混合的SAR图像变化检测算法

为尽可能多地消除遥感图像变化检测过程中“伪变化”信息的影响,获得比较客观的感兴趣区域变化检测结果,针对遥感图像中SAR图像的特点,提出一种混合的SAR图像变化检测算法。对已配准好的图像进行Frost滤波,用邻域比值的方法构造差异图,对得到的差异图进行非下采样轮廓波变换（NSCT）,对变换得到的高频子带和低频子带分别处理,用模糊C均值（FCM）聚类算法得到变化检测的结果。实验结果表明,该算法模型很好地保留了图像变化区域的细节,提高了变化检测准确性。     

基于卷积神经网络的遥感图像目标识别仿真

在遥感图像中,目标往往位于复杂的地物背景中,包括不同类型的植被、土地覆盖、建筑物等。上述复杂的地物背景对目标识别造成了困难。为了精准识别遥感图像目标,提出一种卷积神经网络下遥感图像目标识别算法。将暗通道原理和双边滤波算法有效结合,对遥感图像展开增强处理。统计分析遥感图像目标尺度范围,通过训练和测试卷积神经网络,得到最佳目标感兴趣区域尺度。确定目标感兴趣区域最佳尺度后,构建基于卷积神经网络的遥感图像目标识别架构,完成遥感图像目标识别。通过实验分析证明,采用所提算法可以有效提升遥感图像增强效果,具有较好的遥感图像目标识别性能。     

遥感图像变化区域的无监督压缩感知

传统的基于结构特征的遥感图像变化检测方法,易受成像稳定性的影响而误差很大。针对图像内在的稀疏性结构信息,提出基于压缩感知(CS)的遥感图像变化检测方法。通过自适应构造超完备字典将图像局部信息投影到高维空间中,实现图像的稀疏表示,并运用随机矩阵得到了数据在高维空间中的低维特征子空间。最后利用模糊C均值(FCM)聚类算法进行无监督聚类,实现遥感图像变化区域信息的重构。实验结果表明,本文方法不仅能够很好的检测出图像的轮廓变化和图像的区域变化,而且对噪声具有很好的鲁棒性。     

无监督上下文光谱角映射图像变化检测

传统的遥感图像变化检测方法未能充分利用像素上下文信息,导致精度较低。针对这一问题,提出一种不需要像素概率分布假设、无监督的上下文光谱角映射图像变化检测方法。在像素变化的判别测试中,利用空间上下文信息特征,提高了变化检测精确度。此方法可用于卫星遥感图像中,利用上下文光谱角映射创建相似图像,基于K均值聚类算法将其分为有变化和无变化两类,以此生成映射图像。通过定性和定量分析,将试验结果与最大似然估计法（MLC）结果相比较。研究表明：无监督上下文光谱角映射图像变化检测方法精确度更高,可用于二时刻图像和多光谱图像变化检测问题。     

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。     

基于变权马尔可夫随机场的遥感图像变化检测

遥感图像变化检测通过分析比较不同时相所获得的遥感图像来获取变化信息,目前已经成为对地监测最有效的手段.针对传统马尔可夫随机场遥感图像变化检测算法的不足,提出一种基于变权马尔可夫随机场的遥感图像变化检测算法.该算法重新定义了马尔可夫能量函数的计算过程.实验结果表明该算法是一种有效、精确的变化检测算法.     

基于Siam-UNet++的高分辨率遥感影像建筑物变化检测

针对同—区域前后时序的高分辨率遥感影像背景复杂、变化类别多样、目标变化检测时存在漏检和边界识别粗糙问题,提出了一种基于Siam-UNet++深度神经网络的高分辨率遥感影像建筑物变化检测算法.该算法采用UNet++作为骨干提取网络,在其编码器部分应用Siam-diff(Siamese-difference)结构提取前后两时序图像的变化特征,并在解码阶段的上采样和横向跳跃路径连接之后引入注意力机制,突出建筑物变化的特征,抑制网络对其他类别特征的学习;同时使用多边输出融合(multiple side-output fusion,MSOF)策略加权融合不同语义层次的特征信息,提高了建筑物变化检测的精度;最后采取滑窗的方法对大尺度遥感影像进行预测,减少拼接过程中变化结果图产生的空洞图斑.在大型建筑物变化检测数据集上的实验结果表明,该算法有效提升了建筑物的变化检测效果.     

