变化检测：异源遥感影像非变化区域样本选择问题

1.选择非变化区域原因

        做变化检测实验时，深度学习需要非变化或变化区域样本作为训练数据，所以准确度非变化区域对于样本训练极为重要

2.选择样本的方法

1. 随机采样：从图像中随机选择非变化区域作为样本。这种方法简单快捷，但可能会引入一些噪声或不均衡的样本分布。

2. 基于像素相似度：通过计算像素之间的相似度来选择非变化区域样本。可以使用像素差异度量，如像素差异、颜色直方图、梯度等，选取与变化区域相似度较低的样本。

3. 基于纹理特征：使用纹理特征来选择非变化区域样本。可以利用纹理描述（如局部二值模式、Gabor滤波器响应等）或纹理统计特征（如纹理能量、对比度等）来选择与变化区域纹理特征差异较大的样本。

4. 基于聚类算法：使用聚类算法（如K-means、Mean-Shift等）对图像进行分割，将非变化区域划分为不同的簇，然后选择每个簇的中心点作为样本。

5. 基于超像素分割：使用超像素分割算法将图像划分为具有相似性质的区域，然后选择非变化的超像素作为样本。

6. 基于先验知识：利用先验知识或领域专家的经验选择非变化区域样本。例如，在某些特定应用中，我们可能知道某些区域是已知非变化区域（如天空、道路等），可以根据这些知识进行样本选择。

 3.如何增加样本选取的准确性

        需要根据具体问题和数据集的特点选择适合的样本选取方法。有时也可以结合多个方法，以获得更好的样本选择效果。样本选择的目标是使训练样本能够充分代表非变化区域，从而提高异源变化检测模型的性能。

注解：后续可能会实现上述部分方法，敬请期待