6_解译与分析.ppt

图像代数变化检测算法 图像差值——将一个时间图像的像元值与另一个时间图像对应的像元值相减。在新生成的图像中，图像值为正或为负则是辐射值变化的区域，而没有变化的区域图像值为0。在8bit图像中，像元值范围为0～255，其图像差值的范围为—255～255。由于差值往往为负值，故可加一个常量C。 差值图像的亮度值常近似高斯分布，没有变化的像元多集中在均值周围，而变化的像元分布在尾部。 图像代数变化检测算法 图像比值——将一个时间图像的像元值与另一个时间图像对应的像元值相除。新生成的比值图像的值域范围为0—1，没有变化的区域图像值为1。 为了勾画出明显变化区域，需要设置一个阈值(threshold)，将差值或比值图像转换为简单的变化／无变化图像，或者正变化／负变化图像，以反映变化的分布和大小。 阈值的选择必须根据区域研究对象及周围环境的特点来定。在不同的区域、不同的时间、不同的图像上采用的阈值会有所不同。 通常，通过差值或比值图像的直方图来选择“变化’’与“无变化”像元间的阈值边界，并需要多次反复试验。 多时相图像主成分变化检测 对经过几何配准的不同时相遥感图像进行主成分分析(PCA)，生成新的互不相关的多时相主成分分量的合成图像，并直接对各主成分波段信息进行对比，检测变化。主成分是由一个方差—协方差矩阵计算得到，通常需要将协方差矩阵标准化，即除以一个适当的标准偏差，以消除不同变量尺度差异产生的影响，提高图像的信噪比。 主成分变化检测方法虽然简便，但只能反映变化的分布和大小，难以表示由某种类型向另种类型变化的特征。 分类后对比检测 对经过几何配准的两个(或多个)不同时相遥感图像分别作分类处理后，获得两个(或多个)分类图像，并逐个像元进行比较，生成变化图像。根据变化检测矩阵确定各变化像元的变化类型。 此方法的优点在于除了确定变化的空间范围外，还可提供关于变化性质的信息，如由何类型向何类型变化等； 其缺点在于一方面必须进行两次图像分类，另一方面变化分析的精度依赖于图像分类的精度。图像分类的可靠性严重影响着变化检测的准确性。 变化检测的方法 1．光谱类型特征分析方法 2．光谱变化向量分析方法 3. 时间序列分析 光谱变化向量分析方法 对两个不同时间的遥感图像，进行图像的光谱量测，每个像元可以生成一个具有变化方向和变化强度(大小)两个特征的变化向量。 变化强度(CMpixel)通过确定n维空间中两个数据点之间的距离(欧氏距离)求得 Cmpixel=∑（BVijk（date2）- BVijk（date1） ）2 每个像元的变化方向可归为2n种模式。对应这2n 种变化模式设定其方向码。 对于像元（i,j）的光谱变化向量 光谱变化向量分析方法 变化向量分析的结果可输出两幅几何上配准的图像：变化强度图像和变化方向码图像，以提取区域变化信息。 在实际应用中，可根据区域具体情况对变化强度设定一个阈值。若像元的变化强度在此阈值范围内，可以认为该点未发生类型的变化，若超出此阈值范围，则可判断该点已经发生了类型变化。将变化向量信息与其他图像特征结合起来可进一步分析区域内有关专题类型变化的规律。 变化检测的方法 1．光谱类型特征分析方法 2．光谱变化向量分析方法 3. 时间序列分析 时间序列分析 时间序列分析:通过对一区域进行一定时间段内的连续遥感观测，提取图像有关特征，并分析其变化过程与发展规律。 首先需要根据检测对象的时相变化特点来确定遥感监测的周期，从而选择合适的遥感数据。 为了实现时间序列分析，要求遥感监测数据有一定的时间积累。如进行区域生态环境变化、土地退化或沙漠化的监测就需要有若干年甚至数十年的遥感数据，才能得出有价值的连续变化结果。 时间序列分析 变化特征的确定:图像特征应当是比较灵敏地反映地面变化的环境指数。如:红光和近红外区是植物遥感中使用的主要波段。两波段比值或差值的组合更增强了对光合作用的敏感度。 归一化植被指数NDVI在一定程度上反映了像元所对应区域的土地覆盖类型的综合情况。其数值介于(—1，+1)之间。 典型情况下的NDVI值：水0；裸土0～0.1；植被0.1。 时间序列分析 在生态环境变化研究中常常采用NDVI或相关的其他环境指数作为时间序列分析的图像特征。 区域NDVI值随时间周期性的升高和降低是植被生长周期的典型体现。分析区域植被变化的一个有效方法就是观察像元NDVI曲线的时序变化： 植被生长，NDVI增加； 植被死亡，NDVI降低。 时间序列分析 NDVI并不总是有效的。例如，K·Weiss等在评估沙特阿拉伯部分牧场土地沙漠化状况中发现，由于地处干旱地区，区域内植被覆盖稀疏，植被的季节变化并不明显，利用NDVI难以确定植被覆盖逐渐衰退的趋势。 利用每月或年植被指数的变