遥感变化检测方法综述培训资料.pptVIP

SAR图像变化检测方法综述;变化检测定义; 随着近些年来自然灾害及极端恶劣天气的频发，使得在众多的SAR变化检测的应用方面，灾害预警与灾害评估方面应用意义重大，尤其是2008年5月12日汶川地区发生8.0级地震及最近日本地震等自然灾害的发生，使得各国对应用SAR变化检测技术对灾害进行预警和评估更加重视。 其中，SAR图像变化检测技术在汶川地震后的灾害评估方面起到重要的作用。 下面几组SAR图像很好的展示了SAR图像变化检测的重要性。;; 汶川县映秀镇地震前SAR图像(左)中绿色的圆圈代表一些标记的建筑物，地震后的SAR图像(右)中，仍然是蓝色的圆圈表明在地震中没有受到损害，而红色的圆圈表明在地震中受到的重大的损害。;SAR图像进行变化检测的基本前提;变化检测基本流程;辐射校正;图像滤波;图像增强;希腊南部的伯罗奔尼撒半岛分别在1998.04（左）和 1998.09（右）拍摄的照片，图中已经经过预处理。;SAR图像变化检测方法;基于简单代数运算的变化检测;基于简单代数运算的变化检测;基于简单代数运算的变化检测;基于简单代数运算的变化检测;基于简单代数运算的变化检测;基于比值的方法;基于简单代数运算的变化检测;基于简单代数运算的变化检测;基于简单代数运算的变化检测方法总结;基于图像变换的变化检测;基于图像变换的变化检测;基于图像变换的变化检测;基于图像变换的变化检测;基于图像分类的变化检测;　 分类后比较法是一种很直观的变化检测方法，要求对每一个图像单独进行分类，然后对多时相图像的分类结果图像进行比较，检测出感兴趣的地物变化信息，而且可以提供变化信息类型。如果对应像素的类别标签相同，则认为该像素没有发生变化，否则认为该像素发生了变化。分类后的图像可以用人工视觉比较或计算机比较。由于不同时相是独自进行分类的，因而可以消除大气、传感器、季节和地面环境等因素对不同时相图像的影响。最小化地减少非地物变化因素的影响，能够提供变化的类别信息。由于这种方法的变化检测结果的精度取决于分类结果精度，从而会导致变化检测误检进行叠加。因此，分类后比较法的检测结果的精度不高。 ;;???于图像分类的变化检测;基于图像分类的变化检测;基于图像融合的变化检测方法;基于结构特征分析的变化检测方法;变化检测的精度评估;(2)误检像素数(FP)：统计实验结果图中未发生变化区域的像素个数，与参考图中未变化区域的像素个数进行对比，把参考图中未发生变化但实验结果图中检测为变化的像素个数，称为误检像素数FP； (3)总检测错误数(OE)：等于漏检像素数和误检像素数的和； (4)正确检测率(PCC)：正确测得的目标数即等于参考图中发生变化且实验结果图中检测为变化的像素数TP与参考图中未发生变化且实验结果图中检测为未变化的像素数TN与图像的总像素个数之比，如下式所示： 尽管通过量化性能比较可以客观地反映出不同变化检测方法的性能，然而，这种量化方法是在具有地物变化参考图的基础上进行的，而在实际情况中，由于实际野外勘测的地理条件、数据采样采集等的限制，往往无法实际获取。因此，评价一种变化检测方法很多时候是通过主观视觉比较分析的方式实现的。;实例展示;NJW谱聚类算法流程;6.将Y中的每一行看成是R中的一个点，通过k-均值或其他算法将它们聚类到c类中； 7.如果矩阵Y的第i行被归到第j类，则将数据点xi归到第j类； 8.输出样本集X中的所有样本点对应的类标：{l1,l2,…,lN}。;本文算法流程;(3) 使用公式 对差分子图D1和差分子图D2进行融合，生成差异图D； (4) 使用NJW谱聚类算法，将差异图D的像素聚类，得到变化检测结果图。 前面三个步骤即为我们提出的非局部差异图构造方法。非局部差异图方法充分的利用了图像像素的空域领域信息和像素的灰度相似性信息，可以很好的抑制斑点噪声且充分的克制了传统的差异图方法的缺点，而且，在本算法中第一次应用谱聚类算法到变化检测领域。 ;实验用图和参考图;实验1结果及分析;　 从上图可以看出，非局部差异图中的未变化区域比较平滑，并且细节清晰，杂点很少，变化区域突出，是一种比较好的方法，而比值方法、对数比值方法和均值比值方法构造的差异图，有比较多的斑点，而且有很多“伪变化”像素，通过对比，我们可以看出本方法的仿真结果图的斑点噪声较少，对斑点噪声有很好的抑制。 然后我们依次对上面不同算法得到差异图都运用NJW谱聚类算法进行聚类，得到最终的变化检测图。 ;变化检测结果定量分析;实验2结果及分析;变化检测结果定量分析