融合多特征的對(duì)象級(jí)航空遙感圖像變化檢測(cè)

朱美如,安 如,趙生銀

(河海大學(xué)地球科學(xué)與工程學(xué)院,江蘇 南京 211100)

1 引 言

遙感影像中的地物光譜特性可以反映豐富的地物類別和屬性信息,應(yīng)用這些信息可以檢測(cè)變化區(qū)域,進(jìn)而為城市的規(guī)劃提供依據(jù)。近年來(lái),針對(duì)變化檢測(cè)已提出許多的方法模型,按照研究對(duì)象可以分為像素級(jí)變化檢測(cè)和對(duì)象級(jí)變化檢測(cè)。像素級(jí)變化檢測(cè)技術(shù)將像元作為獨(dú)立變量,忽略了像元之間的相關(guān)性,在實(shí)際應(yīng)用中存在局限性。隨著高分辨率影像數(shù)據(jù)的普及,影像中的地物細(xì)節(jié)更加豐富,直接影響地物識(shí)別及變化檢測(cè)的效果。而對(duì)象級(jí)變化檢測(cè)技術(shù)將像斑作為研究對(duì)象,像斑中豐富的光譜、空間等特征,可以有效抑制“同物異譜,異物同譜”現(xiàn)象,因此該技術(shù)在高分辨率數(shù)據(jù)中的應(yīng)用十分廣泛。

高分辨率遙感數(shù)據(jù)中提取的特征是變化檢測(cè)的基礎(chǔ),傳統(tǒng)的對(duì)象級(jí)變化檢測(cè)方法多選擇單一特征進(jìn)行變化檢測(cè),如:像斑均值信息[1]、紋理信息[2]等。這些方法驗(yàn)證了面向?qū)ο笞兓瘷z測(cè)的可行性,但適用性和精度并不理想。目前,不少學(xué)者將多種特征進(jìn)行融合:文獻(xiàn)[3]提出將光譜和紋理特征的檢測(cè)結(jié)果疊加融合,提高了檢測(cè)精度；文獻(xiàn)[4]綜合了均值比和對(duì)數(shù)比兩種特征的優(yōu)點(diǎn),提高了檢測(cè)洪水地區(qū)的精度。可以看出,特征融合可以結(jié)合多特征的優(yōu)勢(shì),提高檢測(cè)的精度,而特征融合的關(guān)鍵是確定融合方法。融合方法可分為基于數(shù)學(xué)基礎(chǔ)和基于邏輯證據(jù)兩類。前者需要進(jìn)行嚴(yán)格的數(shù)據(jù)處理,例如:自適應(yīng)融合策略(AFS)[5]和小波融合方法[6],但這些方法難以確定最優(yōu)函數(shù),計(jì)算過(guò)程復(fù)雜且速度較慢；而邏輯證據(jù)法可擺脫固定的計(jì)算過(guò)程,如:DST(Dempster-Shafer evidence theory)框架下的決策規(guī)則[7]、信息融合策略[8]、決策級(jí)融合方案[9]等,這些方法計(jì)算方便且簡(jiǎn)單有效,在高分辨率圖像中有較強(qiáng)地適用性。

目前,常針對(duì)影像對(duì)象的光譜信息進(jìn)行運(yùn)算來(lái)獲得特征,但這些特征較為簡(jiǎn)單,對(duì)提高檢測(cè)精度有一定限制。因此,相似性特征被引入其中。相似性度量法是基于相似性特征的變化檢測(cè)方法,該方法的基本思想是通過(guò)度量前后時(shí)期同一像斑的相似性獲取變化信息,相似性越高說(shuō)明變化越顯著。KL(Kullback-Leiber)散度[10]是一種相似性特征,在概率論中多用來(lái)度量?jī)蓚€(gè)離散概率分布之間的相似程度,JS(Jensen-Shannon)散度[11]是KL散度的變形,它彌補(bǔ)了KL散度不具有對(duì)稱性且計(jì)算結(jié)果無(wú)界的缺陷,能更方便且準(zhǔn)確地判別像斑間的相似性。互相關(guān)特征[12]也可以衡量對(duì)象間的相似性,并在一定程度上避免空間向量的計(jì)算錯(cuò)誤,準(zhǔn)確的反映某地物在特定時(shí)間段內(nèi)內(nèi)部結(jié)構(gòu)是否發(fā)生了變化。

