基于PCA与EM算法的多光谱遥感影像变化检测研究

变化检测技术能够从观测数据中有效地提取各种变化信息。以多时相的多光谱遥感影像作为主要研究对象,就基于直接比较像元特征的变化检测中两方面的关键问题——差异影像的构造和变化阈值的提取来开展研究,具体采用PCA结合差值比较的方法构造差异影像,采用EM自动确定变化阈值以提取变化区域。通过与传统变化检测方法的实验比较,证明了该方法的有效性。     

遥感影像高性能分类系统设计与实现

面向遥感影像解译需求,针对遥感图像数据量大,时间分辨率高的特点,基于AOI样本数据库及遥感影像并行处理技术,设计实现了一套快速、自动、稳定的分类系统。应用AOI样本数据库有效提取、管理AOI信息,自动生成训练样本文件,提高环境卫星影像分类的自动化程度及解译精度;并行化分类方法在保证计算精度的情况下有效提高了分类速度。实验结果证明,本系统提高了分类执行效率,实现了对遥感影像的快速分类。     

遥感影像变化检测研究进展

随着遥感技术的迅速发展,利用不同的技术手段实现遥感影像变化检测作为主流趋势之一,能够对同一地域在不同时间段的遥感数据检测出变化的特点和类型。本文针对遥感影像变化检测方法进行总结、分析和对比,对变化检测研究进展进行了详细的叙述。首先阐述了遥感影像变化检测实现的流程的三个方面：数据处理、信息提取与评价标准;随后根据各阶段遥感图像中变化检测的发展详细归纳了其研究进展;最后对变化检测当前存在的局限性和未来发展趋势进行了探讨,以更好的促进遥感影像变化检测的研究更加深入。     

高分辨率遥感影像土地利用动态监测技术研究

近年来,利用高分辨率遥感影像进行土地利用的动态监测在我国已到关键技术和系统研制阶段。本文以某一示范区的土地利用动态监测系统的研究为例,详细阐述了其变化图斑获取子系统实现的关键技术和过程。论文首先简要介绍了系统的主要组成部分;接着详细阐述了变化图斑获取子系统的区域变化检测技术、分类技术、变化区域和属性信息的获取技术;最后对系统作业的工艺流程和主要功能作了介绍,并对系统的应用前景和进一步改进的问题进行了分析。     

基于多时相协同变化检测的耕地撂荒遥感监测

针对地表覆被复杂、地块破碎等原因导致的撂荒地提取精度较低问题,提出一种基于多时相协同变化检测的耕地撂荒信息提取方法。以河北省石家庄市鹿泉区为研究区,采用Sentinel-2A和Landsat 7多光谱影像,在野外样本的支持下,分析耕地各种覆盖类型的归一化植被指数（Normalized Difference Vegetation Index,NDVI）季相变化规律,以季节性撂荒、常年性撂荒、冬小麦、多年生园地为分类体系,构建多时相协同变化检测模型,开展研究区耕地撂荒状态遥感监测。研究结果表明：基于Sentinel-2A影像的季节性撂荒和常年撂荒耕地的分类精度分别为95.83%和96.55%;基于Landsat 7影像的季节性撂荒和常年撂荒耕地的分类精度分别为91.67%和93.10%;2019年鹿泉区季节性撂荒占耕地面积的4.7%,常年撂荒耕地占7.1%。利用该方法能够快速、准确地获取研究区耕地空间分布、面积等信息,对于不同分辨率的影像均具有较好的撂荒地提取精度。     

一种新的遥感影像变化检测算法

针对传统的遥感影像变化检测算法不能同时确保准确率高、抗噪能力强和时间成本低的现状,设计一种新的基于非下采样剪切波变换和自适应脉冲耦合神经网络相结合的遥感影像变化检测算法。充分采用邻域信息有效降低虚警数量;借助非下采样剪切波变换的多方向、多尺度分解并利用全局、局部滤波,有效降低漏警数量;非下采样剪切波变换具有平移、旋转和尺度不变性,有效提升抗噪能力;自适应脉冲耦合神经网络分类准确率高并且时间成本很低。实验结果表明,与其他算法相比,该算法具有更高的检测准确度、更强的抗噪能力和更低的时间成本。实验结果验证了该算法的优越性和可行性。     

基于多时相遥感图像的人造目标变化检测算法

传统的像素级变化检测方法的检测性能受到以下因素的严重制约: 图像辐射差异、配准误差和差异图像分类门限的选取, 并且难以从检测信息中提取出关键的变化. 本文针对遥感图像中人造目标的变化检测问题, 提出了一种综合特征级和像素级的两步变化检测算法. 首先将大幅多时相遥感图像分成一系列子图像对, 采用有监督子图像对分类方法, 提取人造目标变化的感兴趣区域, 然后采用像素级变化检测算法对感兴趣区域进行变化检测, 得到定量的检测结果. 实验结果表明了该算法的可行性和有效性.     

