基于混合高斯密度模型和空间上下文信息的遥感影像变化检测方法及扩展

在运用混合高斯密度模型对差分影像建模的基础上,分别采用顾及上下文信息的概率松弛迭代法和马尔可夫随机场模型法进行影像的变化检测.首先,提出一种运用遗传K均值算法与EM算法联合解算高斯混合密度模型参数的方法,该方法可以自动地解算出模型的统计参数,结果与手工选择样本的解算结果完全一致.然后,比较概率松弛迭代法以及马尔可夫随机场模型法的影像变化检测效果,得出基于模拟退火法的马尔可夫随机场法效果较好的结论.最后,对传统的基于模拟退火法的马尔可夫随机场方法进行改进,提出了一种变权马尔可夫随机场方法,检测结果能更好地保持影像的结构性,并有效去除了孤立噪声.     

纹理特征向量与最大化熵法相结合的SAR影像非监督变化检测

合成孔径雷达(SAR)影像具有明显的斑点噪声,在变化检测中,一般需要考虑空间邻域信息。本文结合SAR影像丰富的纹理信息,提出一种考虑空间邻域信息的高分辨率SAR影像非监督变化检测方法,用基于灰度共生矩阵(GLCM)的32维纹理特征向量构造差异影像。通过最大化熵法自动选取阈值,对精度指标随窗口大小的变化进行回归分析,得到适合于变化检测的窗口为11×11。试验表明,本文方法优于马尔科夫随机场法,可以减小斑点噪声的影响,有效提高高分辨率SAR影像变化检测的精度。     

基于马尔可夫随机场的模糊c-均值遥感影像分类

针对模糊c-均值聚类方法对初始值敏感,且在聚类时忽略空间相关信息的不足提出一种基于马尔可夫随机场的模糊c-均值聚类方法,该方法用马尔可夫随机场来描述像元的空间相关性,形成顾及空间相关的模糊c-均值分类方法。初始值依据第一主成分的密度函数确定,既克服对初始值的依赖性,又在聚类的时候考虑空间相关信息。通过实例数据验证,所提出的方法分类精度优于传统的模糊c-均值模型。     

基于马尔可夫随机场的大面积遥感影像聚类初值化问题

马尔可夫随机场聚类模型,是利用混合像元所描述物体的时间和空间上的信息,来提高遥感影像的分类精度,例如多光谱偏振合成孔径雷达(SAR)影像。然而,这种影像的分类太过于依赖初始条件的选择,如分类种数和种类参数的选择。本文将会介绍一种基于MRF聚类模型的遥感影像分类的初值化方法。其适当的初始聚类参数来自一系列相似的区域,种类数目的估计由PLIC得到。适用于由许多大面积相似的区域组成的影像,例如农业收获区域。实验采用荷兰Flevoland地区的偏振SAR影像,结果表明比其它方法如模糊C-means和ICM聚类算法好。     

一种改进的变权重MRF遥感图像变化检测方法

基于马尔科夫随机场(Markov Random Field,MRF)模型下的遥感图像变化检测因固定组合能量函数导致的边缘分割模糊问题,提出了一种改进的变权重MRF遥感图像变化检测方法。该方法首先通过模糊C均值(Fuzzy C-means,FCM)算法对差值图像进行聚类分割,并依此分割结果作为变权重MRF的初始分割条件进行最终的分割;最后对分割结果进行掩膜处理,得到最终的变化检测结果。采用真实遥感影像进行对比实验,结果表明所提方法变化检测精度更高,边缘检测更加平滑,区域一致性更好。     

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。     

模糊C均值聚类的波段修正法变化检测

针对遥感影像变化检测中同物异谱、异物同谱导致的波段间敏感性差异、孤立噪声干扰等问题研究的不足,文章提出了一种基于模糊C均值聚类的波段修正法变化检测算法:采用差值/比值复合法构造分波段对比差异影像,增强了复合影像的振幅及结构信息;基于差异影像的邻域熵权修正多波段联合的邻域互信息量建立修正影像,较好整合了影像不同波段间的反射差异和邻域空间信息;最后利用改进的模糊C均值算法对修正影像进行变化检测。多组实验结果表明,波段修正法缓解了单波段敏感性差异对变化检测的影响,有效避免了局部最优、孤立噪声干扰等问题,检测结果更接近客观实际。     

