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。     

基于孪生注意力网络的高分辨率遥感影像变化检测

随着遥感影像空间分辨率的提升,地物成像特征愈加复杂,基于纹理表达和局部语义等技术的变化检测方法已很难满足需求.为提升高分辨率遥感影像的变化检测精度,构建了一套较大规模的0.8～2 m高分辨率遥感人类活动变化检测数据集(HRHCD-1.0);同时将空间注意力和通道注意力机制引入孪生变化检测网络中,设计了具有更强上下文变化...     

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。     

高空间分辨率遥感影像下的违法用地变化检测

遥感影像时间、空间分辨率的逐渐提高和图像识别技术的发展,使基于高分辨率遥感影像进行自动、准确、快速的违法用地检测成为可能。本文利用高空间分辨率遥感影像,提出了一种基于地物分布特性的违法用地变化检测方法,将违法用地判别特征知识融入变化检测模型,实现违法用地变化信息自动提取。选取广州市从化街口地区为研究区域,试验结果表明该方法能够辅助应用人员在大范围内快速地定位疑似违章用地图斑,提高生产效率,取得较好的应用效果。     

一种面向地理对象的遥感影像变化检测方法

根据高空间分辨率影像上变化区域呈聚集状分布的特点,提出了一种面向地理对象的遥感影像变化检测算法。在利用Mean-Shift分割算法的基础上,获得不同时相地理对象的灰度特征信息,结合变化矢量分析,采用最大数学期望算法自动提取变化区域。以QuickBird、SPOT、TM三组不同空间分辨率的影像进行算法验证并比较了该方法与单像素变化检测算法的差异。结果表明,三组影像中面向对象的变化检测算法的检测精度分别为91.1%,87.3%和84.3%,单像素的变化检测算法检测精度分别为86.41%,82.48%和81.02%。试验结果显示面向对象的算法检测精度高于基于单像素的变化检测算法,且对高空间分辨率的影像检测效果要优于对中低空间分辨率的影像的检测效果。该算法减少了变化阈值确定中的人工干预,克服了以像素为单位的变化检测算法中由于缺少空间邻域信息而产生孤立、离散、不连通变化结果的问题,能够满足在不同土地覆盖类型下的变化检测要求,在国土资源监测中具有一定的使用价值。     

基于差值PCA的高分辨率影像变化检测

目前,影像变化检测研究主要针对多波段低空间分辨率影像,而多波段高空间分辨率影像的变化检测研究则相对较少。本文以时相为2015年和2016年的资源三号卫星影像为研究对象,采用差值主成分分析方法提取研究区的变化图斑。实验证明,该方法在多波段高分辨率卫星影像变化检测中有效,对影像变化检测的研究和应用具有重要的参考价值。     

遥感时间序列影像变化检测研究进展

同一区域、不同时期大量历史数据的积累,以及同一区域能够方便地获取高时间分辨率遥感数据,使遥感时间序列影像变化检测成为近年来遥感技术与应用的研究热点。本文系统总结和评述了当前遥感时间序列影像变化检测的相关研究进展和应用状况,在阐明遥感时间序列分析的意义,以及时间序列影像在变化检测中的优势的基础上,从非遥感领域时间序列变化检测方法出发,针对遥感时间序列影像变化检测的需求,明确和归纳了遥感时间序列变化检测的问题与类型,并对当前最新研究进行了综述,总结了各种方法的优点与不足,重点介绍了基于经验模态分解的遥感时间序列影像异常信息检测方法和基于隐马尔可夫模型的土地利用/覆盖变化检测方法,以期能够为相关研究提供参考。最后总结了该研究领域的发展趋势和存在问题,并对今后的研究工作和未来发展方向进行了展望。     

联合像素级和对象级分析的遥感影像变化检测

为改善高空间分辨率遥感影像的变化检测精度,提出一种联合像素级和对象级分析的变化检测新框架。首先将多时相影像进行叠合,对叠加影像进行主成分分析,并利用基于熵率的方法对第一主成分影像进行分割,通过改变超像素数目来获取多层次不同尺寸大小的超像素区域。同时,对多时相影像进行光谱差异和纹理差异分析,采用自适应PCNN神经网络方法进行图像融合,利用水平集(CV)方法对融合后的影像进行分割获取像素级变化检测结果。最后,结合多尺度区域标记矩阵对检测结果进行变化强度等级量化和决策级融合,作为变化检测的后处理部分,以获取最终的对象级变化检测结果。采用SPOT-5多光谱影像进行试验。结果表明这种新框架可以有效集成基于像素和基于对象两种图像分析方法的优势,能够进一步提高变化检测过程的稳定性和适用性。     

一种多特征融合的面向对象多源遥感影像变化检测方法

当前,随着遥感影像数据来源越来越丰富,且分辨率越来越高,传统的变化检测方法已经无法满足实际应用的需要。针对这一问题,提出了一种多特征融合的面向对象多源遥感影像变化检测方法。在对象获取和多种特征提取的基础上,利用SVM对高维数据分类的优异特性,将基于SVM的二类分类方法与对象级变化检测有机结合,提高了多源遥感影像变化检测的精度和可靠性。结合人工目视判读,设计了一种面向地物的指标计算方法。实验采用多源多时相的遥感影像进行,并对不同地物变化检测的精度进行统计,验证了提出方法的有效性。     

孪生高分辨率卷积神经网络遥感影像变化检测方法

针对遥感影像变化检测问题,提出了一种孪生高分辨率卷积神经网络模型。该模型首先基于孪生网络模型提取不同时相遥感影像的特征,然后将特征拼接后输入到嵌套U形网络中输出变化检测区域。为了提升变化检测效果,进一步设计了高分辨率卷积神经网络用于提取不同时相遥感影像的特征,以充分利用不同分辨率的特征来提升变化检测效果。在LEVIR-CD变化检测数据集上的大量实验表明,所提出方法能够比对比方法获得更高的变化检测精度。     

