基于高分辨率遥感影像的林地变化检测方法研究

本文采用2013年QuickBird和2017年GF-1卫星遥感影像,以黑龙江省五常市为研究区,利用遥感影像的光谱特征提取纯净森林像元,构建整合森林指数(Integrated Forest Z-Score,IFZ)对影像的森林和非森林区域进行区分,叠加对比分析两期影像提取结果,得到研究区内林地的变化区域.再将自动提取结果与人工判读图斑进行精度验证,面积误差为4.2％,图斑重叠率为85％.从精度结果可知,高分辨遥感影像可以准确地监测林地变化,对研究环境变化和森林经营管理具有决策性作用.     

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。     

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。     

遥感影像面向对象变化检测综述

遥感影像变化检测作为遥感领域的热点问题一直以来备受关注,面向对象变化检测技术对高分辨率遥感影像具有良好的分析处理能力,因此,越来越受到人们的青睐.对面向对象变化检测技术进行归纳、总结,根据面向对象变化检测技术流程,从数据预处理、影像分割、特征提取、变化检测、精度评价五个方面分别阐述了面向对象变化检测的研究进展,并指出了...     

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。     

特征组合优化的高分辨率遥感影像变化检测

为充分发挥遥感影像中光谱、形状、纹理等特征的优势,本文提出一种特征组合优化的高分辨率遥感影像变化检测方法。首先利用e Cognition软件对两时期影像进行多尺度分割并计算分割像斑的特征值;其次对比不同地物的特征值分布;然后分析不同特征对地物分类的影响;最后得到最优的特征组合。本文以乌鲁木齐西山高铁新区2014和2015年的IKONOS影像为基础进行实验,实验表明,上述方法可以充分利用多特征的优势,提高变化检测的精度。     

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...     

高分辨率遥感影像土地利用变化检测方法研究

提出一种利用高分辨率遥感影像进行土地利用变化检测的方法。以土地利用图为辅助数据,通过土地利用图和遥感影像的配准套合,获取影像像斑;同时,对遥感影像进行基于像素的监督分类,获取概略的类别图;再根据像斑内像素的类别编码完成子像斑的划分。以子像斑为影像分析的基本单位提取特征,以相关系数为相似性测度衡量不同时期子像斑的特征相似性,用ROC曲线(接受者操作特性曲线)代替经验选取的方法自动获取变化阈值,确定像斑是否发生变化。以武汉市区局部QuickBird 2002年和2005年多光谱影像、相同地区2002年1∶10 000土地利用图为实验数据进行了算法的实验,结果显示绝大部分的变化区域都可以被提取出来,实验方法可行。     

多时相遥感影像变化检测方法综述

遥感影像变化检测一直是国际遥感领域研究的热点和难点,尽管各国学者对变化检测问题进行了大量深入的研究,但是目前尚未出现一种普适性强、适用于所有情况的通用方法。随着遥感对地观测技术的快速发展和应用,变化检测技术体系也在不断地发展和演化。回顾了多时相遥感影像变化检测技术的发展历程,对多时相遥感影像变化检测方法的分类体系进行了归纳总结,从变化检测预处理、变化检测方法、精度评价3个方面详细总结了变化检测研究的最新进展,并指出了变化检测面临的核心困难及可能的应对措施,以期推动遥感影像变化检测研究更加深入的发展。     

高分辨率遥感影像配准与变化检测一体化处理

为了克服高分辨率遥感影像配准与变化检测作为单独环节处理的局限,该文提出了一种基于变分理论的配准与变化检测一体化处理方法。该方法将配准误差作为一种光谱变化决策因子,变化信息以权值的方式迭代反馈给变分配准模型的解算过程。为了更准确地检测建筑物这个特定目标的真实变化,该文采用多尺度最大形态学轮廓建筑物检测指数的差异作为另外一个决策因子。最后将配准误差反映的变化和建筑物检测指数的差异这两个决策因子在D-S证据理论框架下建立概率模型进行融合处理,进而得到建筑物的变化检测结果。该文选取WorldView-2数据进行实验,实验结果表明,一体化处理思路可以有效地解决单独处理的局限,从根本上解决配准误差对变化检测结果的影响以及由于变化而使配准精度降低的问题,进而提高配准和变化检测的质量。     

一种高分辨率遥感影像建筑物自动检测方法

高分辨率遥感影像具有丰富的空间信息、地物几何结构和纹理信息,有助于对地物目标进行认知和解译。而建筑物目标在人类活动区域内占据重要地位,对高分辨率遥感影像中的建筑物进行自动检测具有重大意义。提出了一种基于全卷积神经网络的建筑物自动检测方法,并制作了建筑物样本数据集,利用基于区域的全卷积神经网络和特征检测网络进行建筑物检测模型的参数训练,对待检测影像进行预处理之后利用模型进行建筑物检测,得到影像中的建筑物目标的具体位置和类别置信度。实验证明,提出的检测方法具有更好的效果和更快的速度。检测召回率达到92%,检测准确率达到98%,证明了该方法针对建筑物检测具有较高的精度和较强的稳定性。     

