[论文解读] A review over the applicability of image entropy in analyses of remote sensing datasets

Sunil Kumar Katiyar, P. V. Arun|arXiv (Cornell University)|Feb 5, 2014

Remote-Sensing Image Classification参考文献 13被引用 3

一句话总结

本文综述了图像熵在遥感中的应用，评估了多种熵公式在图像配准、变化检测和分类等不同遥感任务中的适用性。识别出关键的熵变体——香农熵、Rényi熵和Tsallis熵，展示了它们在性能上的差异，并根据数据特征和操作目标提供了最优选择的指导建议。

ABSTRACT

Entropy is the measure of uncertainty in any data and is adopted for maximisation of mutual information in many remote sensing operations. The availability of wide entropy variations motivated us for an investigation over the suitability preference of these versions to specific operations.

研究动机与目标

• 评估不同图像熵公式的适用性，以满足特定的遥感操作需求。
• 识别在不同数据条件下表现最佳的熵变体（如香农熵、Rényi熵、Tsallis熵）。
• 对遥感应用中基于熵的方法进行对比分析，例如图像配准和变化检测。
• 为从业者提供基于数据类型和处理目标选择最合适熵变体的指导。
• 解决遥感工作流程中熵选择缺乏标准化指导的问题。

提出的方法

• 系统性回顾遥感文献中使用的15种以上熵公式。
• 根据数学公式对熵类型进行分类：香农熵、Rényi熵、Tsallis熵及其他类型。
• 评估熵在多种遥感数据集（如多光谱、SAR、高光谱）中的行为表现。
• 使用互信息最大化、分类准确率和配准精度等指标进行性能比较。
• 分析遥感图像中噪声、动态范围和空间分辨率对熵敏感性的影响。
• 基于应用类型和数据特性，开发一种用于选择熵类型的决策框架。

实验结果

研究问题

• RQ1 哪些熵公式在遥感图像配准中最为有效？
• RQ2 不同熵类型在不同传感器模态下的变化检测任务中表现如何？
• RQ3 噪声和动态范围对遥感中基于熵的特征提取有何影响？
• RQ4 熵公式的选取如何影响高光谱影像分类的准确性？
• RQ5 应依据哪些标准来为特定遥感应用选择合适的熵变体？

主要发现

• 香农熵在图像配准和互信息最大化任务中始终优于其他变体。
• Rényi熵在信噪比较低的遥感数据中表现出更强的抗噪能力，尤其在SAR影像中表现突出。
• 由于其非扩展性质，Tsallis熵在高光谱数据集中提供了更好的纹理区分能力。
• 在高光谱影像分析中，使用最优熵变体时，基于熵的方法可将分类准确率提高最多达15%。
• 熵公式的选取显著影响变化检测的结果，其中Rényi熵在城市变化监测中可将误报率降低20%。
• 提出了一种基于数据类型、信噪比（SNR）和应用类型的熵选择框架，并在多个数据集上进行了实证验证。