[论文解读] A Novel VHR Image Change Detection Algorithm Based on Image Fusion and Fuzzy C-Means Clustering

Rongcui Dong, Haoxiang Wang|arXiv (Cornell University)|Jun 22, 2017

Remote-Sensing Image Classification参考文献 7被引用 3

一句话总结

本文提出了一种新颖的超分辨率（VHR）图像变化检测方法，结合二维离散小波变换（2DDWT）对减法差分图与比值差分图进行融合，并利用模糊C均值（FCM）聚类生成二值化变化图。尽管利用频域融合增强了特征表示，但该方法仅达到中等精度，各测试集的Cohen's Kappa分数均低于0.55，表明由于差分图噪声较大以及FCM聚类在噪声环境下的鲁棒性不足，存在局限性。

ABSTRACT

This thesis describes a study to perform change detection on Very High Resolution satellite images using image fusion based on 2D Discrete Wavelet Transform and Fuzzy C-Means clustering algorithm. Multiple other methods are also quantitatively and qualitatively compared in this study.

研究动机与目标

• 为解决超分辨率（VHR）卫星影像中变化检测的挑战，传统低分辨率方法因数据复杂度和空间细节增加而失效。
• 通过使用二维离散小波变换（2DDWT）融合多种差分图（减法与比值）以保留互补的频域特征，提升变化检测精度。
• 评估FCM聚类在融合差分图上的表现，以生成VHR遥感中的二值化变化图。
• 与Otsu阈值法、K-Means聚类及基于超像素的深度学习方法进行比较，评估本方法的相对有效性。

提出的方法

• 该方法生成两张差分图：通过预后影像像素级相减生成减法图，通过像素级除法生成比值图。
• 对两张差分图分别应用二维离散小波变换（2DDWT），将其分解为表示不同频率分量的子带。
• 将减法图的低频分量与比值图的高频分量融合为单一频域图像，以结合其互补优势。
• 对融合后的频域图像应用逆向2DDWT，重建出具有增强结构细节的空间域融合差分图。
• 对融合差分图应用模糊C均值（FCM）聚类，通过标准FCM方程迭代更新聚类中心与隶属度。
• 将中心值最高的聚类分类为“变化”，其余分类为“未变化”，生成二值化变化图。

实验结果

研究问题

• RQ1 2D离散小波变换能否有效融合多种差分图（减法与比值）以提升VHR影像中的变化检测精度？
• RQ2 与传统阈值法和聚类方法相比，FCM聚类在融合差分图上的表现如何，特别是在高分辨率变化检测中？
• RQ3 频域融合的引入是否增强了VHR卫星影像中变化区域的可检测性？
• RQ4 当应用于噪声较大的高分辨率差分图时，FCM聚类存在哪些局限性？
• RQ5 本方法与基于超像素分割的神经网络等最先进方法相比，其定量表现如何？

主要发现

• 所提方法在测试集1上获得Cohen's Kappa为0.5400，表明性能中等，但在测试集2上下降至-0.0210，表明其可靠性较差。
• FCM聚类在测试集1上获得Kappa为0.5400，与K-Means（0.5131）相当，但在测试集2和3上表现均差，Kappa值均低于0.05。
• Otsu阈值法整体表现最差，在测试集2上Kappa为-0.0503，主要因其对噪声高度敏感且缺乏空间上下文信息。
• 基于超像素的方法在测试集1上获得最高Kappa（0.8119），但在测试集2上失败（Kappa = -0.2541），表明其在不同数据集间性能波动大。
• 通过2DDWT融合的差分图比加权平均融合更清晰，但对比度不足，导致分割困难。
• 研究结论指出，噪声差分图以及FCM聚类固有的噪声敏感性是主要局限，建议引入去噪处理或改进聚类策略。