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。     

高分辨率彩色遥感影像变化检测方法研究

目前已有的对象级变化检测方法中的像斑对象特征提取算法大多只提取单波段的特征,无法对彩色影像有直观整体的描述,针对这一问题,本文提出了一种高分辨率彩色遥感影像变化检测方法。首先对分割后得到的像斑统计颜色直方图,计算其推土机距离作为光谱特征差异量,另外通过像斑的彩色图像灰度共生矩阵计算熵统计量,对应像斑间熵差值作为纹理特征差异量;最后结合在彩色空间计算的两种差异量构造差异影像,通过支持向量机（SVM）将差异影像中的像斑分为变化与不变化两类别。选择江苏省苏州地区资源三号影像进行了试验,结果表明该方法可以很好地实现高分辨率彩色遥感影像的变化检测。     

一种遥感影像核变化检测方法

提出了一种新的遥感影像核变化检测方法。该方法是将原始空间不同时相的输入矢量通过核函数非线性映射到高维特征空间,然后在高维特征空间中通过传统变化检测方法处理得到新的输入矢量,最后通过半监督的单类支持向量机算法对新的输入矢量构造变化区域与非变化区域的最优分割超平面。试验证实,本文的核变化检测方法具有较高的检测精度和效率。     

一种新的遥感影像变化检测方法

针对地理国情监测中大幅面多时相遥感影像变化检测的需求,提出了一种基于卡方变换和样本选择的面向对象遥感影像变化检测方法。首先对多时相遥感影像进行多尺度分割获取像斑;然后,提取像斑的多维特征,采用基于卡方变换的特征融合方法计算像斑的加权差异度;最后,自适应选择训练样本,通过基于最大期望算法的贝叶斯阈值确定方法获取变化阈值,并对加权差异影像进行二值分割获取变化检测结果。以武汉市东湖高新技术开发区为例,利用多时相高分辨率遥感影像进行土地覆盖变化检测。试验结果表明,该方法可以克服全样本变化向量分析法及全样本卡方变换检测法难以满足阈值确定条件的不足,获得更准确的变化阈值,保证变化检测正确率高而又有效地降低漏检率,从而获得更好的变化检测结果,在地理国情监测中具有一定的应用价值。     

结合纹理信息的高分辨率遥感图像变化检测方法

高分辨率遥感图像的纹理信息同光谱信息一样能有效地用于检测变化信息,而一些基于中低分辨率遥感图像的变化检测方法多以光谱信息为研究对象,忽略了图像中的纹理信息.针对这一问题,尝试将高分辨率图像的光谱信息与纹理信息一起用于“差值主成分变化检测”方法中,一方面借助高分辨率图像间纹理信息的差异获取变化区域内部的细节信息,以弥补高分辨率图像间光谱区分度相对不足的缺点;另一方面借助纹理信息在变化区域内部的连结作用,对变化检测结果进行狭窄缺口连结、内部孔洞填充等后续处理,从而使检测结果更加完整.实验结果表明,该方法对光谱反射信息相近、但纹理信息有较大差异的变化区域具有良好的检测效果.     

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。     

融合光谱及纹理异质度的遥感影像变化检测

为解决矢量数据与遥感影像的变化检测难题,提出了一种融合光谱异质度与纹理异质度的变化检测方法。以矢量数据为约束,对遥感影像进行分割获取像斑;提取像斑的光谱直方图与局部二值模式(LBP)纹理直方图;采用G统计量度量直方图的距离,利用像斑与其他同类像斑特征距离的平均值分别构建像斑的光谱异质度与纹理异质度,加权组合光谱异质度与纹理异质度构建像斑异质度;利用大津法获取各地物类别的异质度阈值,比较像斑的异质度与对应类别的异质度阈值,对像斑进行变化/未变化判别。在IKONOS遥感影像上的试验验证了本文方法的有效性。     

基于高分辨率遥感影像的高精度变化检测方法

随着现代遥感和信息技术的快速发展,不同分辨率的对地观测遥感数据变得更为丰富,为遥感理论研究和应用提供了重要的数据支持。利用变化检测技术能高效率地从高分辨率遥感影像上提取相应目标区域的变化信息,快速地更新地图数据库。变化检测技术提供地表地物发生变化的信息,用于资源和环境监测、自然灾害评估等工作。     