遥感影像变化检测综述

变化检测作为土地利用/土地覆盖检测的关键技术,其目的是在同一区域不同时期的遥感数据中检测出变化的部分及其类型.针对传统的变化检测方法中存在繁重的人工劳动和检测结果效果差等问题,大量基于遥感影像的变化检测方法被提出.为了深入了解基于遥感影像的变化检测技术以及进一步研究变化检测方法,通过对大量有关变化检测的研究进行整理、分...     

遥感影像变化检测算法综述

目的 近年来遥感技术发展迅速,遥感影像变化检测作为最重要的关键技术之一,越来越多的应用在国土资源管理、地物变化、农林业的监测等领域。目前依据变化检测的流程的综述相对较少,大多数综述只针对变化信息提取的方法进行论述,为使国内外研究者对遥感影像变化检测理论、流程及其现存问题有一个比较全面的认识,对其进行系统综述。方法 通过对国内外大量的遥感影像变化检测算法进行总结、分类及比较,按照技术流程的各个环节分别论述,重点论述了变化信息提取环节中的图像分割、特征提取和分类的发展现状、基本思想及其趋势。结果 目前,多数变化检测算法主要是针对特定的条件具有较好的效果,还没有通用性算法,且现有算法在效率、精度、智能性等方面存在的问题,大多算法解决的问题及理论相对分散。结合现存问题及目前大数据影响下的技术发展状况,从数据类型、预处理方法、变化信息提取方法、算法效率、算法理论创新5个方面对遥感影像变化检测领域的未来发展趋势进行预测和展望。结论 遥感影像变化检测在多领域具有较高的研究价值,但针对目前变化检测存在的一些局限性还需要进行深入的研究,针对变化检测的研究需要从研究热点中挖掘创新思路、引入深度学习等发展趋势。     

遥感影像变化检测方法综述及展望

变化检测技术是遥感应用领域的一个重要研究方向。本文首先对常见的变化检测方法进行了概括性介绍与优缺点评述,并分析了当前变化检测方法中存在的普遍问题;并在此基础上,展望了一种基于影像分割的变化检测方法:在仅对其中一个时相影像进行分割的基础上,建立了两时相影像间的对应图斑单元与变化判别规则,实现图斑单元间的直接比较来提取变化信息。并分析了基于分割的变化检测方法与像素级变化检测方法相比具有的优势。     

多时态BIT遥感图像建筑物的变化检测

针对来自相同地理空间的不同时刻遥感图像之间的季节性和光度变化(色差)等因素所引起的干扰, 提出了多时态-BIT遥感图像变化检测方法. 该方法引入了过去多个不同时刻的遥感图像, 融合当前遥感图像与过去时态遥感图像两两变化检测的结果, 该方法有助于排除季节性和光度变化引起的误报, 提高了变化检测的准确性; 并且利用过去多个不同时刻的遥感图像, 进一步消除非目标建筑变化的影响, 其变化点像素差值引入作为损失函数正则化项, 从而进一步提高变化检测的鲁棒性和可靠性. 本文以三时态(3个不同时刻的遥感图像)为例, 使用了遥感图像建筑物变化数据集进行了实验. 实验结果表明, 多时态-BIT方法相对于仅考虑两个时态的变化检测方法, 在遥感图像建筑物变化检测任务中表现出更好的效果.     

遥感变化检测方法研究综述

遥感变化检测技术是遥感信息科学的重要研究领域,是当前遥感数据处理技术的主要发展方向.本文从三个方面介绍遥感变化检测的技术与方法：首先简要介绍遥感变化检测的数据预处理;其次,重点介绍了各种遥感变化检测方法,并对各种方法优缺点做了简单评述;并提出了遥感变化检测中应注意的问题和本研究的几项经验性的结论.     

