基于图分割的高分辨率遥感影像建筑物变化检测研究

建筑物是城市地理数据库中最容易发生变化和最需要更新的部分,其更新工作量巨大,因此开展对高分辨率遥感影像中的建筑物进行自动提取和变化检测研究具有重要的意义.本文以精确提取变化建筑物的位置和轮廓为目标,基于图分割提出一种高分辨率遥感影像建筑物变化检测方法.首先,将遥感影像中的每个像元映射成图的顶点,利用像元之间的距离阈值构造图的边,综合利用位置,灰度和边缘3种特征计算边的权值,将遥感影像的分割转化为图的分割,并用归一化图分割方法得到分割对象集合;然后,以长宽比和矩形度作为约束条件,对2期遥感影像中的分割对象集合进行筛选,提取建筑物对象;最后,根据2期影像中建筑物之间的空间,面积和格局关系识别建筑物的变化类型(包括新增,消失和改建),并对其进行可视化表达.为了验证本文方法的有效性,分别以深圳市的WorldView影像和北京市的QuickBird全色影像为数据源,从中选取13组具有代表性的子影像进行实验.结果表明,本文提出的方法对配准精度较低的影像组具有一定的适应性,容许的配准误差达到20个像元(10 m),平均查准率和平均查全率分别达到93.16%和87.90%.     

基于对象BOW特征的高分辨率遥感影像变化检测方法

针对传统基于像素的变化检测方法的缺点,以及底层特征表现能力不足等问题,提出一种基于对象BOW特征的变化检测方法。首先,将经过预处理操作的两期影像进行波段组合得到组合后影像,再考虑地物光谱特征和几何空间信息对组合后影像进行多尺度分割,获得相对应的对象基元;同时,分别提取两幅影像的底层特征（包括影像各波段的均值和方差以及灰度图像的6种纹理特征）。其次,将对象视作文档,像素的特征向量视作单词,利用BOW模型构建影像对象的中层表达,即对象的BOW特征。最后,通过相似性度量算法比较相应对象的BOW特征,从而识别出影像上的变化区域。本文利用2组WorldView-2影像进行了检验,结果表明本文方法的变化检测结果较为完整,精度优于对比方法。本文方法基本能够满足变化检测的需求,为高分辨率遥感影像上的数据挖掘分析提供了有效的手段。     

面向地理国情监测的变化检测与地表覆盖信息更新方法

常态化地理国情监测能够全面、动态地掌握地理国情信息及其变化,为经济建设和社会发展提供数据基础。地理国情普查成果是按照统一规范标准、经过内业解译和外业核查形成的矢量数据。如何在普查成果的基础上,利用多时相遥感影像实现变化信息提取与更新是地理国情监测的关键。针对地理国情普查成果的特点与监测需求,以多时相遥感影像处理分析为基础,构建了针对地理国情监测的变化检测方法体系,提出了像元—对象结合的多时相影像变化检测、基于对象实体统计分析的变化识别方法,实现了综合地理国情普查成果和遥感影像的地理国情变化检测与数据更新。基于像元—对象结合的多时相影像变化检测首先根据传统的变化矢量分析法提取基于像元的变化检测结果,再以地理国情普查的矢量对象为统计单元计算对象内变化像元的比例,以此判断该矢量对象是否发生了变化,并根据变化像元的比例计算其变化强度。基于对象实体统计分析的变化检测方法直接以地理国情矢量为对象进行特征提取和差异构造,再将差异影像进行阈值分割得到基于地理国情对象的变化检测图。最后,根据变化检测结果,对变化区域进行面向对象分割,并从上一期未变化区域选取训练样本训练分类器模型以得到变化区域的地表覆盖类型,将变化区域与未变化区域结合得到更新后的地理国情矢量图。选取江阴市地理国情普查成果和两期高分辨率遥感影像进行试验,结果表明本文提出的方法在准确提取和解释变化区域的同时,明显提高了变化检测和数据更新的效率,可用于常态化地理国情监测。     

基于超像元词包特征和主动学习的高分遥感影像变化检测

为解决高分辨率遥感影像变化检测中存在底层特征缺乏语义信息、像元级的检测结果存在“椒盐”现象以及监督分类中样本标注自动化程度较低,本文提出一种基于超像元词包特征和主动学习的变化检测方法。首先采用熵率分割算法获取叠加影像的超像元对象;其次提取两期影像像元点对间的邻近相关影像特征（相关度、斜率和截距）和顾及邻域的纹理变化强度特征（均值、方差、同质性和相异性）,经线性组合作为像元点对的底层特征;然后基于像元点对底层特征利用BOW模型构建超像元词包特征,并采用一种改进标注策略的主动学习方法从无标记样本池中优选信息量较大的样本,且自动标注样本类别;最后训练分类器模型完成变化检测。通过选用2组不同地区的GF-2影像和Worldview-Ⅱ影像作为数据源进行实验,实验结果中2组数据集的F1分数分别为0.8714、0.8554,正确率分别为0.9148、0.9022,漏检率分别为0.1681、0.1868,误检率分别为0.0852、0.0978。结果表明,该法能有效识别变化区域、提高变化检测精度。此外,传统主动学习方法与改进标注策略的主动学习方法的学习曲线对比显示,改进的标注策略可在较低精度损失下,有效提高样本标注自动化程度。     

