基于变分法与Markov随机场模糊局部信息聚类法的SAR影像变化检测

为了提高合成孔径雷达(synthetic aperture radar,SAR)影像变化检测的精度,提出一种基于变分法与马尔可夫随机场模糊局部信息聚类(Markov random field fuzzy local information C-means clustering,MRFFLICM)的SAR影像变化检测方法。首先融合对数比影像和对数均值比影像来构建差异影像;然后采用变分去噪模型去除差异影像的噪声;最后利用马尔可夫随机场将空间邻域信息引入到模糊局部信息C均值聚类算法中,提高聚类的性能。对两组不同时相真实SAR影像数据进行对比实验,结果表明,提出的变分去噪方法能够避免去除微小变化区域,有效抑制SAR影像的斑点噪声,同时MRFFLICM方法可以有效提高变化检测的精度,提升了变化检测方法的适应性。     

利用最小交叉熵的多时相影像变化检测

针对目前多时相遥感影像变化检测中缺少有效的确定变化阈值方法的问题,文章提出一种基于最小交叉熵的方法:采用中值滤波方法分别消除两个时相遥感影像中的噪声;将比值法和差值法融合构造两个时相遥感影像的差异影像;通过最小交叉熵确定差异影像的最佳变化阈值,并对差异影像进行分割得到变化区域;最后对变化检测精度进行评估。实验结果表明,提出的方法具有较高的检测精度,是一种有效的多时相遥感影像变化检测方法。     

联合显著性和多方法差异影像融合的遥感影像变化检测

针对高空间分辨率遥感影像地物复杂、传统变化检测方法漏检率高的问题,提出了一种联合显著性和多方法差异影像融合的多时相遥感影像变化检测方法。选取3组双时相高空间分辨率遥感影像作为实验数据,首先分别采用变化矢量分析(change vector analysis,CVA)和光谱斜率差异(spectral gradient difference,SGD)两种方法对两个时相遥感影像进行对应的差异影像构造;然后通过基于聚类的联合显著性方法分别获取两幅差异影像的联合显著性图;最后,将两幅联合显著性图进行融合得到联合显著性差异图,并采用大津法(OTSU)对联合显著性差异图进行阈值分割和闭运算得到最终变化图。实验表明,该方法的总体精度(overall accuracy,OA)、Kappa系数和F-measure精度优于传统方法,可靠性强,具有很高的准确性。     

基于空间模糊C均值聚类和贝叶斯网络的高分一号遥感影像变化检测

在目前经典的变化检测算法中,后验概率空间变化向量分析(CVAPS)方法广泛用于遥感影像的变化检测。然而,基于支持向量机(SVM)的CVAPS法无法有效处理高分一号影像中等分辨率遥感影像中的混合像元问题,且难以有效保证变化检测的精度。因此,本文通过引入空间信息,使用空间模糊C均值聚类(Spatial Fuzzy C Means, SFCM)有效地实现高分一号影像混合像元的分解,并结合简单贝叶斯网络(SBN),提出一种新的后验概率空间变化向量分析法SFCM-SBN-CVAPS。实验结果表明,本文算法的总体精度和Kappa系数均高于基于普通模糊C均值聚类(Fuzzy C Means, FCM)的CVAPS算法,且耗时更短,本文所提出的算法有助于提高遥感影像变化检测的精度和效率。     

改进的区间二型模糊聚类遥感影像变化检测

遥感影像的复杂模糊性问题会干扰影像变化检测的结果,可引入区间二型模糊C均值聚类算法解决此问题,但算法参数的随机性导致检测结果不稳定。本文首先利用局部最优解优化萤火虫算法中的候选解,引入可变步长因子,以此自适应寻优区间二型模糊C均值聚类算法的模糊因子;然后结合寻优得到的模糊因子进行区间二型模糊C均值聚类,迭代更新隶属区间提取变化信息;最后通过基于复合梯形法则的加权Karnik-mendel算法降型和解模糊优化聚类中心,依据最大隶属度原则判断变化类型。通过试验验证,本文方法得到更优模糊因子和更精确的聚类中心,具有更好的稳健性,变化检测精度得到提高,检测得到的变化区域更加精细。     

粒子群算法及多阈值指数熵的遥感影像变化检测方法研究

在遥感影像检测中,一般采用多变化阈值来提高检测精度,但会导致运算量的增加。为解决该问题,提出利用粒子群算法及多阈值指数熵的遥感影像变化检测新方法。首先采用影像差值法构造差异影像;然后提出利用粒子群和多阈值指数熵的遥感影像分割方法,并将其用于对差异影像进行分割获取变化区域;最后对选取的实验数据进行变化检测,并与基于模糊C均值、双阈值指数熵、三阈值指数熵的非监督变化检测方法进行比较。实验结果显示,提出的变化检测方法其精度为94.77%,本案方法是一种有效地、可靠的遥感影像变化检测方法。     