由此可見,在面向?qū)ο蟮倪b感變化檢測(cè)中,計(jì)算同一對(duì)象在前后時(shí)期的JS散度和互相關(guān)兩種相似性特征,進(jìn)而進(jìn)行變化檢測(cè)是科學(xué)、可行的。本文選取江蘇省宜興市為實(shí)驗(yàn)區(qū),在多尺度分割的基礎(chǔ)上,面向?qū)ο蠼y(tǒng)計(jì)像斑的灰度直方圖,計(jì)算像斑相似性,并與基于紋理的互相關(guān)特征融合,綜合多特征的優(yōu)勢(shì),以期獲得更加準(zhǔn)確的變化檢測(cè)結(jié)果。

2 研究區(qū)與數(shù)據(jù)

2.1 研究區(qū)概況

本文采用江蘇省無(wú)錫市宜興地區(qū)2012年和2015年的高分辨率圖像作為實(shí)驗(yàn)數(shù)據(jù),由UCXP WA-00315131傳感器拍攝,拍攝時(shí)間分別為2012年2月18日和2015年4月30日。該數(shù)據(jù)包括紅、綠、藍(lán)及近紅外四個(gè)波段,分辨率達(dá)到0.3 m。實(shí)驗(yàn)區(qū)的地理位置為31°07′N～31°37′N,119°31′E～120°03′E,地處蘇錫常城市群,是太湖流域重要的交通樞紐,又被京杭大運(yùn)河穿城而過(guò)。同時(shí),受上海市經(jīng)濟(jì)輻射的影響,經(jīng)濟(jì)發(fā)展十分迅速,城市化建設(shè)成果顯著。本文從實(shí)驗(yàn)區(qū)選出兩個(gè)典型變化區(qū)域進(jìn)行變化檢測(cè)實(shí)驗(yàn)。

2.2 實(shí)驗(yàn)數(shù)據(jù)介紹

實(shí)驗(yàn)一在圖像預(yù)處理后截取441像素×346像素(實(shí)際大小近似137 m×107 m)的實(shí)驗(yàn)區(qū),如圖1所示。該實(shí)驗(yàn)區(qū)包含植被、道路、建筑物、裸土等幾類典型地物,且在兩期圖像中變化明顯。通過(guò)人工判讀可以發(fā)現(xiàn),該地區(qū)在2012年到2015年期間,地區(qū)中部的大面積草地及裸土改建為建筑物,四周道路也進(jìn)行了新修和拓寬,適合進(jìn)行變化檢測(cè)實(shí)驗(yàn)。第二個(gè)實(shí)驗(yàn)區(qū)大小為682像素×678像素(實(shí)際近似為211 m×203 m),圖2中(a)和(b)分別為該區(qū)域2012年和2015年的航攝圖像。通過(guò)人工判讀可以發(fā)現(xiàn),實(shí)驗(yàn)區(qū)內(nèi)的變化信息主要在裸土、植被和建筑物幾類,分布在圖像的中部和西南部。其中,中部區(qū)域的裸土建設(shè)為居民區(qū),并新增了草坪等植被,西南部特別是主干道以西的大面積裸土被綠化為草地,因此,該實(shí)驗(yàn)區(qū)變化信息明顯,適合進(jìn)行變化檢測(cè)實(shí)驗(yàn)。

圖1 實(shí)驗(yàn)一遙感圖像數(shù)據(jù)

3 變化檢測(cè)方法

本文提出一種面向?qū)ο蟮亩嗵卣魅诤系淖兓瘷z測(cè)方法。為了減弱光照輻射對(duì)檢測(cè)精度的影響,首先對(duì)兩期航空遙感影像進(jìn)行正射校正和圖像配準(zhǔn)；然后,面向?qū)ο髮?duì)兩時(shí)期的遙感圖像進(jìn)行疊加分割,生成像斑作為面向?qū)ο笞兓瘷z測(cè)的基礎(chǔ)數(shù)據(jù)；以像斑為基本單位統(tǒng)計(jì)像斑直方圖,并計(jì)算JS特征,再基于影像對(duì)象計(jì)算互相關(guān)特征；最后,根據(jù)加權(quán)融合規(guī)則和決策級(jí)融合規(guī)則分別進(jìn)行多特征融合,得到變化檢測(cè)結(jié)果。具體流程如圖3所示。

圖2 實(shí)驗(yàn)二遙感圖像數(shù)據(jù)

