结合双树复小波纹理特征和MRF模型的遥感图像分割

针对经典的小波纹理不能准确地表达影像纹理特征的问题，以及影像分割结果缺少对像元空间相关性和分布关系的考虑。本文提出了结合双树复小波（DT-CWT）纹理和马尔可夫随机场（MRF）模型的高分辨率遥感影像分割方法。首先，通过双树复小波变换提取影像纹理特征，联合光谱特征形成表达影像信息的混合特征向量；然后，将混合特征向量高斯归一化处理，并用K-means聚类的方法对特征空间中的混合特征向量聚类得到初始分割图；最后，借助马尔可夫随机场模型在初始分割结果中引入上下文信息，基于贝叶斯最大后验概率准则得到最终的分割结果。本文通过双树复小波纹理提高了特征表达的准确度，同时使用马尔可夫随机场模型减弱了分割结果中同质区域的“椒盐噪声”，从而进一步提高了高分辨率遥感影像分割的精度。     

基于混合高斯密度模型和空间上下文信息的遥感影像变化检测方法及扩展

在运用混合高斯密度模型对差分影像建模的基础上,分别采用顾及上下文信息的概率松弛迭代法和马尔可夫随机场模型法进行影像的变化检测.首先,提出一种运用遗传K均值算法与EM算法联合解算高斯混合密度模型参数的方法,该方法可以自动地解算出模型的统计参数,结果与手工选择样本的解算结果完全一致.然后,比较概率松弛迭代法以及马尔可夫随机场模型法的影像变化检测效果,得出基于模拟退火法的马尔可夫随机场法效果较好的结论.最后,对传统的基于模拟退火法的马尔可夫随机场方法进行改进,提出了一种变权马尔可夫随机场方法,检测结果能更好地保持影像的结构性,并有效去除了孤立噪声.     

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。     

利用纹理融合与广义高斯模型的高分辨率SAR影像变化检测

为了充分利用高分辨率SAR影像的纹理特征,提出一种纹理信息融合与广义高斯模型相结合的SAR影像变化检测方法。通过灰度共生矩阵计算影像的纹理特征进而构造纹理差异影像,利用离散平稳小波变换,融合灰度差异影像和纹理差异影像。然后利用广义高斯模型进行统计建模,估计融合后差异影像上变化类和未变化类的概率分布,利用KI阈值准则获取最佳分割阈值,实现多时相SAR影像的非监督变化检测。选取两组TerraSAR-X数据进行实验,结果表明融合纹理信息与广义高斯模型的变化检测方法可行,其中融合逆差距纹理信息的检测性能最优。     

多特征融合的高分辨率影像建筑物变化检测

为充分发挥遥感影像中各特征的优势，提高遥感影像建筑物变化检测精度，基于面向对象的分析方法，提出了一种基于模糊集合的证据理论特征信息融合的变化检测方法。首先，在影像分割的基础上，利用变化矢量分析法分别计算前后时相对应对象的光谱、纹理特征差异及形态学建筑物指数差异；然后，以Sigmoid函数作为隶属度函数，计算对象属于变化类和非变化类的隶属度并以之构建证据理论所需的基本概率分配函数；最后，利用证据理论对多种特征进行融合并通过规则判定得到建筑物变化区域。利用不同地区影像的试验结果表明，该方法能够有效融合影像的多种特征，提高建筑物变化检测的精度。     

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。     

建筑物变化的多特征融和及随机多图综合检测法

针对遥感影像建筑物变化检测过程中存在构造的差异影像凸显建筑物效果不理想 、提取训练样本质量差及分类精度低等问题,本文从差异影像构造、高质量训练样本提取及分类方法等3方面进行研究,提出一种基于多特征融合及随机多图的遥感影像建筑物变化检测方法.首先,把通过CVA获取不同时相遥感影像光谱特征差异图、纹理特征(灰度共生矩阵法)差异图及通过求差获取不同时相遥感影像形态学建筑物指数特征差异图、最佳尺度分割后的形状特征差异图按照一定比例相加来构造差异影像,从而有效凸显建筑物变化信息;然后采用构造的变分去噪模型对差异影像进行去噪处理,利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值算法对显著性图选取阈值得到的粗变化检测图进行预分类,从而获取高质量建筑物及非建筑物训练样本;最后,把从遥感影像及特征影像上提取建筑物和非建筑物训练样本的邻域特征引入随机多图分类模型中进行标签训练,并利用训练好的随机多图分类器对粗变化检测图进行建筑物变化检测,从而得到高精度的建筑物变化检测结果.为了验证本文方法的有效性,选择同源及多源遥感影像进行试验分析.试验结果表明,本文方法可以检测出更多建筑物变化信息及较少的非建筑物变化信息,同时Com值、Cor值及FM值也明显高于其他比较方法.     

基于图斑的高分辨率遥感影像变化检测

高分辨率影像具有空间分辨率高、光谱分辨率相对不足的特点,传统基于像元的变化检测方法在高分辨率遥感变化检测中显示出不足。研究一种基于图斑的多时相高分辨率影像变化检测方法,以光谱特征为依据,对影像进行分割,然后以图斑为基本分析单元进行变化检测研究。引入概率统计学中的t检验方法,并与相关系数法相结合,采用区域内的光谱、纹理特征进行变化检测。选取城市区域的高分辨率影像进行试验,结果表明该方法可以很好地实现高分辨率影像的变化检测,具有一定的理论研究和实际应用价值。     

