面向对象的多特征分级CVA遥感影像变化检测

变化矢量分析CVA方法在中低分辨率遥感影像变化检测中已得到广泛应用,但由于高分辨率遥感影像存在不同地物尺度差异大、不同类别地物光谱相互重叠的问题,因此对于高分影像的变化检测具有局限性。为提高高分影像变化检测精度,提出了一种面向对象的多特征分级CVA变化检测方法,首先,利用基于区域邻接图的影像分割方法分别对两时相遥感影像进行多尺度分割,提取分割图斑的光谱、纹理和形状特征;然后,在各级尺度下,分别运用随机森林方法进行特征选择,计算CVA变化强度图;最后,根据信息熵对多级变化强度图进行自适应融合,利用Otsu阈值法检测变化区域,并与仅考虑光谱特征的分级CVA变化检测方法、像元级多特征CVA变化检测方法以及仅考虑光谱特征的像元级CVA变化检测方法进行比较分析。实验表明:与比较方法相比,本文方法的变化检测精度较高,误检率和漏检率较低。     

融合像素—多尺度区域特征的高分辨率遥感影像分类算法

针对基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象和面向对象影像分析方法的"平滑地物细节"现象,提出了一种融合像素特征和多尺度区域特征的高分辨率遥感影像分类算法。(1)首先采用均值漂移算法对原始影像进行初始过分割,然后对初始过分割结果进行多尺度的区域合并,形成多尺度分割结果。根据多尺度区域合并RMI指数变化和分割尺度对分类精度的影响,确定最优分割尺度。(2)融合光谱特征、像元形状指数PSI(Pixel Shape Index)、初始尺度和最优尺度区域特征,并对多类型特征进行归一化,最后结合支持向量机(SVM)进行分类。实验结果表明该算法既能有效减少基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象,又能保持地物对象的完整性和地物细节信息,提高易混淆类别(如阴影和街道,裸地和草地)的分类精度。     

结合特征选择的CVA多尺度遥感影像变化检测

针对在多时相变化检测中，面向对象方法无法较好地检测影像中的细微变化，受分割效果以及面向像素方法的影响出现较高虚警率等问题，本文提出了一种结合基于像素的多特征变化向量分析法（CVA）与基于对象的多层次分割的联合判别方法。首先提取不同时相的光谱与纹理特征，利用最大相关最小冗余（mRMR）算法进行特征选择并通过CVA得到像素级变化检测结果；然后对两幅影像进行叠合分割，利用区域合并策略进行不同尺度检测并获取各尺度检测结果；最后结合多种检测结果进行融合，获得最终变化检测结果。检测结果表明本文所提方法能有效降低漏检率，同时提高了检测的准确性。     

一种改进的基于最小生成树的遥感影像多尺度分割方法

影像分割是遥感影像面向对象信息提取的基础步骤。基于多特征、多尺度及考虑空间关系的遥感图像分割是主流研究方向。本文基于eCognition软件的多尺度分割思想,引入基于图论的最优化理论,提出了基于最小生成树分割和最小异质性准则的多尺度分割方法。该方法采用相干增强各向异性扩散滤波和最小生成树分割得到初始分割结果,通过最小异质性合并准则同时考虑多波段光谱特性区域形状参数进行区域合并,实现多尺度的影像分割。本次研究选取两景试验影像,对本文方法和eCognition软件的多尺度分割方法开展了目视比较和定量指标评价,结果表明,本文提出的方法是一种有效的影像分割方法,在光谱差异较小区域的细分方面优于eCognition方法。     

光学遥感影像与GIS数据一体化的水体分割、配准与提取方法

利用遥感影像进行自动化水体提取是一项富有挑战的任务。提出了一种GIS数据辅助下的可见光遥感影像水体自动提取方法,其核心是将影像分割、配准和变化检测集成为一体化处理流程检测水体。利用水体在遥感影像上的显著特性,首先提出了基于多尺度视觉注意模型的疑似水体区域检测;然后对影像显著区域进行水平集分割处理,通过迭代的分割和配准一体化处理不断优化直至获得最优的分割和配准结果,其中改进的形状曲线相似度特征用于约束分割结果与GIS水体对象的匹配;最后,利用基于缓冲区的变化检测方法获取变化和未变化的水体对象,同时利用已知水体辐射特征与GIS地物的空间位置关系剔除非水体对象。采用3组不同分辨率的遥感影像和不同尺度的GIS数据进行实验,结果显示了本文方法在水体自动提取和变化检测中的有效性。     

