遥感影像变化检测：EM和BIC在阈值确定中的应用

"这篇文献探讨了遥感影像变化信息提取中的一种阈值确定方法，即基于EM（期望最大化）算法和BIC（贝叶斯信息准则）的直方图拟合方法。文章指出，确定差异图像上的变化阈值是遥感变化检测的关键步骤。通过变化向量分析获取变化强度图像，然后假设图像像素值遵循混合高斯分布模型，运用EM算法寻找最佳模型参数，并结合BIC准则确定阈值。实验表明，这种方法在自动确定变化阈值方面具有有效性。" 遥感影像变化信息提取是遥感技术的重要应用之一，它通过对不同时相的遥感图像进行分析，识别地表特征和环境状况的变化。变化检测是这个领域中的核心技术，它可以应用于城市扩张监测、灾害评估、森林覆盖变化等多种场景。 文献中提到的变化向量分析（Change Vector Analysis, CVA）是一种常用的变化检测方法，它通过计算两期图像同一位置像素值的差异，形成差异图像，以此揭示地表变化的区域。然而，如何从差异图像中准确地划分出不同变化类型的阈值是一个挑战。 为了克服这一问题，该文提出了基于EM算法和BIC准则的直方图拟合法。EM算法是一种在概率模型中估计参数的有效方法，尤其适用于处理混合分布，如混合高斯分布。在变化强度图像中，每个像素值可以被视为混合高斯分布的一个样本。通过EM算法，可以找到最能描述数据分布的混合高斯模型参数。 BIC（Bayesian Information Criterion）准则则用于模型选择，它在考虑模型复杂度的同时，评估模型对数据的拟合程度。在选择最佳的混合高斯模型后，利用贝叶斯判别准则，可以确定区分不同变化类型的阈值。 实验结果证明了这种基于EM和BIC的直方图拟合方法在自动确定变化阈值方面的优势，它有助于提高变化检测的精度和自动化程度。这种方法特别适用于多波段和高分辨率遥感影像的变化检测，能够更好地处理复杂地表条件下的变化信息。 这篇文献为遥感影像变化检测提供了一种新的阈值确定策略，通过结合统计模型和优化算法，提高了变化检测的可靠性和效率。这种方法对于推动遥感技术在环境监测、资源管理等领域的应用具有重要意义。