基于空间模糊C均值聚类和贝叶斯网络的高分一号遥感影像变化检测

在目前经典的变化检测算法中,后验概率空间变化向量分析(CVAPS)方法广泛用于遥感影像的变化检测。然而,基于支持向量机(SVM)的CVAPS法无法有效处理高分一号影像中等分辨率遥感影像中的混合像元问题,且难以有效保证变化检测的精度。因此,本文通过引入空间信息,使用空间模糊C均值聚类(Spatial Fuzzy C Means, SFCM)有效地实现高分一号影像混合像元的分解,并结合简单贝叶斯网络(SBN),提出一种新的后验概率空间变化向量分析法SFCM-SBN-CVAPS。实验结果表明,本文算法的总体精度和Kappa系数均高于基于普通模糊C均值聚类(Fuzzy C Means, FCM)的CVAPS算法,且耗时更短,本文所提出的算法有助于提高遥感影像变化检测的精度和效率。     

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。     

基于CRF模型的高分辨率遥感影像变化检测

针对传统高分辨率遥感影像变化检测方法大多直接利用光谱信息进行计算,导致检测精度不高的缺陷,提出了一种基于条件随机场模型（CRF）的高分辨率遥感影像变化检测方法。该方法利用CRF模型融合差值影像的光谱项和空间项,在融合过程中,引入EM迭代策略不断更新影像检测结果,提高变化检测精度。试验结果表明,本文方法的分类精度好于传统方法,并且稳定性良好。     

变化检测技术及其在高分辨率卫星遥感影像中的应用

对高分辨率遥感卫星影像利用变化检测技术更新现有的影像数据库或地图数据库是一项对测绘具有重要意义的工作.对现有的变化检测技术进行了分类总结,然后提出了对高分辨率遥感卫星影像进行变化检测的实施流程,最后结合数学形态学算法对SPOT5影像(2.5 m分辨率)进行了相关实验.     

基于概率统计模型的遥感影像变化检测

基于概率统计理论,提出了一种基于t检验的遥感影像自动变化检测方法,并实现了其与相关系数法的有效结合,运用于复杂城区环境下地物类型的自动变化检测.对于高空间分辨率影像,有效引入纹理特征,减少了房屋阴影的影响,对最终变化检测结果起到了明显的增强效果.实验采用不同类型的数据,详细叙述了变化目标的提取以及本文方法的特点,结果真实反映了实际地物的变化,表明该方法具有很好的实用价值.     

决策级融合的多分辨率遥感影像变化检测

针对多时相、多分辨率遥感影像数据的特点,充分考虑不同分辨率数据和不同变化检测应用的需求,将由粗到精数据集分层检测和决策级融合的思想引入到变化检测,以多时相多分辨率ALOS遥感影像为例,构建并试验了由粗到精变化检测的技术流程.该方法将ALOS多光谱数据视为粗数据集,将全色数据和融合数据视为精数据集,通过对3种数据集变化检...     

变化检测技术及其在高分辨率卫星遥感影像中的应用

对高分辨率遥感卫星影像利用变化检测技术更新现有的影像数据库或地图数据库是一项对测绘具有重要意义的工作。对现有的变化检测技术进行了分类总结,然后提出了对高分辨率遥感卫星影像进行变化检测的实施流程,最后结合数学形态学算法对SPOT5影像(2.5 m分辨率)进行了相关实验。     

基于相似度验证的自动变化探测研究

变化检测技术越来越多地应用于城市遥感分析和应用领域,但目前城市变化检测的研究主要基于中低空间分辨率的遥感数据,使用的方法也主要是像元直接比较法或者是分类后比较法。提出一种基于变化向量分析和相似度验证相结合的变化检测方法,应用高空间分辨率影像来快速实现城市建筑物、街道等目标的自动变化检测。并详细阐述了变化目标的提取以及验证的方法和过程,其结果真实地反映了地面目标的实际变化程度和类型。     

基于显著性卷积神经网络的变化检测方法

针对变化检测方法对差异遥感影像去除斑点噪声和地物边缘检测效果不佳的问题,该文提出一种基于显著性卷积神经网络(SCWNN)的变化检测方法。该方法采用上下文感知显著性检测方法,提高遥感影像中差异较大区域显著性值,减小差异较小区域显著性值,有效优化了地物边缘,同时降低斑点噪声;然后采用卷积神经网络方法,克服了由于样本不足对变化检测精度的影响。通过超高分辨率影像和合成孔径雷达两组双时相遥感影像数据进行实验,结果表明方法的有效性和鲁棒性。     

基于时刻独立脉冲耦合神经网络的高空间分辨率摇感影像分割

高空间分辨率遥感影像中地物目标内部光谱信息复杂性的增强,使得传统基于光谱特征值的数据处理方法效果不再显著,影像分割为解决这一问题提供了一种思路,成为当前高空间分辨率遥感影像处理的研究焦点.时刻独立脉冲耦合神经网络具有状态相近、空间相邻神经元相互耦合同步脉冲激发和区域之间神经元脉冲激发时刻独立两大特点,已被应用于非遥感影像分割中,并取得较好效果.本文结合高空间分辨率遥感影像特点,通过对网络参数进行实验和分析,提出一个基于时刻独立脉冲耦合神经网络的高空间分辨率遥感影像分割方法,并利用空间分辨率0.3m的航空影像进行了数据试验,将分割结果进行讨论并与现有时刻独立脉冲耦合神经网络方法和ISODATA方法分割结果进行对比分析.结果表明:时刻独立脉冲耦合神经网络在高空间分辨率遥感影像分割处理中具有很好的应用前景.