A review of multi-class change detection for satellite remote sensing imagery

多类别变化检测综述

文章目录

  • 多类别变化检测综述
    • 挑战
    • 数据集
    • 研究方法:
      • 后分类变化检测(Post-Classification Change, PCC):
      • 直接分类(Direct Classification, DC):
      • 基于深度学习的变化检测:
      • 三元变化检测(Ternary Change Detection, TCD):
      • 多重变化检测(Multiple Change Detection, MCD):
      • 语义变化检测(Semantic Change Detection, SCD):
    • 未来研究方向:

CD技术通过分析同一地理区域在不同时间获取的多时相遥感影像,来识别地面物体的变化。该技术对环境监测、城市扩张与重建以及灾害评估等研究领域具有重要意义。
传统BCD主要关注变化区域和非变化区域,无法提供更细致的土地利用和覆盖(Land Use and Land Cover, LULC)变化信息。随着地球观测卫星技术的不断进步,遥感影像的空间分辨率不断提高,使得多类别变化检测(Multi-class Change Detection, MCD)成为研究的热点方向。MCD能够反映更详细的土地变化,与传统BCD相比,MCD能够区分不同的LULC变化类别。
尽管目前有许多关于变化检测的综述,但大多数工作仍集中在BCD上。本文专注于MCD的最新进展,包括挑战、数据集、方法、应用和未来研究方向。

挑战

在这里插入图片描述

  • 视觉特征混淆(Visual feature confusion):

    由于成像条件的差异(例如不同的拍摄角度或季节)可能导致即便是未变化的特征在光学遥感影像中也存在较大的光谱差异,这增加了识别变化区域的难度,从而影响MCD的准确性。

  • “椒盐”噪声(“Salt-and-pepper” noise):

    在使用传统的像素方法进行MCD时,由于遥感影像对中存在的光谱变异性,容易产生大量“椒盐”噪声,这会显著降低变化检测结果的质量。

  • 变化类别的不平衡(Imbalance of change classes):

    MCD需要区分不同的变化类别,而在实际变化图中,不同变化类别的面积比例往往是不平衡的。某些变化类别可能只集中在小范围的局部区域,因此由于训练样本数量少,准确挖掘小的变化类别通常比较困难。

  • 复杂背景(Complex background):

    变化通常只发生在区域的一部分,而MCD过程受到大量未变化区域背景的干扰。未变化区域通常占变化参考图中的大部分面积,并且经常具有复杂的地面特征分布,这可能导致MCD结果不佳。
    这些挑战指出了MCD在实际遥感影像分析中的复杂性,并强调了需要进一步研究和改进算法和技术以提高检测的准确性和鲁棒性。

数据集

在这里插入图片描述

  • Taizhou 数据集:

    特点: 主要展示与城市扩张相关的变化,包含两个400×400像素的图像,由Landsat7卫星采集,空间分辨率为30米。
    下载链接: Taizhou Dataset

  • Nanjing 数据集:

    特点: 展示了城市扩张和农田变化的复杂情况,包含两个800×800像素的图像,由Landsat7卫星采集,空间分辨率为30米。
    下载链接: Nanjing Dataset

  • Mts-WH 数据集:

    特点: 用于评估场景MCD的性能,由IKONOS传感器在2002年和2009年收集的多时相图像,图像大小为7200×6000像素,空间分辨率为1米。
    下载链接: Mts-WH Dataset

  • Yancheng 数据集:

    特点: 包含两个地点的EO-1 Hyperion双时相高光谱图像,有242个波段,空间分辨率为30米,图像大小为220×430像素。
    下载链接: Yancheng Dataset

  • USA 数据集:

    特点: 包含2004年和2007年的双时相高光谱图像对,由EO-1卫星的Hyperion传感器获取,研究区域是美国俄勒冈州本顿县的灌溉农田,图像大小为180×225像素。
    下载链接: USA Dataset

  • HRSCD 数据集:

    特点: 被认为是第一个大规模的MCD数据集,包含291对共注册的RGB图像,图像大小为10,000×10,000像素,具有0.5米的空间分辨率和像素级变化标签。
    下载链接: HRSCD Dataset

  • xBD 数据集:

    特点: 用于多类别灾害建筑变化检测的大规模数据集,包含19种不同类型的灾后卫星图像,总共22,068张图像,涵盖850,736座建筑物。
    下载链接: [xBD Dataset](https://xview2.org/dataset)

  • SECOND 数据集:

    特点: 用于MCD的基准数据集,包含来自不同平台和传感器的4662对图像,每张图像大小为512×512像素,包含六种主要的土地覆盖类别。
    下载链接: SECOND Dataset
    这些数据集覆盖了不同的应用目标,包括城市扩张、植被变化、农田变化和灾害评估等。

研究方法:

在这里插入图片描述

后分类变化检测(Post-Classification Change, PCC):

