变化检测方法——要点在于对多时相影像数据时间相关性建模
递归神经网络RNN:可用于处理时间连续的数据,解决多光谱/高光谱图像变化检测问题
方法 | 主要内容 |
---|---|
直接比较法 | 图像差值 D=I1-I2+c(阈值原理:百分位阈值法、otsu阈值法、kapur阈值) 图像比值 D=I1/I2——正则化:D=arctan(I1/I2)-Π/4 图像回归 I2=ω0*I1+ω1 |
基于图像分割 | 图像建模法通常需要考虑遥感图像本身的概率分布,并且当概率变化类和非变化类的概率分布重叠严重时,利用后验最大化也很难将变化与非变化的类别分开,因此图像建模法常常会受制于具体的应用。基于图像分割的遥感图像变化检测则是将变化检测问题转化为对差异图像的分割,而不去考虑具体遥感图像的概率分布。因此,chan-vese模型作为经典的分割模型,就被引入到变化检测中。 |
Change vector analysis | CVA可结合无监督阈值选择与数据分类,如莱斯-瑞利混合模型合于EM算法相结合 |
Transformation-based | 将多元数据正交投影到主成分子空间—特征抽取、数据降维、数据压缩。PCA可用于不同影像,也可用于堆叠影像,G-S减少冗余数据,MAD将差异放大,SFA将时间不变分量提取到特征空间,并分离变化区域,DBN利用网络学习堆叠数据学习变化信息。 |
Classification-based | 贝叶斯决策理论: C1是变化的类,C2是非变化类;并利用后验最大化计算得到像素点属于C1、C2的概率: |