[论文解读] Soft Computing Techniques for Change Detection in remotely sensed images : A Review

Madhu Khurana, Vikas Saxena|arXiv (Cornell University)|Jun 2, 2015

Remote-Sensing Image Classification参考文献 22被引用 8

一句话总结

本文综述了用于遥感图像变化检测的软计算技术，重点讨论了神经网络、模糊逻辑和进化算法。按学习技术对方法进行分类，并表明混合软计算方法在复杂、噪声较多的遥感数据中显著提升了检测精度和鲁棒性。

ABSTRACT

With the advent of remote sensing satellites, a huge repository of remotely sensed images is available. Change detection in remotely sensed images has been an active research area as it helps us understand the transitions that are taking place on the Earths surface. This paper discusses the methods and their classifications proposed by various researchers for change detection. Since use of soft computing based techniques are now very popular among research community, this paper also presents a classification based on learning techniques used in soft-computing methods for change detection.

研究动机与目标

• 提供对软计算技术在遥感图像变化检测中应用的全面综述。
• 根据软计算框架中使用的学习技术对现有方法进行分类。
• 识别当前基于软计算方法进行变化检测的空白与挑战。
• 突出混合软计算模型相较于传统方法在处理噪声和非线性变化方面的优势。
• 通过总结该领域的趋势、局限性和潜在方向，为未来研究提供指导。

提出的方法

• 本文对基于软计算技术进行变化检测的同行评审文献进行了系统性综述。
• 根据底层学习机制对方法进行分类：神经网络、模糊逻辑、进化算法和混合模型。
• 分析软计算框架内方法论组件，如特征提取、阈值设定和分类策略。
• 评估软计算与图像处理流程（包括预处理和后处理步骤）的集成。
• 比较不同研究中的性能指标，重点关注精度、鲁棒性和计算效率。
• 强调自适应学习和非线性建模在提升复杂遥感数据中变化检测性能方面的作用。

实验结果

研究问题

• RQ1 在遥感图像变化检测中，主导的软计算技术有哪些？
• RQ2 不同基于学习的软计算方法在精度和鲁棒性方面如何比较？
• RQ3 在遥感变化检测中应用软计算面临哪些关键挑战？
• RQ4 混合软计算模型相较于单一技术如何提升性能？
• RQ5 该领域当前的局限性和开放研究方向是什么？

主要发现

• 基于神经网络的方法由于其非线性建模能力，在检测细微和复杂变化方面表现优异。
• 模糊逻辑方法在处理多时相图像数据中的不确定性和不精确性方面非常有效。
• 进化算法在最优阈值选择和特征子集选择方面有贡献，从而提高了检测精度。
• 结合多种软计算技术的混合模型在不同实验设置中始终优于单一方法。
• 将软计算与图像预处理和后处理相结合，显著提升了整体检测的可靠性与抗噪能力。
• 尽管已有进展，计算成本、可扩展性以及在不同地表覆盖类型和传感器平台间的泛化能力方面仍存在挑战。