高分遥感图像相对辐射校正中的伪不变地物自动提取和优化选择

相对辐射校正是遥感变化检测中重要的预处理过程,伪不变地物（Pseudo-Invariant Features,PIF）是多时相影像中相对不变的地物,是相对辐射校正中的重要依据。针对高分遥感图像变化检测中相对辐射校正的要求,本文提出了一个自动提取和优化选择PIF的流程和方法：首先计算两期图像的亮度、光谱特征和空间特征的变化向量,然后对各变化向量的像元值从低到高进行排序,经多数投票后提取PIF,最后使用“迭代线性回归—去除异常值”方法选择获得最终PIF。以2016年11月27日和2017年7月18日的2期“北京二号”高空间分辨率多光谱影像为例,选择地物占比不同的两个实验区对流程和方法进行了验证,并与多元变化检测和迭代加权多元变化检测的PIF提取方法进行了比较。使用两期WorldView-2影像和Landsat-8 OLI影像对方法的适用性进行了验证。结果表明：① 2个实验区提取的PIF精度分别为98.74%和98.71%,PIF像元合理分布于未变化区域、包括了影像中主要的地物类型;② 使用本文方法提取的PIF建立的相对辐射校正模型具有显著的线性拟合效果（p<0.000 1）;③ 本文方法考虑了图像亮度、光谱信息以及空间信息的差异,使用参数少,可操作性高;④ 与多元变化检测和迭代加权多元变化检测方法相比,本文方法提取的PIF更为合理,建立的辐射校正方程拟合效果更佳;⑤ 本文方法适用于具有相同波段设置的中、高空间分辨率光学遥感影像。     

基于Adaboost的高分遥感影像自动变化检测方法

基于监督分类的高分辨率遥感影像变化检测需要大量人工标注,且单个监督分类器难以适应高分影像中复杂多样的地表变化信息提取,检测结果中“椒盐噪声”严重、变化图斑破碎。因此,本文提出一种基于Adaboost集成算法、自动标注训练样本的变化检测方法。首先利用非监督分类方法完成变化初检,接着在初检结果中进行“非等距”区间采样自动获取均匀分布的训练样本;然后以Adaboost算法为集成框架,选择决策树桩、Logistic回归和kNN作为弱分类器,构建一种混合分类器集成系统,充分挖掘和利用高分影像中的空间信息以提升分类精度和分类器泛化能力,最后利用SLIC分割算法和空间邻域信息对像元级检测结果进行空间约束滤波,进一步提升变化检测精度。为验证本文方法的有效性,选取SPOT-5和WorldView-2影像为实验数据,结果表明本文方法能有效降低训练样本人工标注成本、提高变化检测精度。     

历史解译知识引导下组合遥感图谱特征的变化检测方法

高空间分辨率遥感影像为地表变化监测提供了大量细节信息,这使得基于高分辨率影像的变化检测技术成为当前遥感领域的研究热点之一。本文提出了一种历史解译知识引导下组合遥感图谱特征的变化检测方法。首先,通过分割前后时相的组合影像构建空间位置一致的对象,并在提取对象光谱和纹理特征后,引入前期土地覆盖专题图指导2类图谱特征相似度的DS证据融合;然后,利用其历史存档图斑所属区域的优势地类标签指示不同特征相似度的证据差异融合;最后,基于GMM（Gaussian Mixture Mode）模型的二值化方法提取最终的变化区域。实验结果表明,该方法能充分利用历史解译知识指导不同时相高分辨率影像对象特征相似度组合,一定程度上提高了变化检测正确率。     

干旱荒漠区植被覆盖变化的遥感监测分析

多期的遥感数据可以用来分析干旱荒漠区植被的空间分布格局和变化特征。本文以1989、2000和2007年3个不同时相的Landsat TM/ETM+影像为数据源,利用线性光谱混合分析和RGB彩色合成法构建一个研究框架,对古尔班通古特沙漠西缘进行植被信息的提取和变化监测分析。在混合像元分解过程中,通过多种方法选择端元,比较...     