基于PCA的变化向量分析法遥感影像变化检测

为实现对土地覆盖变化的遥感监测,研究了一种基于不同年份单时相遥感数据提取差异影像、自动确定变化阈值提取变化区域的新方法。以南通市Landsat8 OLI影像为例,对2期影像分别进行主成分分析(principal component analysis,PCA);取前3个主分量进行变化向量分析(change vector analysis,CVA),构造变化检测差异影像,并与传统PCA法和CVA法构造的差异影像进行对比;对3景差异影像分别用传统全局阈值法和局部最小错分概率法自动确定阈值,分别提取变化区域,得到6景变化区域图。利用目视解译样点进行精度评价的结果表明,改进后的基于PCA的CVA法提取的变化区域总体精度可达92.78%,Kappa系数可达0.842 6,证明使用该方法可有效地进行不同年份单时相遥感数据的变化检测。     

面向对象的多特征分级CVA遥感影像变化检测

变化矢量分析CVA方法在中低分辨率遥感影像变化检测中已得到广泛应用,但由于高分辨率遥感影像存在不同地物尺度差异大、不同类别地物光谱相互重叠的问题,因此对于高分影像的变化检测具有局限性。为提高高分影像变化检测精度,提出了一种面向对象的多特征分级CVA变化检测方法,首先,利用基于区域邻接图的影像分割方法分别对两时相遥感影像进行多尺度分割,提取分割图斑的光谱、纹理和形状特征;然后,在各级尺度下,分别运用随机森林方法进行特征选择,计算CVA变化强度图;最后,根据信息熵对多级变化强度图进行自适应融合,利用Otsu阈值法检测变化区域,并与仅考虑光谱特征的分级CVA变化检测方法、像元级多特征CVA变化检测方法以及仅考虑光谱特征的像元级CVA变化检测方法进行比较分析。实验表明:与比较方法相比,本文方法的变化检测精度较高,误检率和漏检率较低。     

基于融合和IFLICM算法的非监督遥感影像变化检测

提出了一种基于多尺度小波融合和改进的非监督模糊聚类的多光谱遥感影像变化检测方法。该算法解决了目前很多算法造成虚警率较高,而且未能充分利用像元之间空间关系的问题。首先利用二维离散小波（DWT）多尺度分解的方式来构造差异图,通过对两种小波分解系数融合的方式来抑制噪声点和突出变化区域。考虑到像元之间的空间位置信息,在融合后的基础上采用改进的模糊局部信息聚类（IFLICM）的方法得到变化检测结果。对两个时相的多光谱遥感卫星影像进行变化检测试验,试验表明基于融合的变化检测结果精度更高,并且改进后的聚类算法效果比其他聚类算法效果更好。     

线性迭代聚类和主成分分析的遥感影像变化检测

针对像素级变化检测方法对高空间分辨率遥感影像进行变化检测时存在检测结果过于细碎、错检和漏检过多等问题,该文提出一种结合简单线性迭代聚类(SLIC)和主成分分析(PCA)的对象级遥感影像变化检测方法。该方法首先采用SLIC算法分别对两期遥感影像进行分割得到超像素并标记颜色;然后采用PCA法对分割标记图进行降维并采用差值运算方法对两期分割标记图进行处理得到差异图;最后采用OTSU法对差异图进行二值分割得到最终的变化检测结果。为了验证实验结果,选取两组多时相遥感影像作为实验数据。实验结果表明,该方法得到的变化检测精度分别达到95.96%和91.9%,是一种可行的变化检测方法。     

高分辨率遥感影像超像素的模糊聚类分割法

传统模糊C均值聚类在影像分割中只考虑影像的灰度特征,导致该算法用于高空间分辨率遥感影像分割时分割结果不理想。针对该问题,本文提出了一种高分辨率遥感影像超像素的模糊聚类分割方法。该方法首先利用分水岭变换算法产生多个超像素子区域;然后比较各个子区域间光谱特征的相似性;最后利用融合光谱特征的模糊C均值聚类对这些超像素子区域进行合并。试验选用4组不同场景的遥感影像,采用定性和定量相结合的方法评价试验结果。试验结果表明,该方法有效提高了分割区域的分割精度,并取得了较好的分割视觉效果。     

面向对象的高分辨率遥感影像建设用地变化监测

建设用地变化监测对城市可持续发展具有十分重要的意义,为准确提取建设用地的变化信息,本文提出了一种结合旧时期土地利用矢量数据、随机森林及模糊C均值聚类算法的建设用地变化监测方法。首先基于旧时期土地利用矢量数据,将建设用地变化监测分为建成区与非建成区建设用地变化监测;然后进行面向对象分割、基于对象遥感影像光谱、GLCM纹理及形状特征提取;最后针对不同场景,结合随机森林或模糊C均值聚类算法进行变化监测。试验结果验证了在旧时期土地利用矢量数据的辅助下,所提方法有效提高了复杂场景下建设用地的变化信息提取精度。     

