2009-《Unsupervised Change Detection in Satellite Images Using Principal Component Analysis and k-Means Clustering》阅读笔记
文章目录
前言
2009-《Unsupervised Change Detection in Satellite Images Using Principal Component Analysis and k-Means Clustering》阅读笔记
一、摘要
使用主成分分析 (PCA) 和 k-means 聚类在多时相卫星图像中进行无监督变化检测。差异图像被划分为 h × h h\times h h×h个非重叠块。 S,S≤ h 2 h^2 h2,是通过 h × h h\times h h×h非重叠块集的PCA提取的正交特征向量,创建特征向量空间。差分图像中的每个像素都用一个S维特征向量表示,它是 h × h h\times h h×h差分图像数据在生成的特征向量空间上的投影。变化检测是通过使用 k = 2 的 k-means 聚类将特征向量空间划分为两个簇,然后使用像素的特征向量和平均特征向量之间的最小欧几里德距离将每个像素分配到两个簇之一来实现的。
二、方法亮点
- 差分图像的非重叠块通过应用PCA来提取特征向量[8]。然后,通过将差分图像的 h × h h\times h h×h邻域数据投影到特征向量空间,提取出差分图像每个像素的特征向量。
- 使用k-均值算法将特征向量空间聚类为两个簇[8]。每个聚类用平均特征向量表示。
- 最后,通过将差分图像的每个像素根据其特征向量和簇的平均特征向量之间的最小欧氏距离分配给其中一个簇来实现变化检测。
三、方法
1.overview
该方法由以下六个主要步骤组成:
1) 差分图像的生成;
2) 从差分图像生成
h
×
h
h\times h
h×h非重叠图像块;
3) 在
h
×
h
h\times h
h×h非重叠图像块上用PCA生成特征向量空间;
4) 通过将每个像素周围的重叠
h
×
h
h\times h
h×h数据块投影到特征向量空间,在整个差分图像上创建特征向量空间;
5) 使用k=2的k-均值算法将特征向量空间分为对应
w
u
w_u
wu(未变化)和
w
c
w_c
wc(变化)的两个聚类;
6) 通过根据其特征向量和簇的平均特征向量之间的最小欧氏距离将差分图像的每个像素分配给其中一个簇来生成变化图。
2.具体方法
考虑两幅大小为 H × W H\times W H×W的卫星强度图 X 1 = { x 1 ( i , j ) ∣ 1 ≤ i ≤ H , 1 ≤ i ≤ W } X_1=\{x_1(i,j)|1\leq i\leq H,1\leq i\leq W\} X1={x1(i,j)∣1≤i≤H,1≤i≤W}和 X 2 = { x 2 ( i , j ) ∣ 1 ≤ i ≤ H , 1 ≤ i ≤ W } X_2=\{x_2(i,j)|1\leq i\leq H,1\leq i\leq W\} X2={x2(i,j)∣1≤i≤H,1≤i≤W},每个都是在同一地理区域获得的,但分别是在两个不同的时间点 t 1 t_1 t1和 t 2 t_2 t2。目标是生成一个变化检测图,即所谓的变化图,它表示在两幅图像 X 1 X_1 X1和 X 2 X_2 X2的采集日期之间发生的地面变化。变化检测问题可以建模为一个二元分类问题。类集 ω = { w u , w c } \omega = \{w_u,w_c\} ω={wu,wc}。
2.1生成差分图像
设 X d X_d Xd为差分图像,可以根据输入图像的类型对其进行不同的定义。对于光学图像, X d X_d Xd可以定义为两幅图像强度值的绝对值差 X d = ∣ X 1 − X 2 ∣ X_d=|X_1-X_2| Xd=∣X1−X2∣。
2.2差分图像划分为 h × h h\times h h×h不重叠块
h
⩾
2
h\geqslant 2
h⩾2。由(h为奇数时居中)坐标
(
y
,
x
)
(y,x)
(y,x)引用的差分图像块为
X
d
(
y
,
x
)
=
{
x
d
(
m
,
n
)
∣
y
−
⌈
h
/
2
⌉
+
1
⩽
m
⩽
y
+
⌈
h
/
