用人工视觉比较或计算机比较。由于不同时相是独自进行分类的，因而可以消除大气、传感器、季节和地面环境等因素对不同时相图像的影响。最小化地减少非地物变化因素的影响，能够提供变化的类别信息。由于这种方法的变化检测结果的精度取决于分类结果精度，从而会导致变化检测误检进行叠加。因此，分类后比较法的检测结果的精度不高。*T1时相影像T2时相影像分类分类T2时相分类结果比较分析检测结果T1时相分类结果分类后比较法流程图*基于图像分类的变化检测（2）多时相图像同时分类法这种方法是将两个或多时相的遥感图像数据放在一个数据库中同时进行分类。出现变化的类别，其数据的统计量如标准偏差等将很大，而未发生变化的类别其数据的标准方差很小，因此通过统计量的比较可以区分出类别变化与否。可以看到，这是一种比较复杂的方法，因为它常常需要很多类和特征。而这其中有一些很可能是冗余信息，可以通过主成分变换等方法去除冗余。另外一个问题是，在合成的数据库中，时间特征和光谱特征具有同等地位，因此，分类中很难将光谱变化和时间变化轻易区分开来。*基于图像分类的变化检测（3）基于人工神经网络的变化检测人工神经网络可以通过训练样本估计数据的属性，是一种非参数的监督方法。首先需要输入不同时相的数据用于训练网络，并且通过后向传播算法训练多层感知神经网络。这种方法需要解决的关键问题是确定神经网络的结构和选择合适的训练样本。不足是隐含层的属性难于获知，需要很长时间用于训练网络，并且人工神经网络的性能对训练样本的选择非常敏感。*基于图像融合的变化检测方法图像融合是近年来的热点研究领域，它主要通过对同一场景的多幅源图像信息进行有机结合，从而得到蕴含更多有价值信息的新图像的过程。基于融合思想的变化检测方法通过将各种基本变化检测方法的优势融合为一体，提高变化检测的精度，如Melgani等于2006年对直接差值图用五种不同的阈值分别分割，然后用模型对五种不同的分割结果进行融合，取得了优于五种阈值法的结果。Bovolo和Bruzzonel提出了一种效果比较理想的变化检测方法“基于多尺度融合的SAR图像变化检测方法”。Moser和Serpic于2009年对多波段SAR图像的各波段的纹理信息分别建模，然后利用Markov模型进行融合，实现了多波段SAR图像的变化检测，取得了较好的结果。该类方法的核心在于融合对象的选取和融合规则的制定。现有的基于融合的变化检测方法主要在于多尺度的融合、多阈值结果的融合和多波段信息的融合。在差异影像图的构建过程中，将不同变化检测方法进行融合的研究较少。*基于结构特征分析的变化检测方法基于结构特征分析的变化检测方法是指运用不同算法从初始图像中提取特征信息（如边缘、形状、轮廓、纹理等），然后对这些特征信息进行综合分析检测，最后得到结果图。特征的提取与分析比较是该类算法的难点。该类方法需要对图像进行基元特征提取，利用所得到的边缘、形状或纹理等基元特征进行检测，所以检测的性能在很大程度上依赖于基元特征提取算法。然而，不论是边缘、形状或纹理特征提取，到目前为止都还处于不断探索和研究之中，基元特征提取并没有得到很好地解决。因此，在实际应用中，基于结构特征的变化检测的方法受到了一定限制。*变化检测的精度评估评价某种变化检测方法性能的客观依据是对变化检测结果进行确切而有效的量化分析。目前，变化检测的性能评估包括地物结构的变化和地物类别的变化，主要集中在地物结构变化的分析上。针对地物结构变化的性能评估中的主要是在像素级的评估上。在像素级的性能评估中，对于具有参考图的实验数据，可以估算一下评价指标进行变化检测结果精度分析：（1）漏检像素数（FN）：统计实验结果图中发生变化区域的像素个数，与参考图中变化区域的像素个数进行对比，把参考图中发生变化但实验结果图中检测为未变化的像素个数，称为漏检像素数FN；*(2)误检像素数(FP)：统计实验结果图中未发生变化区域的像素个数，与参考图中未变化区域的像素个数进行对比，把参考图中未发生变化但实验结果图中检测为变化的像素个数，称为误检像素数FP；(3)总检测错误数(OE)：等于漏检像素数和误检像素数的和；(4)正确检测率(PCC)：正确测得的目标数即