基于马尔科夫随机场与模糊C均值的遥感影像分类

模糊C均值聚类是一种经典的非监督聚类模型,成功地应用于遥感影像分类。但是该方法对初始值敏感,容易陷入局部最优解;同时聚类时仅考虑光谱信息,忽略了空间信息。本文提出了一种新的基于马尔科夫随机场的模糊C均值聚类方法,该方法把马尔科夫随机场和模糊C均值结合在一起。初始值依据第一主成分的密度函数确定,这样克服了对初始值的依赖性,又在聚类的时候考虑了空间信息。通过实例数据验证,所提出的方法分类精度优于传统的模糊C均值模型。     

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。     

结合变化向量分析和直觉模糊聚类的遥感影像变化检测方法

针对多时相遥感影像变化检测存在数据不确定性、检测精度不高等问题，提出了一种结合变化向量分析（CVA）和直觉模糊C均值聚类算法（IFCM）的多时相遥感影像变化检测方法. 首先通过CVA构建两个时相遥感影像的差异影像；然后采用直觉模糊C均值聚类算法对差异影像进行聚类得出变化区域和未变化区域；最后对变化检测结果进行二值化处理并进行精度评价. 选取两个时相的高分一号遥感影像和Szada数据集影像作为实验数据. 实验结果表明，采用提出的方法可有效解决传统方法存在的数据不确定性问题，变化检测精度达到了95.92%和92.70%，是一种可行的遥感影像变化检测方法. 研究结果可用于森林动态变化监测、土地复垦利用规划变化分析以及灾损评估.      

一种基于卷积神经网络的SAR变化检测方法

为了降低合成孔径雷达(SAR)影像中相干斑对变化检测的影响、减少标注样本的人工成本,该文发展了一种联合分层模糊C均值聚类(FCM)与卷积神经网络的非监督SAR变化检测方法。首先,利用邻域均值比算子计算前后时相的差异图,并利用分层FCM将差异图非监督地初始分割为变化类、非变化类及待确定类别像素;然后,为解决非监督选取样本时出现的样本不均衡问题,提出一种频率不变降采样的数据抽样方法,选取高置信度的变化与非变化样本用于网络训练;最后,利用训练完成的神经网络对待确定类别像素进行分类,得到最终变化结果。采用真实SAR影像数据进行实验。结果表明,该文方法方便有效,具有较高的检测精度。     

顾及空间邻域关系的多时相SAR影像变化检测

提出了一种顾及空间邻域关系的多时相SAR影像非监督变化检测方法，采用马尔可夫随机场（Markov random field，MRF）模型描述SAR比值差异图像的空间上下文信息，提出了基于该模型的EMMPM非监督变化检测算法。实例研究表明，与未顾及空间上下文信息的EM双阈值算法相比。该方法能够有效地提高变化区域提取的可靠性和准确性。     

结合双树复小波纹理特征和MRF模型的遥感图像分割

针对经典的小波纹理不能准确地表达影像纹理特征的问题，以及影像分割结果缺少对像元空间相关性和分布关系的考虑。本文提出了结合双树复小波（DT-CWT）纹理和马尔可夫随机场（MRF）模型的高分辨率遥感影像分割方法。首先，通过双树复小波变换提取影像纹理特征，联合光谱特征形成表达影像信息的混合特征向量；然后，将混合特征向量高斯归一化处理，并用K-means聚类的方法对特征空间中的混合特征向量聚类得到初始分割图；最后，借助马尔可夫随机场模型在初始分割结果中引入上下文信息，基于贝叶斯最大后验概率准则得到最终的分割结果。本文通过双树复小波纹理提高了特征表达的准确度，同时使用马尔可夫随机场模型减弱了分割结果中同质区域的“椒盐噪声”，从而进一步提高了高分辨率遥感影像分割的精度。     

一种基于退化模型的高分辨率SAR去噪算法

为了保持高分辨率合成孔径雷达（SAR）图像中的纹理结构，提出了一种基于高斯．马尔可夫模型（Gauss-Markov Model）的方法来抑制SAR图像的斑点噪声。通过引入贝叶斯分析框架，建立Markov随机场的退化图像恢复模型，从而将图像的恢复问题转化为求解最大后验概率（MAP）问题，并直接从噪声图像中估计随机场模型参数进行有效的噪声抑制。实验结果表明，对所研究的高分辨SAR图像，基于退化模型的去噪算法（RMBD）不论是在噪声的去除上还是在结构信息等细节的保持上均不同程度地优于其他常用斑点去噪方法。     