一种新的多波段遥感影像变化检测方法

随着遥感技术的发展,采用遥感影像对国土资源进行动态监测已经成为了热点。目前常用的差值法和分类后比较变化检测方法中存在着各种缺陷。提出一种基于模糊C均值聚类（FCM）算法的遥感影像变化检测方法,利用一个改进的模糊C均值聚类算法进行遥感影像分类处理,然后引入多波段综合变化掩膜的思想进行变化检测。实验结果表明这种方法是有效的,提高了检测精度,检测结果为国土资源调查提供了重要依据。     

基于EBPNN模型的遥感图像变化检测研究

对不同时段获取的特定图像进行自动变化检测是遥感图像研究的主要问题;通过自适应中值滤波(AMF)去除遥感图像中的噪声,结合Tamura和Law掩模方法提取图像中的次级特征,并将研究区域划分为植被、水域和城区三类,利用增强型反向传播神经网络(EBPNN)对特征提取结果进行分类并实现不同时期遥感图像的变化检测;与现有的FFNN和CNN分类技术相比,利用EBPNN进行分类可以有效地检测出图像中的变化且具有更好的检测性能。     

基于SOFM的遥感图像的机场区域变化检测

文章提出了一种新的针对遥感图像机场感兴趣区域变化检测的方法,该方法采用自组织特征映射神经网络对图像进行分类,结合感兴趣区域位置定位结果,利用区域生长分割出感兴趣区域。通过图像间差值,从而获得差异,并利用形状分析的方法对检测出的变化给出了解释。该方法消除了非感兴趣区域变化造成的虚警,克服了多幅图像由于摄取时间和摄取环境的差异造成的影响,提高了检测率。实验表明该文提出的方法具有良好的效果。     

基于Relief-PCA特征选择的遥感图像变化检测

面向对象的变化检测技术在高分辨率遥感图像领域已经得到广泛地应用。由于遥 感图像受光照、大气环境等成像条件的影响,图像特征的质量也参差不齐,筛选出高质量的特 征成为对象级遥感图像变化检测的关键。针对此问题,提出了一种基于 Relief-PCA 特征选择的 对象级遥感图像变化检测方法。首先,对原始图像进行多尺度分割获得目标对象,并提取对象 的光谱特征与纹理特征;然后,利用对数比值法获得变化矢量,再使用 Relief-PCA 特征选择的 方法对图像的对象特征进行筛选与降维;最后,计算并生成 CVA 变化强度图,利用 Otsu 方法 对变化强度图进行阈值分割得到最终的变化检测结果。实验表明：与已有方法相比,该方法的 变化检测精度更高,误检率和漏检率更低。     

基于GDAL的遥感图像变化检测技术

由于GDAL（Geospatial Data Abstraction Library）具有快速读取多种格式的遥感图像且能有效解析空间元数据等特点,利用它开发遥感图像处理算法具有明显的优势。结合GDAL及相应算法,开发了一套复杂地形山区植被遥感变化检测的技术,其中包括利用阴影消除植被指数（Shadow Elimination Vegetation Index,SEVI）反演植被长势;利用图像差值法及最大类间方差法（OTSU）来提取植被长势明显变化点位;利用[K]均值聚类自动分割识别变化区域。将该方法用于武夷山自然保护区和闽江源自然保护区2016-2017年Landsat8 OLI遥感图像的植被长势变化检测,结果表明,这套遥感图像变化检测技术切实可行,能够有效识别遥感图像变化区域,并在复杂地形山区的植被长势监测中具有良好的应用价值。     

基于像斑差熵的遥感影像变化检测

提出了利用遥感影像分割获取像斑进行变化检测的方法。构造了像斑差熵作为衡量变化的指标,选取一定数目训练样本,利用目标函数法找到最佳阈值,并同相关系数法进行了比较。实验结果显示像斑差熵更适用于遥感影像变化检测。     

改进U-Net的遥感图像中建筑物变化检测

提出了一种改进U-Net的遥感图像中建筑物变化检测方法,将变化检测问题转化为像素级二分类问题,利用U-Net模型对图像进行分类,把图像中的每个像素划分为变化类或非变化类,并根据变化类的像素得到建筑物的变化检测结果图。针对U-Net模型进行遥感图像中建筑物变化检测时,在训练中容易出现过拟合的现象,提出用非对称卷积块代替U-Net网络特征提取部分的标准卷积操作,增强卷积核的鲁棒性和网络的中心骨架,防止过拟合;针对变化检测数据集中图像背景复杂、小目标的变化情况容易被漏检的问题,提出在U-Net中引入注意力机制,抑制模型对非变化类像素特征的学习,加强对变化类特征的学习,提取到更适合的特征。实验结果表明,在引入非对称卷积块和注意力机制后,变化检测的F1分数有明显的提升。