自适应PCNN和改进C-V结合的遥感图像变化检测

为获取保留图像信息较完好的差异图并得到更好的变化检测结果,提出一种基于自适应脉冲耦合神经网络（PC‐NN）和改进Chan‐Vese （C‐V）模型的非监督的不同时相遥感图像的变化检测算法。用差值法、比值法对两幅遥感图像进行差异图获取;用自适应PCNN图像融合算法对两幅差异图进行融合,获取保留图像信息较好的差异图;用基于改进C‐V模型的分割算法对融合后的差异图进行分割,得到变化检测结果图。实验结果表明,该算法具有很好的变化检测效果,总检测精度较高。     

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。     

基于非下采样Shearlet和几何结构的遥感图像无监督变化检测

提出了基于非下采样Shearlet和几何结构的遥感图像无监督变化检测新算法。首先将两幅SAR图像相减取绝对值得到差异图像,然后利用基于非下采样Shearlet自适应贝叶斯阈值去噪算法对差异图像进行去噪处理来减少噪声的影响。最后根据差异图像的局部几何特征和邻域信息构造跨特征矢量,再利用模糊C-means聚类算法对跨特征矢量聚类,聚类的结果为变化类和未变化类即最终的变化检测结果。实验证明:该算法对噪声的抗噪性能平稳而且有效,可以得到较好的检测结果。     

基于多源遥感影像的青海云杉和祁连圆柏分类

青海云杉和祁连圆柏是祁连山自然保护区的优势种,提取两种类型树木的空间分布对保护区森林资源的管理和监测方面有重要意义。使用Sentinel-2A(S2)、Sentinel-1A(S1)、Landsat-8(L8)3种遥感影像及来自SRTM DEM的地形数据,基于随机森林分类方法,设置8种组合方案共22个特征变量,以祁连山东段的甘肃连城自然保护区为例,对青海云杉和祁连圆柏进行分类试验。结果表明：融合Sentinel-1A(S1)数据的VV和VH两种后向散射信息的精度最高,达到92.85％,比使用单一影像Landsat-8提高了11.64%。实验表明:结合多源遥感影像的不同波段信息是提高森林类型分类精度的有效手段,有助于复杂山区森林资源调查、植被信息提取等需求。     

Classification of Picea crassifolia and Sabina przewalskii based on Multi-source Remote Sensing Images

Picea crassifolia and Sabina przewalskii are the dominant species in Liancheng Nature Reserve. Extracting the spatial distribution of two types of trees is of great significance for the management and monitoring of forest resources in the reserve. Based on the method of random forest,22 feature variables in eight combinations from Sentinel-2A (S2),Sentinel-1A (S1),Landsat-8 (L8) three remote sensing images and digital elevation model of SRTM DEM to classify Picea crassifolia and Sabina przewalskii in Liancheng Nature Reserve of Gansu Province.The results demonstrated that the accuracy of integrating VV and VH backscattering information of sentinels-1A (S1) was the highest，reaching 92.85%,which is 11.64% higher than that of single image Landsat-8. Experiments showed that combining different bands of multi-source remote sensing images is an effective means to improve the classification accuracy of forest types,which is beneficial to forest resource survey and vegetation information extraction in complex mountainous areas.     

结合MNF变换和Canny算子的遥感影像变化检测

针对大面积区域的多时相遥感影像变化检测的需求，提出了一种基于最小噪声分离（MNF）的Canny边缘检测提取影像变化信息的检测方法。对多时相影像采用多种变换组合成具有多维波段信息的影像，采用最小噪声分离法分离噪声并得到单波段差异图，通过Canny边缘检测法计算梯度幅值，采用高低双阈值法细化边缘，从而提取差异图变化边缘，有效突出了变化信息。以1995年和2003年加扎勒河的两期遥感影像为例，利用两时相影像进行土地覆被变化检测。实验结果表明，该方法适用于监测大面积区域内地物的突变情况。在数据基础上进行最小噪声分离可以有效解决传统Canny边缘检测提取边缘时造成的伪边缘现象，同时采用高低双阈值法有效去除伪边缘点，从而获得更加精确、直观的变化检测效果，在自然地理变化监测、地理国情灾害监测等有很好的应用价值。     

