独立成分分析在遥感影像变化信息检验中的应用研究.docxVIP

独立成分分析在遥感影像变化信息检验中的应用研究

第一章前言

1.1研究的目的与意义

遥感图像的变化检测是对在特定波段上不同时间（或者日期）获取的多时相图像检测和辨识成像日期之间的地物的动态发展变化[1]。早期的遥感影像变化检测由于受到当时技术条件的限制，变化检测手段主要是采取人工目视解译来进行的，而目视解译方法要求解译人员具有丰富的目视判读经验，并且工作量大，效率低下，最后得到的结果在很大程度上受到主观因素影响，容易产生错误，难以保证前后一致性，所以其在实际应用中具有很大的局限性[3]。随着技术的发展，目前出现了很多应用于不同环境的变化检测方法[4]，根据实现的途径主要可以分为3类[5]：

（1）基于简单代数运算，如图像差分、图像比值和图像回归分析。这类方法都是通过对多时相遥感图像进行代数运算，根据辐射值的差异检测出变化的区域[6]。

（2）基于图像分类，如分类后比较。这类方法首先对多时相遥感图像进行分类，然后根据分类后的地物类别进行变化检测。

（3）基于多变量分析的数据变换方法，如PCA，MAD和Canonical分析。PCA

变换是变化检测中应用最广泛的一种方法。它是基于二阶统计的方法，只有在源信号的统计分布符合高斯分布时，才能完全消除信号间的相关性，而对于非高斯信号则只能去除信号间的二阶相关性。但在多时相遥感图像中，各种地物的光谱特性并不都满足高斯分布，因此经过PCA

变换得到的各成分图像之间仍然存在高阶相关性，而这些相关信息会影响到变化信息的检测结果。独立成分分析（ICA）是近年出现的盲源信号分离技术，它不仅能够有效的消除信号间的二阶和高阶相关，而且使经其变换的各分量之间相互独立。ICA

利用了观测数据的高阶统计信息，能有效的对观测信号进行分解，同时，也可以大大降低数据的维数，使后续聚类的规模不至过于庞大，所以将ICA

应用于多光谱数据的分解，它能有效的利用数据的高阶统计信息，去除数据间的相关性，更好地利用多光谱数据的光谱信息，从而提高分类精度。本文根据独立成分分析和不同时期遥感图像的特点，运用独立成分分析模型实现多时相遥感影像的变化检测，以提高变化检测精度。

1.2独立成分分析的国内外研究现状

1.2.1国外研究现状

20世纪50年代早期，法国学者Herault、Jutten和

Ans[7~9]在神经生物学的背景下，提出了一个特别的反馈电路（Feed

backCircuit），用于解决肌肉收缩运动编码的简化模型，从而引入了ICA技术。1986年，Herault和

Jutten[10]在美国举行的神经网络计算会议上，进一步提出了一种反馈神经网络模型和一种基于Hebb

学习规则的学习算法，实现了两个独立源信号的盲分离。1991年，发表于SignalProcessing

杂志的三篇经典文章，标志着盲源分离研究的重大进展。1994年，Comon[11]从数学角度给出了ICA的统一框架，界定了

ICA方法的基本假设条件，明确指出了对比函数（Contrast

Function）的目标函数达到极大值来消除观测信号中的高阶统计关联，从

而实现盲源分离。1995年，Bell和Sejnowki基于信息极大化原理，发表了ICA

发展史上的里程碑文章[12][13]。其重要贡献在于：1）利用神经网络的非线性特性来消除观测信号中的高阶统计相关性。2）用信息极大化准则建立目标函数，从而将信息论方法与ICA

结合起来。3）给出了神经网络式的最优迭代学习算法（简记为：Infomax算法或者B-S

算法），成为后续各种算法的基础。4）对具有10个说话人的鸡尾酒会问题给出了很好的分离效果。日本学者Amari等人[14][15]从参数空间的黎曼几何结构出发，给出了改进的Infomax

算法，该方法基于自然梯度方法，克服了原始Infomax

算法需要计算逆矩阵、收敛速度较慢的问题。同期，法国学者Cardoso等人[16][17]从ICA

问题的李群结构出发，基于等变化性，提出了类似于自然梯度型算法的相

对梯度型算法，就学习算法的等变化性、稳定性和分离精度等问题给出了重要的思路和方法。与最初的Infomax

算法相比，自然梯度型算法和相对梯度型算法避免了矩阵逆的计算，提高了算法的计算效率。1996年，Peadmutter

等[18][19]通过多变量概率密度函数的定义和在线参数估计方法，进一步推广了最初的Infomax

算法，得到了极大似然估计算法，从而扩大了可分离的源信号类型的范围。

基于极大似然目标函数，涌现出了众多的学习算法，比如极大似然