圖3 變化檢測(cè)方法流程圖

3.1 多特征提取

提取特征是變化檢測(cè)中的重要環(huán)節(jié),會(huì)影響檢測(cè)精度。對(duì)光譜進(jìn)行運(yùn)算而提取的特征忽略了不同地物的空間差異,導(dǎo)致檢測(cè)精度較低。而相似性特征可以從空間上表現(xiàn)兩個(gè)分量間的距離差異和方向差異[13],從而提高檢測(cè)的精度。近年來(lái),有許多相似性度量方法被提出,如歐氏距離[14]、向量夾角余弦[15]、推土機(jī)距離[16]等。本文選擇JS散度和互相關(guān)兩種相似性特征來(lái)描述光譜和空間差異。

3.1.1 基于JS散度的相似性特征

像斑是一組像素集合,其灰度直方圖是基于空間統(tǒng)計(jì)的特征,反映像斑內(nèi)部的灰度值分布,同時(shí)表達(dá)像斑的光譜和紋理信息,在基于像斑的特征提取中廣泛應(yīng)用[17]。圖4是兩種地物的灰度直方圖,灰度級(jí)已劃分為16個(gè)等級(jí)。由圖可知,不同地物的灰度直方圖并不相同,且同一地物在不同波段獲取的灰度直方圖也不一樣。因此,根據(jù)灰度直方圖提取的特征可以有效區(qū)分不同地物,進(jìn)而檢測(cè)變化區(qū)域。

圖4 不同地物對(duì)象的灰度直方圖(已劃分為16級(jí))

KL散度是基于像斑灰度直方圖的一種相似度特征,JS散度是它的變形,兩者都能描述兩個(gè)離散分布之間的差異性,同時(shí)又能避免信息冗余。JS散度具有對(duì)稱性且值域有界,度量相似性時(shí)比KL散度更確切。它的實(shí)際意義是計(jì)算兩個(gè)頻率分布的距離,若不同時(shí)相的某個(gè)像斑未發(fā)生變化或變化較小,則灰度分布P和Q距離較小,JS值較低；若發(fā)生劇烈變化,那么P、Q間距離增大,JS值也較高。因此,JS散度可以確切的測(cè)定相似度,進(jìn)而描述某地區(qū)的變化程度。實(shí)際應(yīng)用中,JS散度的定義是:

(1)

為了降低計(jì)算復(fù)雜度,在提取JS散度特征之前,需要對(duì)兩期遙感圖像的灰度值量化分級(jí)。量化級(jí)數(shù)越多,地物可分性越強(qiáng),但是級(jí)數(shù)過(guò)多會(huì)導(dǎo)致直方圖過(guò)于平坦,降低計(jì)算效率；量化級(jí)數(shù)越少,直方圖的穩(wěn)定性越高,但是會(huì)降低區(qū)分地物的準(zhǔn)確性。本文將灰度量化為16級(jí),然后統(tǒng)計(jì)每波段像斑的灰度直方圖,獲得灰度分布P和Q,再計(jì)算JS散度。遙感影像的不同的波段之間具有較強(qiáng)的相關(guān)性,因此可將不同波段的JS值根據(jù)變異系數(shù)進(jìn)行加權(quán),獲得最終的JS散度特征。變異系數(shù)綜合考慮波段方差及均值,構(gòu)造的圖像更具客觀性和準(zhǔn)確性。

3.1.2 基于互相關(guān)的相似性特征

常用的歐氏距離DE和余弦相似度DC都屬于幾何空間測(cè)度,主要思想是用兩個(gè)光譜向量的廣義空間距離表達(dá)相似性；而互相關(guān)系數(shù)屬于概率空間測(cè)度,它常用來(lái)衡量?jī)蓚€(gè)變量之間的結(jié)構(gòu)相似性[18],具體計(jì)算公式如下:

(2)

根據(jù)公式可知,互相關(guān)系數(shù)是歐氏距離和余弦相似度的改進(jìn),它能更好的表現(xiàn)分量間的相似性。如果某像斑發(fā)生了變化,其互相關(guān)系數(shù)較小；如果像斑未發(fā)生變化,其互相關(guān)系數(shù)會(huì)較大。

3.2 融合圖像的構(gòu)建和處理

融合多特征是構(gòu)建融合影像關(guān)鍵,文獻(xiàn)[3]中使用疊加法融合多個(gè)尺度的變化檢測(cè)結(jié)果,但融合前需要應(yīng)用閾值分割法,因此閾值對(duì)融合精度的影響很大。另有學(xué)者提出自動(dòng)計(jì)算權(quán)重的方法,如多小波核融合[19],但是計(jì)算過(guò)程過(guò)于復(fù)雜,無(wú)法全面推廣。

