8.2 常用的变化检测方法在线视频

我们来学习常用的变化检测方法

近年来

学者们相继提出许多

遥感图像变化检测方法

按照划分标准的不同

分类如下

（1）按照是否要进行分类

可分为

像元光谱信息比较法

和分类后比较法

（2）按照选取对象的粒度

可分为

像素级

特征级

对象级

变化检测方法

如图

注意矩形框部位的

建设用地开发

针对该部位

我们在选择变化检测方法时候

最好考虑我们的应用目的

比如

如果是监测该部位的

某住宅楼建设工程进度

则可采用

对象级变化检测方法

即以图像对象为单元

对其进行变化检测分析

本小节

以分类后比较法

和像元光谱信息比较法为例

分别介绍

遥感图像变化检测的

基本原理和方法

我们来学习分类后比较法

分类后比较法

是目前遥感变化检测中

应用较广泛的一种方法

其原理是对

两个不同时相的图像

进行单独分类

然后在已经分类的区域中

进行逐像元比较

以确定变化信息。

分类后比较法的步骤一

对研究区的

不同时相的图像进行分类

获得两个或多个分类图像

图像分类的监督或非监督

分类方法都可以使用

如图

这里展示的是

先期和后期

两幅ASTER图像

拍摄的时间分别为

2004年1月27日

2004年7月31日

很显然

冬季获取的图像

和夏季获取的图像

同一种地物类型的

光谱差异是非常大的

这就是经常可能碰到的

变化检测图像的

时相性不一致问题

采用分类后比较法

可回避这个时相不一致问题

它将变化检测

建立在分类结果图像的基础上

分类后比较法的步骤二

比较图像同一位置分类结果

确定变化信息的位置和类型

检测方法

逐像元进行比较

可结合GIS专题数据进行

分类后比较法的优点

是可以回避

系列图像的时相一致条件

以及图像之间

辐射校正

光谱匹配等问题

因此

它受大气辐射

传感器差异

以及影像配准精度的影响较小

另外

它除了确定变化的空间范围外

还可以提供

关于变化性质的信息

如由何种类型

向何种类型变化等。

需要注意的是

分类后比较法

对于分类方法的选择

以及分类器的要求较高

而且

需要进行两次图像分类

变化分析的精度

依赖于图像分类的精度

可能会因为图像分类结果的原因

而夸大变化的程度

我们来学习

像元光谱信息比较法

像元光谱信息比较法

对遥感图像的

对应像元值进行比较

检测两个时相之间的变化

如图

这里展示了

像元光谱信息比较法的工作流程

可以看出

先期遥感图像

和后期遥感图像

在完成图像预处理后

有一个相对辐射校正过程

然后再进行变化检测分析

最后输出变化位置

和变化类型的结果图像

像元光谱信息比较法

常用的算法有

不同时相的波段代数运算

如差值法 比值法等

判别函数法

图像回归法

变化向量分析法

我们一一介绍

我们来介绍一下

代数运算法

主要介绍差值法和比值法

图像差值法

图像差值法是最简单

最为常用的一种变化检测方法

其基本原理

是将不同时间获取的两幅图像

对应像元的灰度值相减

从而获得一幅差异图像

差值的绝对值d

用差值以表示

在所选两个时间当中

目标区所发生的变化

理论上

在得到的差值图像上

差值为0

或接近0的

认为是不变区域

不为0的

认为是变化区域

但实际情况要复杂很多

变与不变阈值的选择

与具体图像特征相关

因而

变化阈值

需要根据实际情况选取

确定阈值大小的过程

颇为困难

在实际处理过程中

可定义适当的阈值

标识重点变化区域

公式形式为

即当差值大于或等于阈值T

则判为变化区域A

差值小于阈值T

则判为未变化区域B

这就是图像差值法

图像比值法

将一个时间图像的像元值

与另一个时间图像的像元值相除

得到比值δ

所得比值可以增强变化信息

抑制背景信息的同时

可以帮助减少大气条件

造成的影响

理论上

像元比值为1

或者近似为1的

认为是未发生变化的区域

像元比值明显

高于或低于1 的

认为是发生变化的区域

实际处理过程中

假设比值图像呈正态分布

通常采用

均值和标准偏差作为标准

划分变化与非变化区域

但是

对于很多实际情况

该假设并不总是成立的

这时变化阈值的选择

就成为比值法变化检测

是否有效的关键。

这里展示了

图像差值法

绿地 人工建筑物检测示例

a图和b图

分别为2001年和2011年

Landsat TM图像

采用标准

假彩色合成方案合成显示

分析他们之间的差别

可以发现

2011年图像上

有团块状红色出现

即地表绿化之类型变化

d图和e图也是

2001年和2011年的

Landsat TM图像

可以发现

2011年图像上

也有团块的白色高亮地物类型出现

即地表转为人工建筑物

选择图像差值法

做出二者的差值图像

然后设定

合适的阈值T

可分离出地表绿化区域

和地表转为人工建筑物区域

变化检测的效果图像

分别如图c和图f所示

结果验证显示

设置合适的阈值T

是可以达到满意的

变化检测效果的

我们来学习图像回归法

图像回归法通过分析

多时相影像之间的统计联系

来建立多时相影像之间的

相关关系的数量表达式

以此来检测

多时相影像的变化信息

该方法是用

线性函数来表示

多时相影像像元值之间的关系

公式形式为

第二个时刻值和第一个时刻值

线性对应关系

通过数学模型

不同的应用目的

其回归模型可以不同

通过数学模型进行回归

然后通过计算回归值

与原像元的差值

来获取多时相影像之间的

残差图像

同样

在残差图像上

最后

也是通过选取适当的阀值来确定

变化区域

图像回归法

认为两个时相的图像间

存在线性关系

线性回归得出关系式后

通过后期时相图像的

预测值来检测变化

经过回归处理后的遥感数据

在一定程度上

类似于进行了相对辐射校正

因而能减弱

多时相数据中

由于大气条件

和太阳高度角的不同

所带来的不利影响

但在大面积变化的图像中

两个时相图像间的

相关性不高

运用该方法时应该注意

我们来学习判别函数法

如图

这里展示了

判别函数法的处理流程

在完成多期变化检测

遥感图像的预处理后

对前期遥感图像

执行非监督分类

然后用该图像分类的判别函数

计算后期遥感图像各像元的分类概率

输出后期图像的

分类概率图像

由于输出的结果是概率值

因而其值域范围在0到1之间

越接近0表示变化概率越小

越接近1表示变化概率越大。

同样

在概率图像上

最后也是通过选取适当的

阀值来确定变化区域和非变化区域

我们来学习变化向量分析法

变化向量分析法是

Malila W. A. 1980年

提出来的一种变化检测方法

光谱向量变化分析

在相对辐射归一化校正的

基础上进行的

它是一种

特征向量空间变化检测方法

它利用光谱变化向量

来描述前后两个时相间目标变化的

方向和大小

如图

在由波段1和波段2数值

组成的二维空间中

t1时刻像元和t2时刻像元

在二维空间中可视为向量

t1到t2时刻的变化

可视为向量

即变化向量

它承载了

该像元的变化强度

和变化方向信息

接下来

我们详细介绍

如何定义变化强度

和变化方向