2
⌉
+
1
,
x
−
⌈
h
/
2
⌉
+
1
⩽
n
⩽
x
+
⌈
h
/
2
⌉
+
1
}
X_d(y,x)=\{x_d(m,n) |y-\lceil h/2 \rceil+1 \leqslant m \leqslant y+\lceil h/2 \rceil+1,x-\lceil h/2 \rceil+1 \leqslant n \leqslant x+\lceil h/2 \rceil+1 \}
Xd(y,x)={xd(m,n)∣y−⌈h/2⌉+1⩽m⩽y+⌈h/2⌉+1,x−⌈h/2⌉+1⩽n⩽x+⌈h/2⌉+1},
⌈
⌉
\lceil\rceil
⌈⌉表示向上取顶。
x
d
(
y
,
x
)
x_d(y,x)
xd(y,x)使用字典顺序的向量顺序表示为:
2.3非重叠图像块上用PCA生成特征向量空间
向量集
x
d
(
y
,
x
)
x_d(y,x)
xd(y,x)用于使用PCA创建特征向量空间,用
x
d
p
x_d^p
xdp表示,p为index,;
集合的平均向量:
每个向量与平均向量的差为向量
Δ
p
=
x
d
p
−
Ψ
\Delta _p=x_d^p-\Psi
Δp=xdp−Ψ。
2.4差分图像上创建特征向量空间
在差分向量集
Δ
p
\Delta _p
Δp上应用PCA,PCA寻求一组N个正交向量
e
s
e_s
es及其最能描述数据分布的相关标量
λ
s
λ_s
λs。向量
e
s
e_s
es和相应的标量
λ
s
λ_s
λs分别是协方差矩阵C的特征向量和特征值。C决定了
h
2
h^2
h2个特征向量和特征值。
假设生成的C的特征向量相对于其特征值按降序排序。对于每个空间位置为
(
i
,
j
)
(i,j)
(i,j)的像素,通过将
x
d
(
i
,
j
)
x_d(i,j)
xd(i,j)投影到特征向量空间,获得特征向量空间,即
v
(
i
,
j
)
=
[
v
1
v
2
.
.
.
v
S
]
v_(i,j)=[v_1\,v_2\, ...\,v_S]
v(i,j)=[v1v2...vS],其中
1
≤
S
≤
h
2
1\leq S \leq h^2
1≤S≤h2,
v
s
=
e
s
T
(
x
d
(
i
,
j
)
−
Ψ
)
,
1
≤
s
≤
S
v_s=e_s^T(x_d(i,j)-\Psi),1\leq s\leq S
vs=esT(xd(i,j)−Ψ),1≤s≤S。参数S确定了空间位置
(
i
,
j
)
(i,j)
(i,j)处特征向量
v
(
i
,
j
)
v_(i,j)
v(i,j)的维数,并且只是将
x
d
(
i
,
j
)
x_d(i,j)
xd(i,j)投影到特征向量空间中所使用的特征向量的数量。
2.5对特征向量空间进行聚类
通过使用k-means聚类算法对特征向量空间进行聚类来生成两个聚类,其中k=2。 v w u v_{w_u} vwu和 v w c v_{w_c} vwc分别是 w u w_u wu类和 w c w_c wc类的聚类平均特征向量。为了将k-means聚类算法生成的聚类标记为 w u w_u wu和 w c w_c wc,使用k-means聚类算法标记的像素在差分图像上找到两个平均值。当特定区域中的两个图像之间存在变化时,则期望差分图像中该区域的像素的值高于没有变化的区域中的像素的值。使用该假设,将差分图像中像素平均值较低的簇指定为 w u w_u wu类,将另一簇指定为 w c w_c wc类。
2.6生成变化图
利用
v
w
u
v_{w_u}
vwu和
v
w
c
v_{w_c}
vwc,可以生成变化图KaTeX parse error: Undefined control sequence: \led at position 15: CM=\{cm(i,j)|1\̲l̲e̲d̲ ̲i \leq H,1\leq …,其中1表示变化区域,0表示未变化区域。这个过程可以被视为无监督阈值化。
总结
利用局部数据投影到特征向量空间,对特征向量进行k均值聚类,提出了一种无监督的变化检测技术。在非重叠差分图像块上使用PCA生成特征向量空间。该方法利用邻域提取每个像素的特征向量,从而自动考虑上下文信息。该算法计算简单,但能有效识别有意义的变化,适合实时应用。对零均值高斯噪声和散斑噪声都有很好的抑制效果。