python 高光谱变化检测

### 使用 Python 实现高光谱变化检测

#### 高光谱变化检测概述
高光谱变化检测旨在通过比较不同时间点获取的高光谱影像，识别出场景中的变化区域。这种方法广泛应用于环境监测、农业管理等领域。

#### 常见方法与库介绍
为了实现这一目标，在 Python 中可以利用多种工具和技术：

- **Scikit-image** 提供了丰富的图像处理功能，可用于预处理和分析高光谱数据集[^1]。
- **Spectral Python (SPy)** 是专门针对高光谱数据分析设计的一个强大库，能够执行诸如波段选择、分类等任务[^2]。
- **OpenCV** 虽然主要用于计算机视觉领域，但对于某些特定类型的变换也有很好的支持作用[^3]。

#### 示例代码展示
下面给出一段简单的例子，说明如何加载两个不同时刻的高光谱图像并计算它们之间的差异图：

import numpy as np
from spectral import open_image, save_rgb
from scipy.spatial.distance import euclidean

def load_hsi(file_path):
    """Load hyperspectral image."""
    img = open_image(file_path).load()
    return img

def calculate_change_map(img_t0, img_t1):
    """
    Calculate change map between two HSI images.
    
    Parameters:
        img_t0 : ndarray
            First time point of the HSI data cube.
        img_t1 : ndarray
            Second time point of the HSI data cube.

    Returns:
        diff_img : ndarray
            Difference image representing changes over time.
    """
    shape = img_t0.shape[:2]
    diff_img = np.zeros(shape)

    for i in range(shape[0]):
        for j in range(shape[1]):
            pixel_diff = euclidean(img_t0[i,j], img_t1[i,j])
            diff_img[i][j] = pixel_diff
            
    max_val = np.max(diff_img)
    min_val = np.min(diff_img)
    normalized_diff_img = (diff_img - min_val)/(max_val-min_val)*255
    
    return normalized_diff_img.astype(np.uint8)

if __name__ == "__main__":
    # Load HSIs at different times
    hsi_t0 = 'path_to_first_time_point.hdr'
    hsi_t1 = 'path_to_second_time_point.hdr'

    img_t0 = load_hsi(hsi_t0)
    img_t1 = load_hsi(hsi_t1)

    # Compute and visualize difference
    diff_img = calculate_change_map(img_t0, img_t1)
    save_rgb('change_detection_result.png', diff_img)

此脚本首先定义了一个函数 `calculate_change_map` 来量化两幅图片间的欧氏距离作为变化程度度量标准；接着读取两张HIS文件，并调用上述函数得到最终的变化地图；最后保存结果为RGB格式以便于查看效果。