本文應(yīng)用決策級(jí)融合方式,對(duì)JS散度特征和互相關(guān)特征進(jìn)行融合。對(duì)于不同特征獲得的變化檢測(cè)結(jié)果,建立決策融合規(guī)則,綜合檢測(cè)變化區(qū)域。按照自然間斷點(diǎn)法將變化強(qiáng)度分為五級(jí),0級(jí)表示未變化,4級(jí)表示發(fā)生強(qiáng)烈變化。變化強(qiáng)度分級(jí),一方面可以不受二值化限制,保證了檢測(cè)結(jié)果的空間連續(xù)性[20]；另一方面,可以增加變化信息的豐富度,保證檢測(cè)結(jié)果的實(shí)際地物意義。

該融合方法遵循邏輯函數(shù)F(x,y),取值規(guī)則如表1所示。從圖中可以看出,函數(shù)F與x+y的值近正相關(guān),當(dāng)兩類特征x和y顯示的變化強(qiáng)度越強(qiáng),融合后的變化等級(jí)也越高。該融合規(guī)則能充分融合兩種特征所表現(xiàn)的變化信息,且不受分割閾值的限制,有利于提高檢測(cè)的精度。

表1 邏輯函數(shù)取值規(guī)則

與根據(jù)閾值判斷變化區(qū)域的檢測(cè)方法不同,在應(yīng)用決策級(jí)融合規(guī)則時(shí),定義邏輯函數(shù)F(x,y)值小于1時(shí)判定為未變化,超過(guò)1時(shí)判定為變化。

為了與上述融合方法對(duì)比,本文還應(yīng)用傳統(tǒng)加權(quán)融合的方式。令DJS和DXY是JS散度和互相關(guān)系數(shù),ωJS和ωXY是JS散度和互相關(guān)系數(shù)對(duì)應(yīng)的權(quán)重,則兩者的加權(quán)組合形式為:

D=ωJS·DJS+ωXY·DXY

(3)

其中,ωJS+ωXY=1。

3.3 精度評(píng)價(jià)方法

本文選擇三個(gè)指標(biāo)來(lái)對(duì)變化檢測(cè)結(jié)果進(jìn)行精度評(píng)價(jià):漏檢率、誤檢率、正確率。正確率越高,漏檢率和誤檢率越低,說(shuō)明變化檢測(cè)結(jié)果越好。將像斑總數(shù)用S表示,實(shí)際發(fā)生變化并檢測(cè)出變化的像斑數(shù)用CC表示,實(shí)際發(fā)生變化但檢測(cè)成未變化的像斑數(shù)用TF表示,實(shí)際未發(fā)生變化并檢測(cè)出的像斑數(shù)用NN表示,實(shí)際未發(fā)生變化但檢測(cè)成變化的像斑數(shù)用NF表示。表2為精度評(píng)價(jià)表。

表2 變化檢測(cè)精度評(píng)價(jià)表

4 實(shí)驗(yàn)與分析

本文應(yīng)用eCognition軟件,綜合利用圖像的光譜信息和空間特征,疊加兩期遙感圖像的所有波段,進(jìn)行圖像分割,獲得待檢測(cè)的像斑共計(jì)206個(gè),分割結(jié)果如圖5(a)所示。以像斑為研究對(duì)象,根據(jù)公式(1)獲得JS散度特征,并根據(jù)公式(2)獲得互相關(guān)特征。圖5(b)為變化檢測(cè)參考結(jié)果。其中,黑色部分為未變化類,共計(jì)81個(gè)像斑；白色部分為變化類,共計(jì)125個(gè)像斑。圖5(c)為本文方法獲得的檢測(cè)結(jié)果,可以看出,圖像四周幾乎未發(fā)生變化的道路及建筑物都被正確檢測(cè),且在圖中顯示顏色較深；而圖像中心變化比較強(qiáng)烈的區(qū)域被檢測(cè)為變化區(qū)域,在圖中顯示顏色較淺。

為了方便精度對(duì)比,本文將決策級(jí)融合結(jié)果中未發(fā)生變化或發(fā)生微弱變化的區(qū)域判定為不變區(qū)域,其他區(qū)域判定為變化區(qū)域,檢測(cè)結(jié)果如圖6(a)；利用大津閾值法對(duì)加權(quán)融合的結(jié)果進(jìn)行二值化,判定變化區(qū)域,檢測(cè)結(jié)果如圖6(b)～(f)。

