LR -CDI (a) GKI (c)LF&sEM WE Fig. 7 Final maps of the bern dataset through the threshold T 图7.Bemn数据集阈值分析结果图 False Alarm Rate (a) Complete curves Table 3 values of the evaluation criteria of the bern dataset through the threshold methods 3Bern数据集阈值分析结果指标评估值 Ottawa数据集对应三种方法的二值图及其评价指 标值如图8和表4所示 False Alarm Rate (b)Zoom of the curves 1g. 6 ROC curves of the change index images of the ottawa 图6. Ottawa数据集六种差异图的ROC曲线 Table 2 Values of AUC of change index of the ottawa dataset (a) GKI (b)EM (c)lF&seM 表2Owa数据集薹异图的AUC值 Fig 8 Final maps of the Ottawa dataset through the threshold IT 图8. Ottawa数据集阈值分析结果图 AUC0.98590.9852.99280.9967099600.9942 Table 4 values of the evaluation criteria of the ottawa dataset 从两组数据集的ROC曲线及其局部放大图可以 through the threshold methods 看出经过改进的几种方法的曲线部分更加靠近(0,1) 表4 Ottawa数据集阈值分析结果指标评估值 点,即改进后的差异图有获得更高正确率的潜力。而 从其分别的AUC值也可以看出这五种改进算法对两 LF&SEM 1183 种基本方法具有显著的改进效果,验证了融合策略和 模型距离算子的有效性。另外,由于NR差异图和 可以看出,近年的热点阈值分析方法都取得了较 WF差异图都是基于基本比值差异图的融合算法,故好的效果,均检测出了两组数据集变化区域的整体轮 相对于CDI差异图来说具有更好的性能。 廓,和标准参考图比较接近。从黑色背景区域上的白 33闻值法分析差异图实验对比结果 色错检点的数量可以看出,各个方法都有一定的去噪 这里使用前面介绍过的热点算法GKI、EM 能力。但是从表中可以看出,由于单纯使用KI或者 LF&SEM来分析LR差异图。三种算法均是基于灵活EM阈值的选择方法相对比较粗略,这些方法在不同 的GG模型。Bemn数据集对应四种方法的二值图及其的数据集表现出的性能好坏并不稳定。而LF&SEM 指标评价如图7和表3所示。 方法不但由于KC值优于其余方法而在分析精度方面 占用很大的优势,同时能在两组数据集中皆体现出这 种稳定的优势 34类法分析差异图实验对比结果 这里使用热点变化检测聚类算法 RFLICM和 MRFFCM,并把其和原始的FCM算法加以对比。Bern 数据集对应三种方法的二值图及其指标评价如图99 计 算 机 研 究 与 发 展 2015 年 0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1 False Alarm Rate Detection Rate LR MR CDI NR WF IT (a) Complete curves 0 0.02 0.04 0.06 0.08 0.1 0.9 0.92 0.94 0.96 0.98 1 False Alarm Rate Detection Rate LR MR CDI NR WF IT (b) Zoom of the curves Fig. 6 ROC curves of the change index images of the Ottawa dataset. 图 6. Ottawa 数据集六种差异图的 ROC 曲线 Table 2 Values of AUC of change index of the Ottawa dataset 表 2 Ottawa 数据集差异图的 AUC 值 LR MR CDI NR WF IT AUC 0.9859 0.9852 0.9928 0.9967 0.9960 0.9942 从两组数据集的 ROC 曲线及其局部放大图可以 看出经过改进的几种方法的曲线部分更加靠近(0,1) 点，即改进后的差异图有获得更高正确率的潜力。而 从其分别的 AUC 值也可以看出这五种改进算法对两 种基本方法具有显著的改进效果，验证了融合策略和 模型距离算子的有效性。另外，由于 NR 差异图和 WF 差异图都是基于基本比值差异图的融合算法，故 相对于 CDI 差异图来说具有更好的性能。 3.3 阈值法分析差异图实验对比结果 这里使用前面介绍过的热点算法 GKI、EM 和 LF&SEM 来分析 LR 差异图。三种算法均是基于灵活 的 GG 模型。Bern 数据集对应四种方法的二值图及其 指标评价如图 7 和表 3 所示。 (a) GKI (b) EM (c) LF&SEM Fig. 7 Final maps of the Bern dataset through the threshold methods. 图 7. Bern 数据集阈值分析结果图 Table 3 Values of the evaluation criteria of the Bern dataset through the threshold methods 表 3 Bern 数据集阈值分析结果指标评估值 FP FN OE KC GKI 513 56 569 0.7913 EM 435 69 504 0.8089 LF&SEM 106 176 282 0.8725 Ottawa数据集对应三种方法的二值图及其评价指 标值如图 8 和表 4 所示。 (a) GKI (b) EM (c) LF&SEM Fig. 8 Final maps of the Ottawa dataset through the threshold methods. 图 8. Ottawa 数据集阈值分析结果图 Table 4 Values of the evaluation criteria of the Ottawa dataset through the threshold methods 表 4 Ottawa 数据集阈值分析结果指标评估值 FP FN OE KC GKI 2708 323 3031 0.8942 EM 3909 321 4230 0.8565 LF&SEM 1183 947 2130 0.9216 可以看出，近年的热点阈值分析方法都取得了较 好的效果，均检测出了两组数据集变化区域的整体轮 廓，和标准参考图比较接近。从黑色背景区域上的白 色错检点的数量可以看出，各个方法都有一定的去噪 能力。但是从表中可以看出，由于单纯使用 KI 或者 EM 阈值的选择方法相对比较粗略，这些方法在不同 的数据集表现出的性能好坏并不稳定。而 LF &SEM 方法不但由于 KC 值优于其余方法而在分析精度方面 占用很大的优势，同时能在两组数据集中皆体现出这 种稳定的优势。 3.4 聚类法分析差异图实验对比结果 这里使用热点变化检测聚类算法 RFLICM 和 MRFFCM，并把其和原始的 FCM 算法加以对比。Bern 数据集对应三种方法的二值图及其指标评价如图 9