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。     

DInSAR形变异常的建筑物违章检测方法

针对面对大区域变化检测时采用多源遥感影像进行建筑物违章变化检测面临效率低、准确性差的问题,该文提出了一种基于合成孔径雷达差分干涉测量(DInSAR)异常形变的多源遥感建筑物违章变化检测方法。首先,对建筑物DInSAR形变特性进行分析,利用DInSAR形变异常分析对建筑物违章变化区域进行定位;其次,依据DInSAR形变分析确定的建筑物变化范围,采用光学影像进行局部变化检测,实现DInSAR与光学影像融合的建筑物违章变化检测;最后,利用该方法对某区域的DInSAR影像和光学影像进行建筑物违章检测实验。结果表明,该方法能够快速定位违章建筑物,有效检测建筑物违章图斑。     

多特征融合的高分辨率遥感影像飞机目标变化检测

为利用高分辨率遥感影像实现高精度的飞机目标变化检测,提出了一种自适应的多特征融合变化检测与深度学习相结合的方法。首先,通过加权迭代的多元变化检测法获取变化强度图,并结合自适应的直方图统计法自动获取显著的变化与不变化样本;然后,提取多时相影像的光谱、边缘和纹理特征,完成多特征融合的变化检测,并通过形态学处理得到变化图斑;最后,利用训练的NIN(Network in Network)结构的卷积神经网络飞机识别模型,完成变化图斑的类型判别,实现变化飞机的检测。实验结果表明,本文方法在两组数据的正确率分别达到100%和91.89%,均优于对比方法,能实现准确可靠的飞机目标变化检测。     

广义马尔可夫随机场及其在多光谱纹理影像分类中的应用

在二维马尔可夫随机场模型的基础上，提出顾及波段间的空间相关性，发展了一种适用于多光谱纹理影像分类的广义马尔可夫随机场模型。鉴于广义马尔可夫随机场模型的复杂性，利用最大伪似然法建立了求解模型参数的简化方程式，实现了纹理特征的快速提取。结合提取的纹理特征影像和光谱特征影像，采用概率松弛算法实现影像的分类。实验证明，提出的基于广义马尔可夫随机场的多光谱纹理影像分类算法克服了传统的基于光谱特征的分类算法的局限性，提高了纹理影像的分类精度。     

融合多特征的遥感影像变化检测方法

本文提出了一种面向对象的多特征融合的变化检测方法。首先通过影像分割获取像斑,然后统计各像斑的光谱直方图和LBP(local binary patterns)纹理直方图,利用G统计量计算不同时期像斑之间的光谱距离和纹理距离,采用自适应的方法将光谱距离和纹理距离加权构建像斑的异质性,最后结合EM(expectation maximization)算法和贝叶斯最小错误率理论获取像斑的变化类别。在QuickBird影像上的实验表明该方法能够充分融合光谱特征和纹理特征,从而提高变化检测的精度。     

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。     

纹理特征向量与最大化熵法相结合的SAR影像非监督变化检测

合成孔径雷达(SAR)影像具有明显的斑点噪声,在变化检测中,一般需要考虑空间邻域信息。本文结合SAR影像丰富的纹理信息,提出一种考虑空间邻域信息的高分辨率SAR影像非监督变化检测方法,用基于灰度共生矩阵(GLCM)的32维纹理特征向量构造差异影像。通过最大化熵法自动选取阈值,对精度指标随窗口大小的变化进行回归分析,得到适合于变化检测的窗口为11×11。试验表明,本文方法优于马尔科夫随机场法,可以减小斑点噪声的影响,有效提高高分辨率SAR影像变化检测的精度。     

Texture-based classification of sub-Antarctic vegetation communities on Heard Island

This study was the first to use high-resolution IKONOS imagery to classify vegetation communities on sub-Antarctic Heard Island. We focused on the use of texture measures, in addition to standard multispectral information, to improve the classification of sub-Antarctic vegetation communities. Heard Island’s pristine and rapidly changing environment makes it a relevant and exciting location to study the regional effects of climate change. This study uses IKONOS imagery to provide automated, up-to-date, and non-invasive means to map vegetation as an important indicator for environmental change. Three classification techniques were compared: multispectral classification, texture based classification, and a combination of both. Texture features were calculated using the Grey Level Co-occurrence Matrix (GLCM). We investigated the effect of the texture window size on classification accuracy. The combined approach produced a higher accuracy than using multispectral bands alone. It was also found that the selection of GLCM texture features is critical. The highest accuracy (85%) was produced using all original spectral bands and three uncorrelated texture features. Incorporating texture improved classification accuracy by 6%.     

基于独立成分分析的高光谱变化检测

现有的变化检测方法并未充分研究变化前后高光谱遥感影像端元的联系,不能准确地分析地物变化信息。本文提出了一种基于独立成分分析的高光谱遥感影像变化检测方法,对差值影像进行基于偏斜度的独立成分分析,在不同组分图中分别显示单一地物的变化情况,进而提取变化信息。实验表明,该方法能够在获得较高检测率的同时维持较低的误检率,检测效果优于传统方法。     

融合多特征的遥感影像变化检测

常规多时相遥感影像变化检测主要基于光谱信息,没有充分利用纹理、几何、形状等多种特征信息,不足以体现检测目标的完整性和准确性。本文针对不同特征在变化检测中应用的优势,在提取影像多种特征的基础上,构建了1维和多维两种基于信息融合策略的变化检测方法,即利用1维特征空间加权距离相似度运算、多维特征空间的模糊集融合和支持向量机融合策略进行变化检测。利用多时相QuickBird高分辨率遥感影像进行城市土地覆盖变化检测试验,结果表明,本文方法可以有效集成不同特征的优势与表征变化信息的能力,提高变化检测过程的稳定性和适用性,同时能够更好地保持变化地物的结构和形状,突出主要变化目标。     

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。