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,可引入区问二型模糊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,以此自适应寻优区问二型模糊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问二型模糊C均值聚类,迭代更新隶属区问...     

自适应区间二型模糊聚类的遥感影像变化检测

由于遥感影像变化检测面临"同物异谱"、"同谱异物"等诸多不确定的问题,传统一型模糊聚类算法不能描述其高阶不确定性,难以对差异影像进行准确建模分割出变化信息。针对上述问题,在引入区间二型模糊聚类的基础上,提出了一种自适应区间二型模糊聚类的遥感影像变化检测算法。通过构造自适应邻域加权距离度量的方式更新隶属度,不仅降低了传统区间二型模糊分析算法对参数的依赖,还可以有效利用邻域信息,最后通过迭代更新隶属度实现地物变化信息的提取。利用两组遥感影像数据验证了该方法的有效性。     

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。     

自适应距离和模糊拓扑优化的模糊聚类SAR影像变化检测

针对模糊聚类算法的不足,结合差分影像的特点,提出一种基于自适应距离（adaptive distance）和模糊拓扑（fuzzy topology）理论的SAR影像变化检测技术框架（FATCD）。FATCD首先基于自适应距离公式提出一种自适应的样本到聚类中心的距离计算方法,优化了聚类过程中像元隶属度的计算公式,提高了模糊隶属度函数的准确程度;而后利用模糊拓扑理论改进传统去模糊化方式最大隶属度原则,从而增强了去模糊化过程。借助这两点,FATCD提高了模糊聚类变化检测的性能。两组真实SAR影像数据的试验结果表明本文方法可行、有效。     

改进的模糊聚类遥感影像分割

聚类是数据挖掘的重要分支之一,引入模糊理论的模糊聚类分析为显示数据提供了模糊处理能力,在许多领域被广泛应用。本文应用考虑邻域关系的约束模糊C均值(Fuzzy C-Means with Constrains,FCM_S)算法,将邻域像素引入到目标函数中,进而有效地利用邻域像素信息,提高分割精度。本文应用FCM_S算法对模拟彩色纹理图像进行分割,计算其混淆矩阵,定性定量地与FCM算法进行对比分析,证明了该算法的鲁棒性。     

基于并行Tabu搜索和空间信息约束的遥感影像模糊聚类

在传统模糊C-均值聚类的基础上,引入了描述空间邻近关系的空间隶属度;采用Tabu搜索策略,抑制了模糊聚类的局部收敛性和对聚类中心初值的敏感性;提出了并行算法,有效地降低了影像分割的通信复杂度,提高了算法的搜索速度,实现了线性加速比。实验结果表明,改进算法有效地提高了聚类抗噪性能,减少了聚类迭代次数。     

基于标识的遥感影像部分监督模糊聚类

根据遥感影像的特点引入了部分监督模糊聚类的方法,并对其进行改进,加入了标识参数flagk,使其在训练过程中对参与计算的数据进行筛选,使得训练的速度加快,去除了非样本类数据对类心数据的影响,获得了较高精度的分类结果。     

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。     

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。     

方差齐性检验与模糊评价的遥感影像变化检测

针对高分辨率遥感影像地物空间结构复杂、光谱纹理信息丰富的特点,该文提出一种基于Levene检验及模糊评价的遥感影像变化检测方法。首先,对预处理后的两期影像叠置分割得到图斑对象,提取其光谱、纹理等特征;其次,利用改进的Levene检验法统计各图斑变化信息得到候选变化图斑,经IHS变换获取影像色调信息,结合纹理特征进行变化向量分析;最后,通过迭代的方式确定阈值并计算候选图斑的变化隶属度,确定最终变化区域。选取江苏省某地区ZY-3高分辨率遥感影像进行实验,结果表明:改进的Levene检验法很大程度地减少了后续的计算量,提高了变化检测精度,对于相对辐射差异较大的非变化图斑具有良好的容错性;采用色调-纹理特征及模糊评价法可以有效地降低漏检及虚检率,提高变化检测精度。     