圖5 分割結(jié)果、變化參考圖及本文檢測(cè)結(jié)果

圖7為各項(xiàng)評(píng)價(jià)指標(biāo)的對(duì)比結(jié)果。可以看出,基于JS散度特征的檢測(cè)結(jié)果要好于互相關(guān)的結(jié)果,基于互相關(guān)特征(ωJS=0)的檢測(cè)結(jié)果正確率為85.20 %,誤檢率為6.06 %,漏檢率為7.97 %；基于JS散度特征(ωJS=1)的檢測(cè)結(jié)果正確率達(dá)到90.58 %,誤檢率為5.79 %,漏檢率為8.45 %,其主要原因是互相關(guān)系數(shù)對(duì)圖像的配準(zhǔn)和校正都有較高的精度要求。就融合方法而言,固定權(quán)重融合的檢測(cè)結(jié)果精度普遍略低,JS散度特征的權(quán)重設(shè)置為0.3、0.5和0.7時(shí),正確率分別為85.43 %、90.77 %和93.62 %。權(quán)重越偏向互相關(guān)特征,正確率越低,且固定權(quán)重的融合方法依賴于閾值分割結(jié)果,單一閾值的選取限制了檢測(cè)精度。兩特征融合的變化檢測(cè)精度(如固定權(quán)重ωJS=0.5；ωJS=0.7；決策級(jí)融合方法)均高于單個(gè)特征的檢測(cè)結(jié)果。JS散度特征反映了像斑灰度分布的全局情況,而互相關(guān)相似性特征則反映了像斑內(nèi)部結(jié)構(gòu)的變化情況,二者所反映的信息互為補(bǔ)充,因此融合后能明顯提高變化檢測(cè)的效果。

應(yīng)用決策級(jí)融合的檢測(cè)結(jié)果綜合了兩種方法的優(yōu)勢(shì),將正確的變化信息有效集中和提取,避免了因閾值分割產(chǎn)生的誤檢,優(yōu)化變化檢測(cè)結(jié)果的精度。還能準(zhǔn)確反映變化信息的位置和強(qiáng)度,在正確率、誤檢率和漏檢率三個(gè)指標(biāo)上都略有提高,分別為96.06 %、4.59 %、3.67 %。與人工解譯結(jié)果對(duì)比可知,本文采用的面向?qū)ο蟮臋z測(cè)方法能對(duì)試驗(yàn)區(qū)中部的大范圍變化進(jìn)行準(zhǔn)確的檢測(cè),檢測(cè)得到的變化區(qū)域多與實(shí)際地物相對(duì)應(yīng),有一定的實(shí)際意義。特別是應(yīng)用決策級(jí)融合方案將互相關(guān)特征和JS散度特征融合后,檢測(cè)結(jié)果正確率較高,實(shí)現(xiàn)了對(duì)局部細(xì)節(jié)的準(zhǔn)確檢測(cè),例如:植被覆蓋度變化、道路擴(kuò)建和院房重修等。

實(shí)驗(yàn)二依據(jù)本文的實(shí)驗(yàn)思路,將兩期圖像疊加,采用多尺度分割算法獲得像斑(圖8(a)),共計(jì)619個(gè)。圖8(b)為標(biāo)準(zhǔn)變化結(jié)果,其中,黑色區(qū)域表示未變化類,共計(jì)378個(gè)像斑；白色區(qū)域表示變化類,共計(jì)241個(gè)像斑。

然后,以像斑為基本單元計(jì)算JS散度特征和互相關(guān)特征,最后應(yīng)用決策級(jí)融合獲得最終的變化檢測(cè)結(jié)果。為了對(duì)本文算法的有效性進(jìn)行驗(yàn)證,實(shí)驗(yàn)中將加權(quán)融合的檢測(cè)結(jié)果與本文算法結(jié)果對(duì)比,各融合結(jié)果如圖9所示。

從圖中可以看出,基于互相關(guān)特征的變化檢測(cè)結(jié)果有較高的誤檢率,主要是因?yàn)閳D像獲取時(shí)受到光照的影響,導(dǎo)致建筑物和高大植被產(chǎn)生陰影,而在目視解譯中并未將陰影變化算作變化信息。在計(jì)算兩期圖像的互相關(guān)特征時(shí),陰影變化也被檢測(cè)出來(lái),因此存在誤檢。與基于單一的互相關(guān)特征獲得的變化檢測(cè)結(jié)果相比,JS散度特征以像斑的灰度直方圖為研究對(duì)象進(jìn)行計(jì)算,一定程度上避免了因光照條件和輻射差異導(dǎo)致的虛假變化,可以較準(zhǔn)確的判別變化信息,檢測(cè)結(jié)果的準(zhǔn)確性較高。