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。     

面向对象的高分辨率遥感影像变化检测

目前遥感影像变化检测技术已广泛应用在许多领域,成为遥感技术的热点。对变化检测分类和传统变化检测方法在高分辨率遥感影像变化检测中存在的问题进行分析,提出面向对象的变化检测思路,并进行试验。试验结果表明,利用面向对象技术进行影像分类,再进行变化检测能达到较好的效果。     

一种利用结构特征的高分辨率遥感影像种植园自动提取方法

卫星遥感在土地监测中发挥了重要作用,而数据处理技术应具有良好的适用性和较高的精度水平以满足应用需求。针对目前种植园提取算法适用性较差、数据依赖性高、自动化程度低、算法复杂及特征冗余等问题,本文提出了一种新型种植园结构特征,多尺度多方向结构指数,通过对其进行阈值化并结合形态学处理实现了种植园的自动提取。对多种植模式、背景植被化程度和结构复杂度各不相同的全色和多光谱种植园影像分别设计了3组试验,结果证明,与传统方法相比,本文方法适用性更强,对多方向、多尺度、基元变形、种植线变形、种植模式规律性差、背景高度植被化等诸多复杂的种植园等均能进行有效提取,整体精度达到90%以上。此外,试验结果中,全色影像与多光谱影像精度相当,表明本文方法具有较低的光谱依赖性,因此在数据选择和应用上具有更大的灵活性。     

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。     

高分辨率遥感影像变化检测的频域分析预处理方法

目前,大多数高分辨率遥感影像变化检测方法的效率不高,精度也难以达到实际应用要求,本文引入频域分析的方法进行变化检测预处理,达到提高变化信息检测精度和效率的目标。首先,对影像频域能量的分布特征进行分析,并以此为基础,利用累加距离匹配函数,完成试验影像的合理分块;其次,通过变化性纹理规则度的定义和计算,实现对同能量下变化信息的精确描述,缩小变化区域搜索范围,有效抑制背景信息对目标信息的干扰。最后,通过3种常用的变化检测方法的验证,发现变化检测预处理方法可以使检测算法在现有精度和效率的基础上有进一步提高。     

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.     

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。     

利用对象光谱与纹理实现高分辨率遥感影像云检测方法

针对高分辨率遥感影像云检测过程中合适的云检测光谱阈值难以确定及影像中类云地物对云检测精度影响的问题,提出一种基于对象光谱与纹理的高分辨率遥感影像云检测方法。首先,对影像进行直方图均衡化处理,根据均衡化影像直方图获得合适的影像云检测光谱阈值。其次,用简单线性迭代聚类算法对影像进行分割生成分割对象,以对象为处理单元,根据云检测光谱阈值和对象光谱属性对对象进行云检测过滤,获得初始云检结果。然后,求得直方图均衡化影像的纹理图,根据对象的纹理均值及角二阶矩对初始云检测结果提纯,消除类云地物对云检测精度的影响。最后对提纯云区域进行区域增长及膨胀处理,获得最终的影像云检测结果。定性对比试验和定量评价结果表明,本文方法可以获得良好的影像云检测结果。     

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。     

一种高分辨率遥感影像阴影去除方法

基于阴影属性提出了一种全自动彩色影像阴影去除算法。首先将影像变换到HSI空间,依据阴影区域亮度值低和饱和度高的特性,结合小区域去除和数学形态学处理,得到精确的阴影区域。然后,分别对I、H、S分量图上各个独立阴影区域与其邻近的非阴影区域进行匹配补偿,再反变换回RGB空间,完成阴影去除操作。实验结果表明,该方法能在不改变非阴影区域信息的情况下,有效地去除阴影的影响。     

基于IR-MAD的高分辨率遥感影像交叉融合变化检测方法

高分辨率遥感影像数据在带来丰富地物信息的同时,也对变化检测提出了新的问题和挑战。本文从高分辨率遥感影像数据的空间结构特征和光谱分布信息入手,针对多光谱数据交叉融合的变化检测方法展开研究。采用基于GSA(Gram-Schmidt Adaptive Pansharpening Algorithm)法对全色和多光谱影像数据处理,生成四幅交叉融合影像;将迭代加权多元变化检测(Iteratively Regularized Multivariate Alteration Detection,IR-MAD)算法应用于高分辨率融合影像,提取变化信息。结果表明,本研究方法能够有效提取变化信息,并降低数据配准不一致所造成的误检测。