[论文解读] A Joint Morphological Profiles and Patch Tensor Change Detection for Hyperspectral Imagery

Zengfu Hou, Wei Li|arXiv (Cornell University)|Jan 20, 2022

Remote-Sensing Image Classification被引用 4

一句话总结

该论文提出了一种新颖的联合形态轮廓与块张量变化检测（JMPT）方法，用于高光谱图像，通过基于块的张量重建和多尺度形态轮廓，联合利用空间-光谱特征，从而提升检测精度。该方法在两个真实数据集上实现了最先进性能，AUC得分分别为83.769%（Hermiston）和96.119%（Yancheng），尽管计算成本较高，但仍优于现有方法。

ABSTRACT

Multi-temporal hyperspectral images can be used to detect changed information, which has gradually attracted researchers' attention. However, traditional change detection algorithms have not deeply explored the relevance of spatial and spectral changed features, which leads to low detection accuracy. To better excavate both spectral and spatial information of changed features, a joint morphology and patch-tensor change detection (JMPT) method is proposed. Initially, a patch-based tensor strategy is adopted to exploit similar property of spatial structure, where the non-overlapping local patch image is reshaped into a new tensor cube, and then three-order Tucker decompositon and image reconstruction strategies are adopted to obtain more robust multi-temporal hyperspectral datasets. Meanwhile, multiple morphological profiles including max-tree and min-tree are applied to extract different attributes of multi-temporal images. Finally, these results are fused to general a final change detection map. Experiments conducted on two real hyperspectral datasets demonstrate that the proposed detector achieves better detection performance.

研究动机与目标

• 为解决传统变化检测方法在完全利用多时相高光谱图像中空间与光谱相关性方面的局限性。
• 克服现有单波段或多波段算法中因降维导致的光谱信息损失问题。
• 开发一种在保持高光谱数据三维结构的同时，增强特征表示以提升变化检测性能的方法。
• 整合形态轮廓与基于张量的重建，以更好地捕捉局部空间结构与光谱变化。
• 实现更高的检测精度以及变化与未变化像素之间更好的可分性。

提出的方法

• 采用基于块的张量策略，将非重叠的局部图像块重塑为3D张量立方体，以保持空间结构。
• 对张量立方体应用三阶Tucker分解，以提取低秩表示并重建鲁棒的多时相高光谱数据。
• 计算多种形态轮廓（包括最大树和最小树），以从重建数据中提取拓扑与强度特征。
• 将形态轮廓与张量重建特征融合，生成最终的变化检测图。
• 通过结合形态分析与基于张量的降维及重建，同时利用光谱变化与空间上下文信息。
• 该框架设计为双流管道系统，在融合前并行处理空间与光谱特征。

实验结果

研究问题

• RQ1 联合处理形态轮廓与块张量表示是否能提升高光谱图像中的变化检测精度？
• RQ2 通过张量分解保持高光谱数据的3D结构，与2D展开相比，如何增强特征表示？
• RQ3 最大树与最小树形态轮廓在多大程度上提升了变化与未变化像素之间的可分性？
• RQ4 与最先进方法相比，所提出的JMPT方法在AUC与计算效率方面表现如何？
• RQ5 基于张量的重建与形态特征融合是否能更好地抑制背景噪声并突出真实变化？

主要发现

• 在Hermiston数据集上，JMPT方法实现了83.769%的AUC，优于所有对比方法，包括TDRD（80.215%）和SALA（80.445%）。
• 在Yancheng数据集上，JMPT实现了最高的AUC（96.119%），显著超过TDRD（95.275%）和SALA（95.004%）。
• 统计可分性分析表明，JMPT方法下变化（红色）与未变化（蓝色）像素分布之间的间隔最大，表明其具有更优的类别可分性。
• ROC曲线显示，JMPT的曲线始终最接近左上角，证实其在两个数据集上均表现出更优的检测性能。
• 该方法计算成本较高，执行时间分别为190.62秒（Hermiston）和49.40秒（Yancheng），主要源于形态特征提取与Tucker分解。