关于变化检测的相关介绍（一）

发表于 更新于 分类于 本文字数： 923 阅读时长 ≈ 1 分钟

《Deep Learning-Based Change Detection in Remote Sensing Images: A Review》

Change Detection（CD）：识别不同时期获取的图像中的差异

用途：fire detection, environmental monitoring, disaster monitoring, urban change analysis, and land management, etc

传统CD方法：

  • pixel-based CD（PBCD）

  1. 通过图像差异、主成分分析（PCA）、变化向量分析（CVA）等方法生成差异图像

  2. 采用基于阈值的方法生成变化检测结果

  • object-based CD（OBCD）

  1. 提取双时相图像的特征并将他们划分为不同的语义信息

  2. 分析双时相之间的差异

缺点：

对于传统方法而言很难挖掘大量高分辨率图像之间的潜在联系

image-20220928162415577

基于深度学习的变化检测：

  1. 单分支结构：直接将双时相图像concat作为模型输入。如基于U-Net

  2. 双分支结构：共享权重，孪生网络

常用数据集：

  • SAR Images

img

  • Multi-Spectral Images：

    1. Wide-Area Datasets：
      image-20220928162623433

    2. Local-Area Datasets：
      image-20220928162924043

  • Hyperspectral Images
    image-20220928163017512

    Primary challenges for HSI-CD：

    • Limited Labeled Data

    • High-Dimensionality

    • Mixed Pixels Problem

  • Very High Spatial Resolution (VHR) Images
    image-20220928163201290

    Technological challenge：

    • Limited Spectral Information

    • Spectral Variability

    • Information Loss

  • Heterogeneous Datasets：
    img

Change Detection Architecture：

工作流程：
image-20220928163259801

  • Pre-Processing：有利于图像特征提取和图像分析结果。数学归一化

  • Geometric Registration：修复图像几何失真

  • Radiometric Correction：absolute calibration、relative calibration

  • Despeckling

  • Denoising