高分辨率遥感影像分割方法研究

在遥感应用分析中,遥感影像分割是低层影像处理和中高层影像分析和理解的桥梁,是实现遥感影像信息自动提取的关键步骤,具有重要的意义。随着大量高分辨率遥感影像的出现,传统基于像素的影像处理方法已不能适应高分辨率遥感影像。近年来,国内外研究者们提出了面向对象影像的分析方法,而面向对象影像分析方法的关键就是影像分割,影像分割精度直接影响着高分辨率遥感信息提取和目标识别的精度。首先给出一般图像分割方法的综述;然后分析和总结了当前主要的高分辨率遥感影像分割方法,着重阐述了均值漂移、分形网络进化、马尔科夫随机场等分割方法的特点和研究现状;最后,对高分辨率遥感应用分析中影像分割方法的发展趋势进行了讨论与展望。     

高分辨率遥感影像的随机森林变化检测方法

基于面向对象分析(OBIA)的遥感影像变化检测研究已取得显著的进展,代表了遥感影像变化检测的发展范式,未来是发展更加智能的解译分析方法。随机森林作为一种新的机器学习算法,其预测效果和性能稳定性要优于许多单预测器和集成预测方法。本文充分利用OBIA及随机森林机器学习算法的优势,提出了利用随机森林进行面向对象的遥感影像变化检测。首先基于熵率对影像进行超像素分割,通过最优超像素个数评价指数来获取最佳的影像分割结果,并提取每个超像素在前、后时相影像上的光谱特征和Gabor特征作为随机森林的特征输入数据,用于模型的训练。在初始像素级检测结果之上,自动进行分类样本选择并构建分类器模型,用训练好的模型来提取最终的变化区域。利用Quickbird、IKONOS、SPOT-5等3组多光谱影像进行试验,结果表明,本文方法在变化检测精度上要优于对比方法。     

高空间分辨率遥感影像建筑物提取方法综述

高空间分辨率光学遥感影像中建筑物的提取对城市空间数据库的更新、城市动态监测以及建设"智慧城市"等方面具有极其重要的意义。本文首先介绍了高空间分辨率遥感影像中建筑物的特点,然后介绍了基于高空间分辨率遥感影像中建筑物自动提取的四种主要方法,即多尺度分割提取方法;基于边缘和角点检测与匹配的提取方法;基于区域分割的提取方法和基于数学工具;新理论以及多种方法结合的提取方法,分析讨论了各种方法的研究进展以及各方法的优缺点,同时对建筑物提取研究中需要解决的问题和研究趋势进行了总结。最后对高空间分辨率遥感影像建筑物提取研究前景进行了展望,认为可以从多源或多时相数据、边缘检测以及阴影辅助作用等方面提取建筑物,提高建筑物提取精度和高分遥感影像的利用率。     

高分辨率遥感影像林地边界提取方法

由于高分辨率遥感影像上的信息高度细节化,加之噪声的影响,会导致基于像元级纹理特征的林地边界提取方法的效果不理想。为此,提出一种基于种子纹理基元合并的半自动林地边界提取方法。首先利用基于图模型的影像分割算法获取初始基元;然后定义了一种针对非规则基元统计基元级灰度共生矩阵(GLCM)纹理特征的方法;最后在人工给定种子基元的基础上合并具有相似纹理的基元,并对基元合并的结果进行边界提取,得到高分影像上的林地边界。利用多源高分影像对所提方法进行验证及对比分析。实验结果表明,该方法对高分影像上大片典型林地的边界可取得较高的提取精度和计算效率。     

基于PCAnet的高分辨率遥感影像场景分类

高分辨率遥感影像中的场景信息,对影像解译和现实世界的理解具有重要意义。传统的场景分类方法多利用中、低层人工特征,但是高分辨率遥感影像的信息丰富,场景构成复杂,需要高层次的特征来表达。本文提出一种基于PCAnet的高分影像场景分类算法,无监督地逐级提取深层特征。首先,利用显著性探测算法获取显著图,根据显著区域,采样具有代表性的影像块作为初始样本集;然后,将样本集输入到PCAnet中进行特征提取;最后,利用支持向量机(SVM)进行分类。高分影像场景数据UC Merced 21类实验表明,与已有方法相比,本文方法能够有效地提高分类精度。     

基于全卷积网络的高分辨遥感影像目标检测

目标检测是遥感图像分析处理中的研究热点之一,具有十分重要的科研和应用价值。传统遥感影像目标检测方法多使用人工构造的浅层次特征,结合支持向量机、随机森林、Adaboost等分类器进行目标识别,难以充分挖掘和利用影像中的深层特征。近年来,深度学习,特别是卷积神经网络在图像认知方面取得了巨大成功。在目标检测领域,以Faster R-CNN算法为代表的方法取得了突破性进展,检测精度大幅提高,检测速度达到了近实时的性能。但是,Faster R-CNN算法由于使用了感兴趣区域（RoI）池化层,各个RoI计算不共享,因此检测速度依然有待提高。R-FCN基于全卷积网络结构,同时采用位置敏感池化来引入平移变化,抵消全卷积网络造成的平移不变形问题,检测精度和效率都有了很大的提高。本文阐述了R-FCN算法原理,并运用于高分辨遥感影像目标检测分析了不同参数和网络结构对R-FCN检测效果的影响,比较了利用Fast R-CNN、Faster R-CNN和R-FCN 3种算法进行飞机识别的性能。试验结果表明,利用R-FCN进行飞机识别定位可以达到99.3%的准确率和每张图180 ms的检测速度。