多特征多尺度相结合的高分辨率遥感影像建筑物提取

在高分辨率遥感影像中,建筑物通常表现为多尺度形态,且存在同谱异物和同物异谱现象。因此,本文提出了一种综合利用光谱特征、形状特征和纹理特征,并结合多尺度分割的建筑物分级提取方法。该方法首先对遥感影像进行形态学建筑物指数（MBI）计算,而后对其特征影像进行阈值分割,并借助形状特征参数实现建筑物初提取;然后引入面向对象思想完成遥感影像多尺度分割,并利用纹理特征实现单一尺度的建筑物对象识别;最后借助多尺度融合思想完成建筑物后提取。利用本文方法对冲绳某地区影像进行了建筑物提取试验。试验结果表明,该方法的识别查准率和查全率在对象级和像素级两方面均取得较高精度。     

融入边界特征的遥感影像多尺度分割

以往的遥感影像多尺度分割方法对边界特征分析运用较少,为此提出了融入边界特征的多尺度加权聚合遥感影像分割方法(edge-incorporated multi-scale image segmentation by weighted aggregation,EIMSSWA)。首先,检测影像梯度特征生成边界图;然后,在基元合并过程中计算相邻基元间公共边界的多种统计特征,并将其同基元的其他区域特征相结合,优化基元间的相似性度量,提高影像多尺度分割结果的精度;最后,通过e Cognition软件的多尺度分割、基于加权聚合的影像分割(segmentation by weighted aggregation,SWA)和EIMSSWA等3组实验来验证方法的分割精度。结果表明,EIMSSWA方法能够取得更高精度、更合理的影像分割结果。     

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。     

基于RMNE方法的多尺度分割最优分割尺度选取

多尺度分割是面向对象地物信息提取技术中的重要方法之一。最优分割尺度的选取是该方法的研究热点。针对现有最优分割尺度选取方法大多仅利用对象光谱特征的局限,本文提出RMNE(the ratio of mean difference to neighbors (Abs) to entropy)方法,利用纹理特征的信息熵和光谱特征与邻域均值差分绝对值进行对象内部同质性和对象之间异质性的衡量,构建评价函数,通过绘制函数曲线选取最优分割尺度。以北京市城市边缘地区6 m空间分辨率的SPOT6多光谱影像为例进行多尺度分割,获得最优分割尺度组合为30,60和80,并与最大面积法和优度函数法选取的最优分割尺度对应的分割结果进行对比。结果表明,RMNE方法的分割结果最好,验证了该方法的有效性和对高空间分辨率影像的适用性;通过与Google Earth影像对比,发现RMNE方法分割得到的影像对象大小与地物实际大小最为相符。     

区域多尺度马尔可夫随机场的遥感影像分类

多尺度分析技术广泛应用于高分辨率遥感影像的特征提取和建模。分解层数受制于影像的大小,下采样小波变换实现的影像多尺度表达难以描述大范围的空间模式,导致分类结果出现"胡椒盐"现象;面向对象的影像分析技术虽避免了"胡椒盐"现象,但由于仅利用了单尺度的的特征,也难以描述影像多层次的空间模式,导致分类精度较低。为改善分类结果中的"胡椒盐"现象和提高分类精度,提出了一种结合区域多尺度遥感影像分割和马尔可夫随机场的分类方法。首先,获得原始影像过分割区域,依据区域内亮度均值以及区域间的共享边界长度信息,提取影像低频和高频特征,采用该低频特征波段代替原始影像,重复分割与特征波段提取过程,形成影像的区域多尺度表达。然后,以原始图像为初始尺度,以分割区域为处理单元,以更细尺度分类结果为标记场先验,以当前高频特征建立特征场,逐层分类、投影,获得最终尺度分类结果。合成纹理影像和多光谱遥感影像的实验表明:相比于小波域多尺度建模方法和单尺度区域建模方法,本文提出的方法可以有效提高分类精度,并避免"胡椒盐"现象的产生。