综合聚类和上下文特征的高光谱影像分类

常规高光谱影像逐像素分类往往没有考虑空间相关性,分类结果未体现地物的空间关联和分布特征。为了在分类中充分利用空间特征,利用聚类信息并结合隐马尔可夫随机场模型讨论了高光谱遥感影像光谱-空间分类方法。首先,在不同特征提取方法（最小噪声分离、独立成分分析和主成分分析）下,使用不同聚类方法（k-均值、迭代自组织分析算法和模糊c-均值算法）借助隐马尔可夫随机场获取优化的分割图;然后,采用4连通区域标记法对分割区域标记生成图像对象,并根据支持向量机的逐像素分类结果采用多数投票法对图像对象进行分类;最后,借助凹槽窗口邻域滤波技术改进分类结果,削弱“椒盐”现象。该方法综合了监督分类和非监督分类的优势,通过聚类引入地物空间相关性信息,通过隐马尔可夫随机场引入上下文特征,较好地弥补了单纯基于光谱信息分类的不足。     

一种基于改进模糊聚类算法的遥感影像变化检测

传统的基于像素的变化检测结果较为破碎,易产生较多"椒盐现象"。针对上述问题,提出一种改进的GKC模糊聚类算法对遥感影像进行变化检测。首先利用变化矢量分析法对配准好的遥感影像构造差异影像;然后再利用一种改进的GKC模糊聚类算法对差异影像进行分割,通过在目标函数中添加带有空间邻域信息的模糊因子进行迭代聚类;最后实现地物变化信息的提取。与传统方法进行对比,该方法能有效降低破碎像斑的数目,更好地保持变化地物的结构和形状,突出主要变化目标,提高变化检测精度。     

一种改进的多光谱影像模糊加权聚类方法

多光谱影像具有丰富的地物信息,利用多光谱影像进行聚类分析可以充分利用遥感影像为在大范围地区进行变化检测和土地利用分析作出应有的贡献。而模糊聚类更接近实际情况,能提高影像分类精度,缩短分类时间,提高系统运行效率。本文采用对多光谱影像先进行K-L变换去除了大量的冗余数据后,再进行改进的加权模糊聚类处理方法,取得了较理想的分类效果。     

联合非局部均值与小波域维纳滤波的去噪方法

针对传统小波阈值与维纳滤波方法对合成孔径雷达(synthetic aperture radar,SAR)影像去噪后效果不太理想的情况下,提出了一种基于非局部均值与小波域维纳滤波联合的SAR影像相干斑抑制方法。首先,对SAR影像进行小波分解,将影像及噪声引入到小波域中;然后,对分解出的低频部分进行非局部均值处理,高频部分进行维纳滤波;最后,对处理后的低频和高频部分进行小波重构,得到去噪后的影像。实验结果表明,所提的去噪方法不仅能够有效去除相干斑噪声,而且较好地保持了图像的纹理结构等信息。与传统的小波阈值与维纳去噪方法相比,在等效视(ENL)数、峰值信噪比(PSNR)和结构相似性(SSIM)指标上有明显改善。     

SAR影像变化检测的前景特征流形排序法EI北大核心CSCD

SAR影像变化检测的差异图分析法存在的两个问题:①连通区域内的部分变化区域易被误判为未变化区域;②中心先验假设并不适用于检测位于SAR影像边界的变化区域。本文针对以上两个问题设计了一种超像素分割和前景特征流行排序(manifold ranking,MR)的SAR影像变化检测方法(MRSFCD)。首先,通过单像素和邻域对数比算子进行加权融合构造差异图,可以保持变化区域内部的一致性并抑制噪声干扰。其次,对差异图进行超像素分割。然后,改进超像素的无向图连接方式,不对边界四周的超像素进行连接,利用超像素分割结果和灰度信息进行三次邻接。最后,将基于前景特征流行排序后得到的显著性图与单像素对数差异图进行点乘,对其进行阈值分割得到最终的二值变化图。本文通过采用3组双时相影像进行试验。结果表明,相较于其他变化检测算法,本文方法有效地提高了变化检测的精度。     

自适应差分进化的遥感影像自动模糊聚类方法

遥感影像模糊聚类方法可以在无需样本分布信息的情况下获取比硬聚类方法更高的分类精度,但其仍依赖先验知识来确定影像地物的类别数。本文提出了一种基于自适应差分进化的遥感影像自动模糊聚类方法,该方法利用差分进化搜索速度快、计算简单、稳定性高的优点,以Xie-Beni指数为优化的适应度函数,在无需先验类别信息的情况下自动判定图像的类别数,并结合局部搜索算子对遥感影像进行最优化聚类。通过模拟影像以及两幅真实遥感图像的分类实验表明,本文方法不仅可以正确地自动获取地物类别数,而且能够获得比K均值、ISODATA以及模糊K均值方法更高的分类精度。