基于分层极限学习机影像转换的多源影像变化检测方法

为提高现有多源影像无监督变化检测方法存在的检测结果易受噪声影响和计算效率低等问题,本文提出了一种基于分层极限学习机影像转换的多源影像变化检测方法。分层极限学习机（Hierarchical Extreme Learning Machine, HELM）通过多层前向编码获得丰富的特征表示,且当特征提取完成即可确定网络参数。本文方法首先通过对合成孔径雷达（Synthetic Aperture Radar, SAR）影像进行对数转换,以获得与光学影像相同的影像噪声分布,并利用影像平滑减少影像噪声对变化检测结果的影响;然后分别对多源影像进行聚类分析,通过对比两时相影像的聚类图获得初始变化检测图,选取初始变化检测图中的未变化区域的像元作为初始训练样本,构建训练样本修正模型修正初始训练样本以提高训练样本的准确性;引入HELM以实现多源影像特征空间转换,获取多时相空间转换影像,提高了算法效率;最后通过对比原始影像和多时相空间转换影像获取变化信息。两组多源影像(Google Earth和哨兵1号影像)的实验结果表明：与现有方法相比,本文方法的Kappa系数分别至少提高了6.19%和8.94%,证明了本文方法对多源影像变化检测的有效性。     

光谱与空间维双重稀疏表达的高光谱影像分类

高光谱遥感影像的稀疏分类是当前遥感信息处理的研究热点。本文提出一种光谱与空间双重稀疏表达的高光谱遥感影像分类方法（WSSRC）。首先利用小波字典对光谱维进行稀疏表示,将光谱维稀疏分类转化到小波域稀疏分类;其次,考虑空间邻域地物光谱的统一性和差异性,对邻域内像元分别进行稀疏编码,并对编码进行累加聚合;然后,利用聚合后的稀疏编码构造线性分类器对高光谱影像进行分类;最后,通过2幅标准的高光谱影像数据验证了本文所提出的方法。实验结果表明,该方法能有效地提高影像的分类精度。     

面向单波段高分辨率遥感影像的人工目标变化检测技术研究

针对利用遥感影像进行目标变化检测的特点,设计了一套面向单波段高分辨率遥感影像的人工目标的变化检测处理流程,集成运用人工变化检测的影像分析工具,最大限度地发挥自动和人工两种变化检测方式的优点,特别是提出了基于变化目标相似度验证的检测算法,提高了影像变化检测的效率并有效地保证了检测的可靠性。     

结合像元级与对象级的滨海湿地变化检测方法

滨海湿地是动态且脆弱的生态系统,遥感变化检测技术为滨海湿地动态变化监测提供了有效手段。为解决像元级变化检测对配准误差敏感及其椒盐现象严重,对象级变化检测受分割参数影响较大且过程繁琐等问题,本文提出了显著图引导的结合像元级与对象级变化检测方法。首先,提取湿地亮度、归一化差异植被指数、归一化差异水体指数三个特征,得到特征差异影像;其次,利用最大对称环绕显著性检测算法生成显著图,采用结合模糊C均值和马尔可夫随机场方法对显著区域进行分割得到初始像元级变化检测结果;最后,在面向对象分割的基础上,通过构建对象的不确定性指数自适应选择训练样本,采用随机森林分类器进行分类得到最终变化检测结果。利用江苏盐城滨海湿地资源三号影像进行实验,结果表明,结合像元级与对象级方法的湿地变化检测总体精度为93.51%,与像元级、对象级方法相比,虚检率分别降低了29.04%和22.78%。     

基于改进DeepLabv3+孪生网络的遥感影像变化检测方法

传统遥感影像变化检测方法依赖人工构建特征,算法设计复杂且精度不高;而将2幅不同时相影像叠加后输入神经网络的遥感影像变化检测方法会造成不同时相的特征相互影响,难以保持原始影像的高维特征,且模型鲁棒性较差。因此,本文提出一种基于改进DeepLabv3+孪生网络的遥感影像变化检测方法,以经典DeepLabv3+网络的编解码结构为基础对网络进行改进：① 在编码阶段利用共享权值的孪生网络提取特征,通过2个输入端分别接收2幅遥感影像,以保留不同时相影像的高维特征;② 在特征融合中用密集空洞空间金字塔池化模型代替空洞空间金字塔池化模型,通过密集连接的方式结合每个空洞卷积的输出,以提高对不同尺度目标分割的精度;③ 在解码阶段中针对不同层级特征图信息差异较大,难以融合的问题,引入基于注意力机制的特征对齐模型,引导不同层级的特征对齐并强化学习重要特征,以提升模型的鲁棒性。应用开源数据集CDD验证本文方法的有效性,并与UNet-EF、FC-Siam-conc、Siam-DeepLabv3+和N-Siam-DeepLabv3+网络对比试验。试验结果表明,本文方法在精确率、召回率、F1值和总体精度上达到87.3%、90.2%、88.4%、96.4%,均高于UNet-EF、FC-Siam-conc、Siam-DeepLabv3+网络和N-Siam-DeepLabv3+网络,检测结果较为完整,对边界的检测也更为平滑,且对尺度变化具有更高的鲁棒性。     