  • 特点: 首先独立地对不同时间的图像进行分类,然后通过比较分类结果来获取多类别变化图。
  • 优势: 方法直观,易于理解。
  • 劣势: 由于分类误差的累积,通常检测精度较低。

直接分类(Direct Classification, DC):

  • 特点: 直接对处理后的多时相图像进行分类,避免了误差累积,可以获得更高的检测精度。
  • 优势: 避免了PCC方法中的误差累积问题。
  • 劣势: 需要“从-到”变化样本,这通常难以获得,因为它们需要预先知道变化前后的土地覆盖类别。

基于深度学习的变化检测:

  • 特点: 利用深度学习网络,如卷积神经网络(CNN),进行特征学习和分类。
  • 优势: 强大的特征学习能力,可以处理复杂的图像变化。
  • 劣势: 需要大量的标注数据,并且模型训练可能需要较长时间和较高的计算资源。

三元变化检测(Ternary Change Detection, TCD):

  • 特点: 检测变化并将其分类为正面变化和负面变化。
  • 优势: 可以提供比传统二元变化检测更丰富的信息。
  • 劣势: 研究仍处于初级阶段,应用实例较少。

多重变化检测(Multiple Change Detection, MCD):

  • 特点: 可以检测不同类型的变化,但没有语义变化信息。
  • 优势: 能够区分多种变化类型。
  • 劣势: 不提供变化的具体类别信息,即“从-到”信息。

语义变化检测(Semantic Change Detection, SCD):

  • 特点: 不仅能检测不同的变化类别,还能提供变化类别的具体信息,即“从-到”信息。
  • 优势: 提供更详细的信息,适用于需要区分实际土地覆盖变化的不同类型变化。
  • 劣势: 实践中更复杂,需要更多的标注样本。
    在这里插入图片描述

未来研究方向:

根据文章的分析和以前的综述性文章,未来的研究方向可能包括:

  • 多源数据的MCD: 利用多源数据(如多模态和多时相数据)进行MCD,解决图像缺失或分辨率不一致的问题。

  • 长期时间序列图像的变化趋势分析: 使用长期时间序列的高分辨率图像观察变化趋势,为决策提供支持。

  • 弱监督MCD: 由于MCD的样本标注工作繁琐且耗时,研究基于弱标注样本的MCD方法具有重要意义。

  • 深度学习与传统方法的结合: 结合深度学习的强特征学习能力与传统方法的领域特定知识,可能会产生更准确和鲁棒的MCD方法。

  • 提高检测精度和鲁棒性: 研究新的算法和技术,以提高MCD在复杂场景下的精度和鲁棒性。

  • 实时和动态监测: 开发能够实时或近实时监测和分析地表变化的系统。

  • 跨学科应用: 探索MCD在不同领域的应用,如环境监测、城市扩张评估、灾害响应等。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/672800.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

AtCoder Regular Contest 179 (ABC题)视频讲解

A - Partition Problem Statement You are given integers N N N and K K K. The cumulative sums of an integer sequence X ( X 1 , X 2 , … , X N ) X(X_1,X_2,\dots ,X_N) X(X1​,X2​,…,XN​) of length N N N is defined as a sequence Y ( Y 0 , Y 1 , … , …

java收徒、java面试辅导、java辅导、java就业辅导

💗博主介绍:✌全网粉丝1W,CSDN作者、博客专家、全栈领域优质创作者,博客之星、平台优质作者、专注于Java、小程序技术领域和毕业项目实战✌💗 🌟文末获取源码数据库🌟 感兴趣的可以先收藏起来,还…

本机安装深度学习库cuda11.8,cudnn8.6和tensorRT8.5

https://blog.csdn.net/qq_46107892/article/details/131453019 首先是安装cuda11.8 wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pinsudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600wg…

Go 1.23新特性前瞻

2024年5月22日,Go 1.23版本[1]功能特性正式冻结,后续将只改bug,不增加新feature。 对Go团队来说,这意味着开始了Go 1.23rc1的冲刺,对我们普通Gopher而言,这意味着是时候对Go 1.23新增的功能做一些前瞻了&am…

面试(五)

目录 1. 知道大顶堆小顶端吗,代码怎么区分大顶端小顶端 2. 计算机中栈地址与内存地址增长方向相反吗? 3. %p和%d输出指针地址 4. 为什么定义第二个变量时候,地址反而减了 5. 12,32,64位中数据的占字节?…

DIYP对接骆驼后台IPTV管理,退出菜单中显示用户名已经网络信息,MAC,剩余天数,套餐名称等

演示:https://url03.ctfile.com/f/1779803-1042599473-4dc000?p8976 (访问密码: 8976) 后台加上EPG,增加一些播放源的动态端口替换。 前台app上,退出菜单中显示用户名已经网络信息,MAC,剩余天数,套餐名称…

