通过潜在变化噪声建模的自动鲁棒相对辐射归一化
计算机视觉与模式识别
2021-11-25 v1 机器学习
摘要
同一地形不同卫星图像的相对辐射归一化（RRN）对于变化检测、目标分类/分割和地图制作任务是必要的。然而，传统的RRN模型不鲁棒，受到目标变化的干扰，而精确考虑目标变化的RRN模型无法鲁棒地获得无变化集。本文通过潜在变化噪声建模提出了自动鲁棒相对辐射归一化方法。它们利用先验知识，即在相对辐射归一化下无变化点具有小尺度噪声，而变化点在辐射归一化后具有大尺度辐射噪声，结合随机期望最大化方法，快速且鲁棒地提取无变化集以学习相对辐射归一化映射函数。这使得我们的模型在概率论和数学推导方面具有理论基础。具体来说，当我们选择直方图匹配作为相对辐射归一化学习方案，并与混合高斯噪声（HM-RRN-MoG）相结合时，HM-RRN-MoG模型取得了最佳性能。我们的模型具有鲁棒抵抗云/雾/变化的能力。我们的方法自然地生成了一个鲁棒的RRN评估指标，即无变化集均方根误差。我们将HM-RRN-MoG模型应用于后续的植被/水体变化检测任务，减少了无变化集上的辐射对比度和NDVI/NDWI差异，生成了一致且可比较的结果。我们将无变化集用于建筑物变化检测任务，有效地减少了伪变化并提高了精度。
引用
@article{arxiv.2111.12406,
title = {Auto robust relative radiometric normalization via latent change noise modelling},
author = {Shiqi Liu and Lu Wang and Jie Lian and Ting chen and Cong Liu and Xuchen Zhan and Jintao Lu and Jie Liu and Ting Wang and Dong Geng and Hongwei Duan and Yuze Tian},
journal= {arXiv preprint arXiv:2111.12406},
year = {2021}
}