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。     

加入多时相纹理的遥感变化检测

基于遥感技术的变化检测是遥感应用的一个重要方面.传统基于遥感的变化检测方法一般是利用光谱信息,较少注意多时相图像间的光谱特征相关关系分析.本文运用地统计学的伪交叉变差函数(Pseudo Cross Variogram)计算多时相图像纹理,定量表达多时相图像间的空间相关关系,并将得到的多时相纹理信息与光谱信息一起用于多时相变化检测.实验结果表明,加入多时相纹理信息可以显著提高变化检测精度,是一种有效的方法.     

运用多尺度图像纹理进行城市扩展变化检测

 应用遥感数据检测城市扩展变化时，单纯基于光谱信息的变化检测法很难取得理想效果。本文将多尺度的纹理与光谱信息结合应用于变化检测，并评价其在检测城市扩展变化中的性能。变化检测采用分类后比较法。研究表明，如果纹理尺度与数据组合合适，与单纯基于光谱信息的检测结果相比，纹理特征与光谱特征结合的变化检测精度显著提高，而多尺度纹理辅助变化检测得到的检测精度最高。研究还发现，纹理辅助变化检测在某些地物类别的边缘会产生假变化信息。     

一种运用纹理和光谱特征消除投影差影响的建筑物变化检测方法

针对不同时期高分辨率遥感影像变化检测中城区建筑物因投影差差异所产生的误检测现象,提出了一种综合应用光谱和纹理特征的建筑物变化检测方法。以变化和未发生变化地物影像的散度作为可分性依据,首先对光谱差分影像在混合高斯密度模型下建模,并采用马尔可夫最小错误概率准则提取初始变化区域,往往含有错判的建筑物。然后将误判建筑物影像类和真实变化影像类构成训练集,通过引入多通道Gabor滤波器,提取训练集的纹理差分特征,并采用分类别PCA变换实施纹理差分特征的选择。最后对选择出的纹理差分特征依据高斯混合密度模型建模,并用马尔可夫最小错误概率提取真变化区域,即可去除光谱信息检测所产生的伪变化。试验表明,本文方法能够较好地解决建筑物变化的错判问题,提高了影像变化检测的精度。     

融合像素级和对象级的遥感图像变化检测方法

针对现有遥感影像变化检测方法常存在的检测结果破碎、虚检较多、对数据匹配要求高等问题。提出了一种融合像素级和对象级的遥感图像变化检测方法。利用光谱和纹理信息构建单高斯模型,在多尺度上进行像素级变化检测。然后,以像素级检测结果为种子区域,同时在变化前后影像上区域生长,融合生长结果提取变化对象。最后,依据检测需求对变化对象进行特征分类并滤除虚警。实验结果表明,该方法降低了虚检,保持了变化区域的结构完整性,在变化前后图像分辨率存在一定差别时仍有较高的检测精度。     

知识驱动下的飞机目标变化检测方法

针对高分辨率光学遥感图像,提出了一种知识驱动下的机场区域飞机目标变化检测的思路和实现方法。首先,根据机场的地理位置知识信息,建立该机场的空间掩模图像,在此基础上获取待检测飞机目标的候选区域;然后,结合目标区域的控制点知识信息,对输入图像进行空间位置配准;再利用飞机目标的变化会导致区域纹理发生显著变化这一知识信息,提取目标区域的纹理特征进行变化检测,并对区域进行弱纹理剔除和边缘抑制处理;最后,利用数学形态学运算方法剔除部分孤立点,得到最终的检测结果。实验表明,该方法可以显著减小由配准误差、边缘响应等因素造成的虚警,飞机目标变化检测的正确率达到92.47%。     

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。     

加入改进LBP纹理的高分辨率遥感图像分类

高分辨率遥感图像纹理信息丰富,将其与光谱信息相结合进行地物分类可提高地物的精度。将改进的局部二值模式(LBP)纹理应用到高分辨率图像的土地覆盖分类中,并与只利用光谱信息和加入传统LBP纹理信息的分类结果相比较。结果表明:改进的LBP具有很好的抗噪性能,并能更有效地表达图像的纹理信息,加入这种纹理信息的图像分类精度明显高于纯光谱分类和加入传统LBP纹理信息的分类。     

高分辨率遥感影像的深度学习变化检测方法

为提升高分辨率遥感影像的变化检测精度,提出一种利用深度学习的变化检测方法。在预处理的基础上,利用顾及邻域信息的改进变化矢量分析算法和灰度共生矩阵算法获取影像间光谱和纹理变化,并通过设置自适应采样区间提取最可能的变化和未变化区域样本。构建并训练包含标签层的高斯伯努利深度限制玻尔兹曼机模型,以提取变化和未变化区域深层特征,从而有效辨别变化区域。通过WorldView-3与Pléiades-1影像的试验表明本文方法在变化检测精度方面优于对比方法。     

基于融合的高分辨率遥感影像变化检测

提出一种融合分类后比较法和差异影像法的多时相高分辨率遥感影像变化检测方法.以相关系数为理论基础,通过分析差异影像直方图,确定未发生变化的区域,保证两个时相间样本的一致性.分类后比较法能够提供变化类型信息,差异影像法能够有效检测变化区域,二者的有效融合能够产生一种精确且有变化类型信息的变化检测方法.针对高分辨率遥感影像,以图斑为基本分析单元,结合差异影像法和支持向量机分类后比较法进行实验,结果表明差异影像的引入能够有效去除分类后比较法产生的伪变化信息,支持向量机分类后比较法能消除因成像条件差异而产生的伪变化信息,两种变化检测结果的有效结合能够提高变化检测结果精度,准确反映变化类型.