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。     

面向对象的遥感变化检测研究

通过分析传统的遥感变化检测方法存在的问题,提出了面向对象的遥感变化检测方法。本文利用某地ETM+两个时相的遥感影像,将面向对象和传统变化检测方法进行定性定量的比较,从而得出面向对象的遥感变化检测方法的优势。该方法采用了基于相邻影像区域合并异质性最小的面向对象的多尺度分割方法和模糊分类的方法对变化检测图像进行处理,从而提高了变化检测结果的精度。最终得到较理想的实验分析结果。     

基于模糊马尔可夫随机场的无监督遥感图像分割算法

遥感图像分割是对遥感图像进行处理的最为关键的一步.马尔科夫随机场模型作为先验模型,在图像分割领域已经得到了广泛的应用,实践证明该模型有助于提高图像分割的效果.但是由于环境和传感器的影响,遥感图像具有灰度变化大、纹理复杂及边界模糊等特点,经典的马尔科夫随机场模型在遥感图像分割中的分割效果通常并不理想.本文针对遥感图像分割中某些像素分类的不确定性,建立了模糊马尔可夫随机场模型(FMRF).该模型结合分割问题中的随机性与模糊性,更合理地获取了图像的先验知识,较好地符合了遥感图像的特点,因而使得图像分割过程中使用先验知识更为准确.同时算法针对遥感图像的特点,结合了图像的灰度特征和纹理特征,从而使其能更准确地区分图像中的不同类.为使两种特征能够很好地结合,本文采用了贝叶斯分割方法,使用权值对图像特征进行权衡.同时本文采用最大期望算法(EM)对不完整的数据进行估计,应用模拟退火算法(SA)获得全局最优解,从而实现了无监督分割.实验证明,对于SAR图像,该方法较经典的马尔可夫随机场(MRF)算法和模糊C-均值(FCM)算法更好地处理了边缘的混叠,明显减少了斑点噪声,使分割结果更加准确.     

基于小波域三重MRF分割算法的遥感图像分割分析

研究一种基于小波域三重马尔科夫随机场模型(Markov Random Field,MRF)分割算法的遥感图像分割分析方案,对高分五号卫星提供的遥感图像信息进行MRF图元分割,在图元中使用两次小波域分析进行图像信息加强处理,其结果仍无法在高分卫星工具包中实现图像信息的有效读取,所以使用无人机超低空补充遥感的方式进行补充遥测,最终比较植被、水域、道路、建筑在高分卫星工具包下的识别率.革新方案的识别率远高于卫星直接图像的识别率,但对水域、道路的识别率仍较低,经过超低空补充遥感后,识别率达到99％以上,基于小波域三重MRF分割算法对遥感图像处理有积极意义.     

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。     

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。     

像素级和对象级高分辨率遥感图像变化检测分析

高分辨率遥感图像具有丰富的纹理信息,而像素级变化检测方法主要分析图像的光谱信息,导致将像素级变化检测方法用于高分辨率遥感图像具有一定的局限性。因此,本文提出了一种像素级与对象级相结合的高分辨率遥感图像变化检测方法,解决了像素级与对象级变化检测方法中存在的椒盐现象、误检等问题。首先,结合高分辨率遥感图像的多维特征,构建遥感图像变化检测模型;其次,利用随机森林分类器对图像进行分类,得到像素级变化检测结果;最后,将像素级变化检测结果与图像对象分割结果进行融合,得到图像变化区域和不变区域。试验结果表明,该算法具有较高的准确率和检测精度。     

基于超像素分割与CRF的高分辨率遥感影像变化检测

针对目前高分辨率遥感影像变化检测算法对于光谱变化过敏感问题,本文提出了一种基于超像素分割与条件随机场（CRF）的遥感影像变化检测算法。首先采用空间约束的t混合模型驱动的分割模型,获得同质性超像素块,实现良好的边界附着性和亮度均匀性。然后计算分割得到的双时相影像块之间的特征差异性,获取变化幅度图像。最后利用模糊聚类算法（FCM）对变化幅度图像进行聚类,得到隶属度图像作为CRF一阶势,并利用光谱-空间相似度约束的函数构建CRF二阶势。试验结果表明,与现有方法相比,该方法检测精度可提高5%,错检率和漏检率可降低3%,能较好地应对输入图像的光谱变化,并保持变化检测结果的边缘细节。     

基于选权迭代估计与非监督分类的多光谱图像变化检测

针对多光谱图像的变化检测问题,提出了一种基于选权迭代估计(iterative estimation with weight selection,IEWS)与非监督分类(unsupervised classification,UC)的多光谱图像变化检测方法。借鉴IEWS的思想,并以类似于迭代加权多元变化检测(iteratively reweighted multivariate alteration detection,IRMAD)的迭代模式进行回归估计,得到初步的变化检测结果;并通过对初始变化信息的UC处理,以及对不同类别的IEWS,得到最终的变化检测结果。利用该方法对TM图像进行了实验,结果表明:所得到的变化信息在空间位置上同该区域相应时间段内土地利用/覆盖的变化情况具有很好的一致性;同时与多元变化检测及IRMAD方法变化检测的结果相比较,表明该方法对相对较小的变化信息具有更好的变化检测能力。     

基于MKSVM和MRF的高光谱影像分类方法

为充分利用高光谱遥感影像中丰富的光谱和空间信息,提出了一种基于多核支持向量机(multiple kernel support vector machine,MKSVM)和马尔科夫随机场(markov random field,MRF)的影像分类方法。该方法首先利用MKSVM分类器对影像进行分类处理,再利用MRF对初始分类结果进行空间结构规则化,得到最终分类结果。通过对AVIRIS高光谱影像的分类实验表明,该方法有效地消除了分类结果中同质区域内的"噪声",分类精度提高了3%左右。