网络原理——http/https ---http(2)

http(接上一篇文章) 认识请求报头"header" header里面的键值对,都是标准规定的内容,很多,我们主要是认识一些关键的 host 表示对应的服务器主机的IP / 域名 实际上,这两个通常来说是一样的 但是有些时候不一样 当我们通过代码构造http请求,url里面写的以Ip地址的…

企业使用人工智能创建营销内容的8种实践

企业使用人工智能创建营销内容的8种实践 原文作者:朱丽叶约翰 编辑:数字化营销工兵 内容营销人员是第一批从“只玩人工智能”转变为“在日常工作中使用人工智能”的人。为了了解人工智能内容创作的哪些部分影响最大,我询问了其他营销人员如…

论文阅读笔记(十一)——BioInformatics Agent (BIA)

论文阅读笔记(十一)——BioInformatics Agent (BIA): Unleashing the Power of Large Language Models to Reshape Bioinformatics Workflow 目录 论文阅读笔记(十一)——BioInformatics Agent (BIA): Unleashing the Power of Large Language Models to Reshape Bioinformatic…

2023年全国职业院校技能大赛(高职组)“云计算应用”赛项赛卷7(私有云)

#需要资源(软件包及镜像)或有问题的,可私聊博主!!! #需要资源(软件包及镜像)或有问题的,可私聊博主!!! #需要资源(软件包…

IP协议1.0

基本概念: • 主机: 配有IP地址, 但是不进⾏路由控制的设备; • 路由器: 即配有IP地址, ⼜能进⾏路由控制; • 节点: 主机和路由器的统称; IP协议的报头 • 4位版本号(version): 指定IP协议的版本, 对于IPv4来说, 就是4. • 4位头部⻓度(header length): IP头部的⻓…

微博增强-tampermonkey脚本实现网页管理悄悄关注

不是很明白微博为什么不出个x的列表功能,毕竟现在信息洪流,有些东西只是要看要了解,但不希望天天在首页轰炸眼睛,扰乱心智。 这个tampermonkey脚本适配了pc web和手机pwa版本(weibo.com/m.weibo.cn),解决了…

【LeetCode算法】第104题:二叉树的最大深度

目录 一、题目描述 二、初次解答 三、官方解法 四、总结 一、题目描述 二、初次解答 1. 思路:二叉树的先序遍历。首先判断根节点是否是空,其次判断根节点是否是叶子节点,再者递归获取左子树的深度、右子树的深度,最后返回左子…

设计模式(十二)行为型模式---模板方法模式(template)

文章目录 模板方法模式结构优缺点UML图具体实现UML图代码实现 模板方法模式 模板方法模式(Template Method)是一种基于继承实现的设计模式,主要思想是:将定义的算法抽象成一组步骤,在抽象类中定义算法的骨架&#xff…

HOW - BFF 服务实践系列(一)

目录 一、BFF 介绍1.1 BFF 的概念1.2 为什么需要 BFF1.3 举例说明 二、适用于Web前端的BFF应该提供哪些能力2.1 接口聚合(重要)2.2 简化和优化的API2.3 安全和身份验证(重要)2.4 缓存机制2.5 错误处理和重试机制2.6 数据格式转换2…

(ISPRS,2023)RS-CLIP: 基于对比视觉-语言监督的zero-shot遥感场景分类

文章目录 相关资料摘要引言方法CLIP回顾伪标签生成课程学习策略 实验数据集不同文本提示失败案例分析课程学习zero-shot分类 相关资料 论文:RS-CLIP: Zero shot remote sensing scene classification via contrastive vision-language supervision 摘要 零样本遥…

未来已来:Spring Boot引领数据库智能化革命

深入探讨了Spring Boot如何与现代数据库技术相结合,预测并塑造未来的数据访问趋势。本书不仅涵盖了Spring Data JPA的使用技巧,还介绍了云原生数据库的概念,微服务架构下的数据访问策略,以及AI在数据访问层的创新应用。旨在帮助开…

视频搬运的素材网站有哪些?打包好的视频素材在哪找?

短视频创作的朋友们,欢迎进入这个充满创意的世界!如果你曾为找不到合适的素材而苦恼,那么今天就让我为你介绍几个能够快速丰富你视频内容的素材平台。无论是为了搬运视频还是寻找灵感,下面这些网站都将是你的强力助手。特别地&…

lammps金刚石三棱锥刀具建模

大家好,我是小马老师。 本文介绍lammps三棱锥刀具建模方法。 lammps切削模拟的刀具形状有很多,如球形、锐角、钝角、三棱锥等刀具。 球形、锐角、钝角等刀具建模已经在公众号发过,本文介绍三棱锥的建模。 形状如下图所示: 主要原…

探索 Vue Devtools 4.0 的新世界!

大家好,我是前端宝哥。Vue Devtools 4.0 版本带来了一系列激动人心的新特性和改进,让我们一起来探索这些更新亮点! 宝哥省流版: 🛠 直接编辑组件数据,实时预览变更效果。⚙️ 快速编辑功能,一键…