基于无人机倾斜摄影技术的多源遥感影像变化检测并行系统设计

为使无人机遥感图像的影像残差值得到有效控制,提升多源遥感影像变化特征的检测精度水平,设计基于无人机倾斜摄影技术的多源遥感影像变化检测并行系统。在C/S框架体系中,设置并行运作电路、像素点检测主机、HBase存储结构与遥感影像显示器,完成对多源遥感影像变化检测并行系统的硬件设计。根据联合平差指标的数值水平,计算密集度指标,联合已知影像数据,求解无人机倾斜摄影过程中的纹理映射条件,实现对多源遥感影像的建模处理。按照影像特征提取结果,完善影像检测金字塔的构型模式,将无人机数字影像与并行检测节点匹配起来,再结合各级硬件应用结构,完成基于无人机倾斜摄影技术的多源遥感影像变化检测并行系统设计。实验结果表明,设计的系统在无人机倾斜摄影技术的作用下,遥感图像在x轴、y轴、z轴方向上的影像残差指标均出现明显下降的数值变化状态,能够有效提升多源遥感影像变化特征的检测精度。     

基于蜂群[k]-means算法的遥感图像聚类应用研究

在遥感领域，获取用于训练的标记数据耗费巨大且困难，因此许多非监督技术逐渐被发展和应用于标记样本有限的遥感图像。将[k]均值和蜂群算法相结合，提出一种新的非监督聚类算法。使用灰度共生矩阵和小波变换提取遥感图像特征，对特征数据集进行蜂群[k]-means聚类。整个聚类过程首先使用最大最小距离积邻域均值法产生初始聚类中心，将蜂群算法和[k]-means算法交替执行，实现遥感图像的聚类。通过UCI数据集和凉水国家级自然保护区的遥感数据的实验结果表明，该算法具有较高的聚类准确率，满足遥感图像聚类的应用需求。     

COSMO雷达数据在多云多雾地区土地变化监测研究

近年来新型成像雷达遥感(极化、干涉)及数据处理技术的发展,SAR遥感影像上获得的地表信息越来越多,如何利用雷达信息探测土地变化成为研究的新课题。但是雷达影像不同于光学影像,目前雷达数据解译仍存在着一些困难。本文主要针对多云多雾地区雷达数据土地变化监测,以四川成都地区COSMO数据为例,利用雷达相干影像,后向散射强度,强度比值影像,提出一种新的雷达处理手段,减少了雷达数据土地变化监测的工作量,提高工作效率。     

基于QT、GDAL处理遥感影像GeoTIFF数据的应用

GeoTIFF图像格式可以存储各种地理信息,因此在遥感图像领域应用十分广泛.但随着遥感影像的数据量迅速增长,如何提高对海量影像数据调度及显示成为急需解决的问题.本文利用开源库GDAL实现了对海量遥感影像GeoTIFF格式文件的地理信息读取,通过建立图形金字塔的方式对影像数据进行快速索引,最后利用跨平台QT语言开发,实现GeoTIFF格式文件在各种不同操作系统下放大、缩小及全屏显示.     

基于分区和多时相遥感数据的山区植被分类研究

山区地形的特殊性导致了山区植被分类的复杂性。位于不同光照区域的同种植被,其光谱亮度值具有较大差异,分区使分类规则及阈值的设计更具针对性。多时相遥感数据能够充分利用不同植被类型间光谱特征时间效应。基于此提出了利用分区和多时相遥感数据进行山区植被的分类研究。研究表明,该方法在山区植被分类中具有明显的技术优势,分类总体精度和kappa系数分别为81.3%和0.72。     

斑块状植被遥感检测研究进展

斑块状植被是世界上干旱—半干旱区常见的景观类型,对于它们的形成、结构和演替研究能够提高人们对干旱—半干旱地区生态系统动态及其重要的生态水文过程的理解,具有重要的理论研究意义和应用价值.传统的基于地面调查和长期定位观测的方法观测范围有限,已无法满足目前区域斑块状植被分布及其空间格局特征研究的需要.利用遥感技术快速重复获取...