基于不确定性分析的遥感影像变化检测方法研究

摘要

遥感影像变化检测作为一种遥感应用技术在土地利用与覆盖变化监测、城市发展变化研究、环境监测及灾害评估等领域具有很强的现实需求，一直是国内外研究学者关注的热点领域。然而，由于地表环境的复杂性，遥感信息采集、传输过程中的不确定性，以及变化检测方法设计存在的缺陷，遥感影像变化检测各环节均呈现出一定的不确定性，影响了检测结果的准确性。因此，本文在分析遥感影像变化检测不确定性一般问题基础之上，重点从影像光谱特征、空间特征及尺度特性三个方面，开展基于不确定性分析的遥感影像变化检测方法研究，旨在进一步完善遥感影像变化检测不确定性基础理论，提出减弱不确定性的方法策略，构建有效的变化检测新方法，为变化检测技术应用及生产实践提供理论支持。
　　本文的主要工作及结论如下：
　　(1)较为系统地论述了遥感影像变化检测技术体系及其过程中的不确定性来源，进而重点探讨了影像的光谱特征、空间特征、尺度特性及其不确定性问题。特别地，给出了变化检测中“真实变化”具有相对性的观点以及“变化”与“非变化”的非均衡性问题；对于遥感中尺度这一概念，在传统定义的基础上，从数据处理方法和模型的角度进一步提炼出其外延，即遥感中的尺度包括空间地物的本征尺度，遥感影像的观测尺度，影像分析尺度以及图像数据处理模型中的模型尺度。
　　(2)针对光谱特征，采取了在变化检测过程中引入类别先验信息的策略以改善光谱不确定性问题，进而提出了一种模糊性引导的自适应阈值变化检测方法。该方法针对基于传统全局阈值的变化检测结果容易出现较严重的漏检或误检现象以及椒盐噪声的问题，以模糊聚类得到的像素属于变化和非变化的隶属度作为阈值决策的先验信息，自适应确定每个像素的阈值。理论分析表明，所提出的自适应阈值方法相对全局阈值具有明显的拉伸效应，即在像素具有明显的类别归属的先验信息下，能通过大幅度增大或减小全局阈值来增加像素判为相应类别的可能性，且像素类别可分性越强，拉伸的幅值越大。而对于模糊聚类方法存在的漏检问题，自适应阈值方法能够通过减小全局阈值，以增加该像素判为变化类的可能性，从而避免漏检。实验结果表明，该方法能够改善传统全局阈值方法的不足，具有一定的抗噪能力及细节变化的检测能力，提高了变化检测结果的精度。
　　(3)针对空间特征，采取了在影像空间信息约束模型中引入模糊性的策略以改善空间信息不确定性问题。具体地，针对传统马尔可夫随机场中的空间约束模型在刻画像素间空间关系的不足，提出了两种改进方法，其一，以信息熵作为空间邻域像素类别标记的不确定性描述，进而引入到马尔可夫随机场空间约束模型，以提高其空间关系描述的合理性及对于不确定性的鲁棒能力，最终提高变化检测结果精度。其二，发展了基于超像素的自适应马尔可夫随机场变化检测方法，以超像素作为影像处理分析的基本单元，用区域邻接图描述不规则的，更大范围的空间约束模型，同时引入邻接超像素类别标记的模糊性以及中心超像素与邻接超像素的光谱相似性，改进该空间约束模型。两种方法的相关实验表明，在空间约束模型中引入模糊性能够提高模型对不确定性的鲁棒能力，在一定程度上解决了传统马尔可夫随机场模型的过度平滑问题，提高了变化检测结果的准确性。
　　(4)针对尺度特性，采取了多尺度信息融合的策略以改善尺度不确定性问题。具体地，对于影像观测尺度，本文研究了遥感影像变化检测中的尺度效应问题，提出了一种综合光谱及形状特征的尺度效应分析方法及最优空间分辨率的选择方法。实验结果表明，综合光谱及形状特征的尺度效应分析方法能够有效揭示遥感影像变化检测结果随空间分辨率大小变化的规律，同时，综合光谱及形状特征的最优分辨率确定方法能够根据变化检测目标区域的固有特征进行有目的的调整。对于影像分析尺度，提出了一种超像素级的基于多尺度显著性检测的变化检测方法框架，其中设计了一种基于多尺度显著性图的像素级加权线性融合方法。实验结果表明，基于超像素的显著性检测在提高数据处理效率的同时能够有效避免影像中干扰噪声的影响；不同单一尺度下得到的变化检测结果表明，并不是尺度越精细检测结果精度越高，而多尺度显著性图的像素级加权线性融合方法能够有效综合大尺度的区域性特征及小尺度的细节保持能力，从而减弱了尺度不确定性，提高了变化检测结果的精度。

目录

声明

致谢

变量注释表

1 绪论

1.1 研究背景与意义 (Research Background and Significance)

1.2 国内外研究现状 (Research Progress at Home and Abroad)

1.3 存在的问题 (Problems)

1.4 研究内容及章节安排 (Research Contents and Chapter Arrangements)

2 遥感影像变化检测及其不确定性分析

2.1 遥感影像变化检测（ Remotely Sensed Images Change Detection）

2.2 变化检测过程不确定性来源（Sources of the Uncertainty in Change Detection）

2.3 光谱特征不确定性（Uncertainty of the Spectral feature）

2.4 空间特征不确定性（Uncertainty of the Spatial feature）

2.5 尺度不确定性（Uncertainty of the Scale Information）

2.6 本章小结

3 基于自适应阈值的变化检测方法

3.1 差异影像的统计分布估计 (Statistical Distribution Estimation of the Difference Image)

3.2 模糊性引导的自适应阈值变化检测方法 (Fuzziness Guided Adaptive Threshold Method for Change Detection)

3.3 本章小结（Chapter Summary）

4 基于改进马尔可夫随机场模型的变化检测方法

4.1 马尔可夫随机场模型(Markov Random Field Model)

4.2 基于不确定性空间邻域信息的马尔可夫随机场变化检测方法 (Markov Random Field Model Incorporated with Local Uncertainty for Change Detection)

4.3 基于超像素的自适应马尔可夫随机场变化检测方法(Adaptive Superpixel based Markov Random Field Model for Change Detection)

4.4 本章小节 （Chapter Summary）

5 基于多尺度显著性融合的变化检测方法

5.1 遥感影像变化检测尺度效应分析 (Scale Effects Analysis for Remotely Sensed Images Change Detection)

5.2 基于多尺度显著性检测的变化检测方法框架 （ Novel Framework based on Multi-Scale Saliency Detection for Change Detection）

5.3 本章小结 （Chapter Summary）

6 总结与展望

6.1 论文主要工作及结论(Main Works and Conclusions)

6.2 论文创新点 （Innovations）

6.3 将来研究工作及展望 （Future Works）

参考文献

作者简历

学位论文数据集