圖6 各種融合方法獲得的變化結(jié)果

圖7 各項(xiàng)評(píng)價(jià)指標(biāo)對(duì)比

圖8 分割結(jié)果及標(biāo)準(zhǔn)檢測(cè)結(jié)果

圖10為定量評(píng)價(jià)融合方法的結(jié)果對(duì)比。結(jié)果顯示,固定權(quán)值的融合方法綜合了兩種特征獲取的變化信息,因此融合結(jié)果的漏檢率降低,但仍然無(wú)法解決因輻射差異導(dǎo)致的誤檢問(wèn)題。并且,融合時(shí)互相關(guān)特征的權(quán)重比例越大,誤檢問(wèn)題越明顯。另外,固定權(quán)重的融合結(jié)果精度受到分割閾值的限制,若閾值分割效果不佳直接影響最終的變化檢測(cè)結(jié)果。而決策級(jí)融合方法直接對(duì)兩種特征獲取的變化信息進(jìn)行量化綜合,有效提取正確的變化信息,正確率提升到90.09 %,漏檢率為5.08 %,誤檢率為9.68 %。盡管當(dāng)ωJS=0.7時(shí)融合結(jié)果的檢測(cè)正確率與本文相近(為89.77 %),但漏檢率和誤檢率(分別為6.29 %和14.25 %)均高于本文方法,所以總體檢測(cè)性能上決策級(jí)融合方法要好于固定權(quán)值的融合方法。

圖9 各種融合方法獲得的變化結(jié)果

圖10 各項(xiàng)評(píng)價(jià)指標(biāo)對(duì)比

綜上所述,與單一特征相比,基于多特征的變化檢測(cè)方法可以提高變化檢測(cè)的精度,變化檢測(cè)結(jié)果也更接近實(shí)際。另一方面,融合結(jié)果還集成了兩種方法的優(yōu)勢(shì),降低了檢測(cè)結(jié)果的誤檢和漏檢概率。因此,基于JS散度和互相關(guān)的多特征融合變化檢測(cè)方法在航空遙感圖像的自動(dòng)變化檢測(cè)中有一定可行性。

5 結(jié) 語(yǔ)

本文將JS散度特征與互相關(guān)特征結(jié)合應(yīng)用于航空遙感圖像,提出了一種多特征融合的多時(shí)相遙感變化檢測(cè)方法。該方法以像斑為單位,提取JS散度特征和互相關(guān)特征,并應(yīng)用決策級(jí)融合算法將兩種特征有效融合以提高檢測(cè)精度。與基于像元的變化檢測(cè)算法相比,本文算法能有效避免“椒鹽噪聲”對(duì)檢測(cè)結(jié)果的影響,檢測(cè)信息具有一定的實(shí)際意義。另外,算法中綜合了兩種特征的優(yōu)點(diǎn),實(shí)現(xiàn)多特征融合,相較于單一特征的檢測(cè)結(jié)果,該方法提高了檢測(cè)精度,能更準(zhǔn)確地檢測(cè)出變化區(qū)域。但是,本文算法還存在許多不足,需進(jìn)一步完善:

(1)該算法沒有考慮像斑內(nèi)的空間分布信息,當(dāng)變化類與未變化類等量且同時(shí)存在某像斑時(shí),像斑灰度值不會(huì)發(fā)生明顯變化,易導(dǎo)致漏檢。

(2)未能考慮其他特征對(duì)檢測(cè)結(jié)果的影響。本文主要應(yīng)用相似性特征進(jìn)行變化檢測(cè),然而高分辨率影像可提取的特征種類十分豐富,可嘗試挑選并融合更多有效的特征進(jìn)行變化檢測(cè)。

(3)未能實(shí)現(xiàn)不同特征的自適應(yīng)權(quán)重分配。本文在進(jìn)行變化檢測(cè)時(shí),綜合考慮多種特征,然而不同特征對(duì)變化區(qū)域的檢測(cè)貢獻(xiàn)可能不同。因此,在以后的研究中,特征融合應(yīng)根據(jù)試驗(yàn)區(qū)的具體情況,自適應(yīng)調(diào)整權(quán)重。