面向对象的遥感影像变化检测方法

针对变化检测区域内变化区域与未变化区域面积比例较低时,通过常规的阈值计算无法在变化检测中确定准确的变化阈值问题,该文提出了一种带样本选择的面向对象遥感影像变化检测方法。该方法首先对多时相遥感影像进行多尺度分割获取像斑,并采用变化向量分析法计算像斑的差异度;然后,自适应选择训练样本,结合基于期望最大化算法和贝叶斯最小误差率理论的阈值计算方法,采用独立阈值法确定变化阈值;最后,利用变化阈值对差异影像进行二值分割,并获取变化检测结果。实验结果表明该文方法在变化检测精度上优于常规方法。     

多特征融合的高分辨率遥感影像飞机目标变化检测

为利用高分辨率遥感影像实现高精度的飞机目标变化检测,提出了一种自适应的多特征融合变化检测与深度学习相结合的方法。首先,通过加权迭代的多元变化检测法获取变化强度图,并结合自适应的直方图统计法自动获取显著的变化与不变化样本;然后,提取多时相影像的光谱、边缘和纹理特征,完成多特征融合的变化检测,并通过形态学处理得到变化图斑;最后,利用训练的NIN(Network in Network)结构的卷积神经网络飞机识别模型,完成变化图斑的类型判别,实现变化飞机的检测。实验结果表明,本文方法在两组数据的正确率分别达到100%和91.89%,均优于对比方法,能实现准确可靠的飞机目标变化检测。     

A Kernel-Based Similarity Measuring for Change Detection in Remote Sensing Images

This paper presents a kernel-based approach for the change detection of remote sensing images. It detects change by comparing the probability density (PD), expressed as kernel functions, of the feature vector extracted from bi-temporal images. PD is compared by defined kernel functions without immediate PD estimation. This algorithm is model-free and it can process multidimensional data, and is fit for the images with rich texture in particular. Experimental results show that overall accuracy of the algorithm is 98.9%, a little bit better than that of the change vector analysis and classification comparison method, which is 96.7 and 95.9% respectively.     

一种利用Mask R-CNN的遥感影像与矢量数据配准方法

遥感影像数据与地理信息系统（geographic information system,GIS）矢量数据的配准是遥感与GIS集成的基础。目前遥感影像与矢量数据的配准关键在于遥感影像特征的提取,而现有遥感影像特征提取方法存在特征提取不完整、配准失败和精度不高等问题。由此提出了一种基于Mask R-CNN（region-based convolutional neural network）的遥感影像与矢量数据配准方法,首先,利用Mask R-CNN模型提取影像的道路交叉口作为影像控制点; 然后,依据几何拓扑关系筛选矢量数据道路交叉口作为矢量控制点,再根据遥感影像与矢量数据控制点的欧氏距离确定同名控制点;最后,以同名控制点为基础实现遥感影像与矢量数据的配准。选取上海市矢量数据和高分二号影像数据进行配准实验,实验结果表明, 所提方法鲁棒性强、精度高。     

面向对象的遥感变化检测研究

通过分析传统的遥感变化检测方法存在的问题,提出了面向对象的遥感变化检测方法。本文利用某地ETM+两个时相的遥感影像,将面向对象和传统变化检测方法进行定性定量的比较,从而得出面向对象的遥感变化检测方法的优势。该方法采用了基于相邻影像区域合并异质性最小的面向对象的多尺度分割方法和模糊分类的方法对变化检测图像进行处理,从而提高了变化检测结果的精度。最终得到较理想的实验分析结果。     

顾及纹理特征贡献度的变化影像对象提取算法

遥感影像变化检测是全球变化研究的重要内容。基于两期遥感影像的变化检测方法存在数据条件要求苛刻、难以充分利用快速发展的多源遥感影像数据等问题。目前许多变化检测的参考数据中包含了一期分类矢量数据,矢量数据中往往包含了位置、形状、大小和类别属性等先验信息,充分利用这些先验信息将可提高变化检测精度。提取变化影像对象是结合矢量数据和遥感影像进行变化检测的核心步骤。本文提出了一种顾及纹理特征贡献度的变化影像对象提取方法。该方法利用矢量数据分割遥感影像,获取影像对象,计算影像对象纹理特征值。根据信息增益原理计算纹理特征参数的特征贡献度,选择特征参数。由贡献度指数大小确定纹理特征参数权重,计算影像对象与先验要素类别的相似度系数,提取变化影像对象。试验结果表明,基于纹理特征贡献度的特征参数选择,能有效地提高变化影像对象提取结果的精度。