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。     

结合多尺度几何分析和KICA的遥感图像变化检测

为了进一步提高基于独立分量分析ICA(Independent Component Analysis)的遥感图像变化检测精确度,更好地实现地表覆盖的动态监测,将多尺度几何分析和核独立分量分析KICA(Kernel Independent Component Analysis)相结合应用于遥感图像的地表覆盖变化检测。首先利用Contourlet变换、复Contourlet变换CCT(Complex Contourlet Transform)、非下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)等多尺度几何分析对土地遥感图像进行多尺度分解;然后对分解后的数据进行核独立分量分析,通过核函数将数据映射到高维特征空间中,再在该空间中用ICA方法分离出互相独立的分量;最后将分离后的地表变化分量转化为图像分量,再采用最大类间方差法对变化图像进行分割,实现地表覆盖的变化检测。给出了本文方法和近年来提出的基于ICA、基于KICA、基于小波变换和ICA等变化检测方法的实验结果,并进行了分析和定量比较。实验结果表明,基于多尺度几何分析和KICA的变化检测方法能更好地分离出遥感图像的变化信息,其中基于NSCT和KICA方法的错判和漏检误差最小,且在边缘细节方面处理得更好,而基于Contourlet变换和KICA方法的检测效率相对较高。     

遥感影像变化检测方法探讨

利用同一区域不同时相的遥感影像进行变化检测的应用一直是遥感应用研究的热点之一.本文对遥感变化检测技术的研究现状和新进展进行了一定的归纳和总结,对以往分类方法进行了介绍,分别对基于像素、基于对象以及结合特定理论的变化检测方法进行了重点讨论,并对每种方法涉及的理论和最新研究进展进行了评述.     

DT-CWT结合MRF的遥感图像变化检测

为了解决多尺度遥感图像变化检测在降噪时丢失大量高频信息及单一像素孤立性的问题,提出了一种双树复小波变换DT-CWT(Dual-tree Complex Wavelet Transform)和马尔可夫随机场MRF(Markov Random Field)相结合的非监督遥感图像变化检测算法,首先采用DT-CWT对差异图像进行多尺度分解,并根据MRF模型分割算法提取高频区域的变化特征,然后进行相应层的高、低频重构,再对重构后的各层建立MRF模型并根据贝叶斯最大后验概率准则MAP(Maximum A Posterior)进行最终分割,最后对各层分割结果进行求交融合,得到最终的变化检测结果掩膜图。对比实验结果表明,该方法在去除杂点和噪声的同时能够较好地保留高频信息,并且边缘检测更加平滑,具有较高的变化检测精度和很好的鲁棒性。     

多时相遥感影像变化检测技术研究

正城市化进程的不断推进及频发的自然灾害,不仅造成了地形、气候、水文、生态等自然地理环境的变化,而且还对人文地理环境造成了较大的影响。而随着时间的推移,这些改变和影响不仅未得到减弱,而且还在不断加快。为了评估这些变化对生态环境、社会经济等造成的影响,就需要对这些变化进行有效地动态监测。多时相遥感影像变化检测技术便是实现动态监测的关键技术,该技术利用不同时相的遥感影像,定量地分析和识别出自然和人文环境变化的特征和过程。     

多时相遥感影像的变化检测研究现状与展望

变化检测作为摄影测量与遥感领域的研究热点之一,也是人工智能体系中极具研究价值的技术分支。二者的快速发展与深度融合,已使海量、复杂和多样的遥感数据快速智能化处理成为可能,广泛应用于资源监测、城市规划、灾害评估等诸多领域。随着遥感技术和计算能力的不断革新,变化检测体系也在不断发展和演化。本文主要从几何和语义两个角度对变化检测方法进行了分析和归纳总结,重点分析了几何信息的利用方式及深度神经网络的特征融合方式,随后总结了常用的变化检测公开样本数据集,最后对当前变化检测应用中遇到的核心问题及未来发展趋势进行了梳理与展望。     

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。     

融合多特征的遥感影像变化检测

常规多时相遥感影像变化检测主要基于光谱信息,没有充分利用纹理、几何、形状等多种特征信息,不足以体现检测目标的完整性和准确性。本文针对不同特征在变化检测中应用的优势,在提取影像多种特征的基础上,构建了1维和多维两种基于信息融合策略的变化检测方法,即利用1维特征空间加权距离相似度运算、多维特征空间的模糊集融合和支持向量机融合策略进行变化检测。利用多时相QuickBird高分辨率遥感影像进行城市土地覆盖变化检测试验,结果表明,本文方法可以有效集成不同特征的优势与表征变化信息的能力,提高变化检测过程的稳定性和适用性,同时能够更好地保持变化地物的结构和形状,突出主要变化目标。     

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。