MDL准则与EM算法在多光谱遥感影像变化检测中的应用

"基于MDL准则和EM算法的多光谱遥感影像变化检测 (2013年)"，这篇论文探讨了如何提高多光谱遥感影像变化检测的精度，尤其是在实际应用中由于地物类型难以确定导致的问题。研究者提出了一种结合最小描述长度（Minimum Description Length, MDL）准则与期望最大化（Expectation Maximization, EM）算法的方法。 在遥感影像变化检测中，多光谱影像通常包含了丰富的地物信息，但地物类型的不确定性会降低检测的准确性。为解决这一问题，论文首先采取主成分变换（Principal Component Analysis, PCA）与相关系数融合法来构建差异影像，这种方法能够提取影像中的关键特征，减少冗余信息，同时考虑不同波段之间的相关性，从而增强影像对比度，便于后续分析。 接下来，研究者运用一个分支数为k的高斯分布混合模型（Gaussian Mixture Model, GMM）对构建的差异影像进行建模。GMM是一种有效的概率模型，尤其适用于描述复杂的数据分布，它可以将差异影像的像素点视为由多个高斯分布组合而成。通过EM算法，可以自适应地估计模型的各个参数，包括各高斯分量的均值、方差以及混合权重，从而更准确地捕捉影像中的变化区域。 在模型建立后，论文引入了基于统计最小错误率的贝叶斯判别准则（Bayesian Decision Theory with Minimum Error Rate, BDMER）来确定变化检测的阈值。贝叶斯判别准则利用先验概率和似然函数，计算出每个像素点属于变化或未变化类别的后验概率，进而设定最优阈值，以最大程度减少分类错误。 实际遥感数据的验证结果显示，这种结合MDL准则和EM算法的变化检测方法在多光谱遥感影像中表现出良好的可行性和有效性。该方法不仅提高了检测精度，而且具有较强的适应性，对于实际应用具有重要的价值。 关键词：遥感影像处理；变化检测；EM算法；MDL准则 该论文属于工程技术领域，尤其在遥感图像处理和信号处理方面有显著的贡献。通过MDL和EM算法的结合，论文提供了一种新的思路来解决遥感影像变化检测中的挑战，对于未来遥感数据分析和应用有着积极的推动作用。