超像素与主动学习相结合的遥感影像变化检测方法

针对高分辨率遥感影像变化检测结果较破碎,易产生椒盐噪声、监督训练过程中人工标注成本较高、训练样本冗余以及大量未标注样本信息未有效利用等问题,提出一种超像素与主动学习相结合的高分辨率遥感影像变化检测方法。利用超像素分割算法得到超像素对象,提取其光谱和纹理特征;引入并借助主动学习样本选择策略充分利用未标注样本信息,挖掘不确定性最大、最易错分的样本交由用户人工标注;为保证所选样本的多样性,加入基于余弦角距离的样本相似性度量,以减少样本间信息冗余,在减轻人工标注负担的同时获得良好的分类性能。通过对2组不同场景的遥感影像的实验,表明本文提出的2种方法能够在标注少量训练样本的情况下获得较好的变化检测结果,且加入样本相似性度量的变化检测方法在有效减少人工标注成本和训练样本冗余的同时,能够更快地达到收敛、提升检测质量。     

高分辨率遥感影像目标分类与识别研究进展

高分辨率遥感影像的目标分类与识别,是对地观测系统进行图像分析理解,以及自动目标识别系统提取目标信息的重要手段。本文综述了当前国内外在可见光、红外、合成孔径雷达和合成孔径声纳等遥感影像的目标分类与识别的关键技术和最新研究进展。首先,讨论了高分辨率遥感影像的目标分类与识别问题的主要研究层次和内容;其次,深入分析了高分辨率遥感影像目标分类与识别,在滤波降噪、特征提取、目标检测、场景分类、目标分类和目标识别的关键技术及其所存在的问题;最后,结合并行计算、神经计算和认知计算等技术,讨论了目标分类与识别的可行性方案。具体包括：（1）高性能并行计算在高分辨率遥感图像处理的主流技术,并给出了基于Hadoop+OpenMP+CUDA的高分辨率遥感影像混合并行处理架构;（2）深度学习对于提升目标分类和识别精度的应用前景,以及基于深度神经网络的多层次遥感影像目标识别方法;（3）认知计算在解决遥感影像大数据不确定性分析的模型与算法,并讨论了层次主题模型的多尺度遥感影像场景描述方案。此外,根据媒体神经认知计算的相关研究,探讨了遥感影像大数据的目标分类和识别的发展趋势和研究方向。     

增强型遥感影像SRGAN算法及其在三维重建精度提升中的应用

遥感影像是地形测绘、三维重建等任务的主要数据源之一,分辨率影响着被测目标在影像上的表示能力,对后期三维模型的定位精度及重建效果起着重要作用。针对遥感影像像幅较大且目标特征表现复杂、细节丰富的特点,结合实景三维模型重建的需求,提出了一种增强型遥感影像SRGAN算法。克服了传统方法进行超分重建时易出现边缘效应、产生模糊重建的情况,改进了简单卷积网络仅能提取影像中较为浅层的特征信息,无法在提高分辨率的同时保留影像丰富细节的局限。本文所提算法在生成模型中使用密集剩余残差块进行深层特征提取,在判别模型中引入多尺度判别思想,从而保证遥感影像重建时特征纹理、细节信息、高频目标的完整与精确。实验构建不同时间、不同类型区域的遥感影像数据集,在此基础上将本文算法与Bicubic、SRGAN、ESRGAN算法进行对比分析,在超分重建中PSNR较对比算法提升约3个单位,渗透指数PI更趋向且稳定于1,SSIM与清晰度指标Q同样得到较好改善;在三维重建中影像密集匹配点数量得到提升,同时误差减少,模型精细程度和定位精度得到提高。结果表明,本文算法适用于遥感影像超分辨率重建问题,并在实景三维模型重建中对精度的提升表现较好。     

基于遥感影像的变化检测研究动态

变化检测是遥感应用的重要领域之一,同时也是遥感科学研究的难点问题.随着对地观测技术的不断发展,影像分辨率的逐渐提高,基于遥感影像的变化检测在理论方法和技术手段上也有了显著的进展.本文以第21届国际摄影测量与遥感大会(ISPRS)中的变化检测相关文章为主,参考相关文献,从理论模型、技术方法、应用实例及平台这三个方面介绍基于影像的变化检测研究动态.