时空分析：红色离去，蓝色新现！
18687 给本文评分:
3.5
时空分析：红色离去，蓝色新现！
Zachary Norman 2016年3月17日 星期四
从影像中获取额外信息的一个好方法是在分析或工作流程中加入时间维度的变化，这也是本篇博客的重点。时空分析具有一些潜在的有用应用，一个例子是尝试确定作物何时可以收割。另一个应用场景是利用时空分析来检测图像中物体出现或消失的位置。针对这个场景，我将概述我所创建的用于检测机场飞机出现或消失位置的工作流程。
我拥有的数据是覆盖里约热内卢某机场的五幅Worldview 2影像。下面是一张显示影像位置的环境图：
下面是一个动画，展示了数据系列中每幅影像的样子。注意，由于卫星姿态的变化，你可以看到影像左侧的建筑物发生了移动。这会在变化检测工作流程中引入一些误报，这一点可以在结果中看到。
为了对这些影像执行变化检测，我使用了基于像素的变化检测方法，这与"影像变化检测工作流"非常相似，但它是使用ENVI API和IDL编写的。我使用API进行这项分析的原因是其中涉及许多步骤，而且对于多幅影像，在IDL中创建工作流程比在ENVI Workbench中使用所有独立的工具要容易得多。以下是我执行分析所采用的方法：
1) 打开时间点一的影像和时间点二的影像，使用以下任务进行预处理：
辐射定标（用于获取大气顶层反射率） NNDiffusePanSharpening RPC正射校正 子集裁剪（使用ROI）
2) 将两幅影像配准，使用以下任务：
GenerateTiePointsByCrossCorrelation FilterTiePointsByGlobalTransform ImageToImageRegistration
3) 查找栅格的交集
通过以上步骤1和2，我们可能会得到时间点一和时间点二影像在尺寸上的差异。尽管这种尺寸变化很小，但如果影像没有完全相同的尺寸，基于像素的变化检测就无法进行。为了找到两幅栅格的交集并将每一幅重采样到相同的尺寸，我遵循了此处概述的示例，该示例使用了ENVIGridDefinition对象的交集方法。
4) 使用以下任务执行基于像素的变化检测（取自"影像变化检测工作流"）：
辐射归一化（将时间点二影像归一化到时间点一） ImageBandDifference AutoChangeThresholdClassification（Kapur阈值法） ClassificationSmoothing ClassificationAggregation
将上述变化检测流程应用于每对影像后，我生成了4幅变化检测结果图，结果如下所示。红色像素对应像素值下降，蓝色代表像素值增加。一个简单的记忆方法是"红色离去，蓝色新现"。请注意，由于卫星姿态的差异，在影像边缘周围有相当多的误报。除此之外，变化检测在发现飞机移动位置方面做得非常好。
