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。     

基于随机森林的遥感影像变化检测

随机森林是一种新兴的、高度灵活的机器学习算法,在预测和分类方面有着良好的稳定性,且算法性能要优于许多单预测器。鉴于此,本文提出了随机森林的遥感影像变化检测算法,利用熵率法对遥感影像进行超像素分割,获取最优分割结果;构建了基于随机森林的遥感影像变化检测模型,以所提取的Gabor特征和光谱特征作为模型输入进行训练和预测,并将有决策树的投票作为最终的变化检测结果。试验结果表明,本文所构建的随机森林变化检测模型在漏检率和虚检率上明显低于其他算法,且总体正确率高,在算法时间上也明显优于其他算法。     

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。     

面向对象的遥感变化检测研究

通过分析传统的遥感变化检测方法存在的问题,提出了面向对象的遥感变化检测方法。本文利用某地ETM+两个时相的遥感影像,将面向对象和传统变化检测方法进行定性定量的比较,从而得出面向对象的遥感变化检测方法的优势。该方法采用了基于相邻影像区域合并异质性最小的面向对象的多尺度分割方法和模糊分类的方法对变化检测图像进行处理,从而提高了变化检测结果的精度。最终得到较理想的实验分析结果。     

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。     

结合差异增强的异源遥感影像变化检测网络

针对现有变化检测方法中单分支网络将原始影像直接求和造成的差异信息损失以及中小目标误检等问题,提出一种基于U-Net的结合差异增强的变化检测网络。将差分图像经过通道注意力机制学习每个通道在特征表示中的差异性,生成与通道相关的权重;利用这些权重与原始图像加权求和,然后将特征增强后的两期图像融合后输入网络;接着通过密集残差块加强编码器信息传递和复用;利用不同形式和尺度的卷积进一步细化检测结果。所提方法在Sardinia和Shuguang数据集中与主流方法进行对比,相较于MUNet, OA分别提升了1.27%和0.74%;F1分别提升了5.32%和1.75%。结果表明,所提方法能够充分利用差异信息,对中小目标以及边缘细节有较高的分割能力。     

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。     

多尺度分割的高分辨率遥感影像变化检测

针对高空间分辨率的遥感影像,提出了一种基于多尺度分割的变化检测算法。采用Mean-Shift分割算法对影像进行多尺度分割,构建了不同尺度上的地理对象,以不同尺度上的地理对象灰度均值构建了变化检测的多尺度特征向量,采用变化矢量分析法获得最后的变化检测结果。以城镇区和农田区的Quick Bird影像对本文算法进行了检验,从精度评价的效果来看,无论城镇区还是农田区,采用面向对象的变化检测方法精度都高于基于单像素的检测方法,且当尺度层数固定时,多尺度组合的变化检测结果优于单一尺度的变化检测结果,对城镇、农田区域的变化检测的精度分别达到87.57%和81.55%。本文算法既可以顾及大面积同质区域变化,又可以反映小的地物目标及边缘部分的变化,能够很好地满足城镇、农田等不同环境背景下的变化检测需求,在国土资源监测中具有一定的应用价值。     

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。     

融合多尺度特征注意力的遥感影像变化检测方法EI北大核心CSCD

深度学习技术已经成为遥感影像变化检测研究的主流方法,现有的基于深度学习的变化检测方法主要是获取单一尺度的变化特征,而在现实场景中,变化区域的尺度具有多样性。为此,本文提出了融合多尺度特征注意力的遥感影像变化检测方法,通过关注多尺度融合策略来解决变化检测存在的多尺度问题。首先,利用特征金字塔网络自身的多尺度特性,使网络学习到不同尺度的变化特征,为了提升网络感受野和利用全局特征信息,在特征提取网络末端引入扩张卷积空间金字塔模块;然后,在不同变化特征融合时,使用变化特征融合模块来控制信息传播以减少特征融合时的差异性;最后,使用门控机制,将不同尺度预测的变化特征图进行加权求和,最终产生具有高精度的变化特征图。本文方法不仅能获取多尺度变化特征,还能利用全局信息和精确的空间细节来提升预测特征图的空间精度。对比试验表明,本文方法在变化检测基准数据集CDD和LEVIR-CD上取得了较好的结果,召回率分别提高了6.58%和5.26%。     

基于D-S理论的多特征遥感影像变化检测方法

针对当前遥感影像变化检测特征单一与几何配准要求较高的问题,提出了一种将证据理论融合到影像多特征变化检测之中的方法。利用检索窗口与匹配窗口计算前后时相影像的几种特征结构相似度,并运用D-S证据理论计算出基本概论赋值函数,完成对这些特征的融合。通过变化检测实验,发现该法能有效提高变化检测的精度,不失为一种变化检测有效方法。除此之外,该法对辐射校正精度要求不高,这一点明显优于传统的单一特征变化检测方法。     

基于随机森林方法的遥感影像分类方法

通过研究随机森林方法,针对上海、辽宁、陕西、福建四个地区的中分辨率成像光谱仪(MO-DIS)影像数据,建立五个时间序列的训练集,通过随机森林机器学习方法,学习一年内目标区域的时序变化规律,从而获取更为精确的分类效果,并对比研究该算法对于上述四个地区识别方法的优劣.实验结果显示随机森林分类法在没有海部的地区识别效果能够达...     

航空遥感影像的变化检测

针对以农田为主的某地区的航空影像,利用图像差值和比值法分析比较了取不同阈值时的变化检测效果;最后采用实际的航空影像进行实验比较,证明使用两种方法集成的检测结果比单独使用其中一种更准确.     

多特征差分核支持向量机遥感影像变化检测方法

讨论了利用遥感影像光谱、纹理等多种特征信息的多核函数组合方式,给出了多特征空间差分核函数的构建方法,设计了多特征差分核支持向量机变化检测算法,该算法能够实现联合类别样本加权和遥感影像多种变化类别信息的直接检测。实验结果表明,该算法综合利用多种特征信息,检测精度明显高于传统方法,有利于提取小样本的变化信息,避免了以往检测方法需要确定变化阈值的复杂性和不确定性。     

基于遥感影像的地图道路网数据变化检测研究

在遥感影像和地图道路网数据精确配准的基础上,提出了利用缓冲区约束下的、基于知识判断的多尺度模板匹配方法检测变化的道路,对旧地图中的道路变化情况自动检测;采用自动赋初值的LSB-Snake模型半自动检测新增道路。实验表明,所提出的方法可以有效地检测道路变化,达到较高的自动化程度。     

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。     

基于遥感影像的土地利用变化检测

随着遥感科学技术的发展、各种遥感数据的累加以及遥感变化检测研究的深入,基于遥感影像的土地利用变化检测手段也日新月异。本文主要阐述利用不同的遥感影像处理方法对不同影像之间的土地利用变化进行检测,同时利用影像融合对比法、影像差值法、主成分分析法(PCA法),以及影像分类法等遥感影像处理方法,对同一地区前后不同时相的土地利用变化检测效果进行精度对比,并总结出不同检测方法在不同条件下的检测效果。     

基于ERDAS的遥感影像变化检测技术的研究

变化检测是遥感图像处理中经常使用的一门技术,随着遥感技术的发展,变化检测的应用越来越广泛。本文介绍了变化检测的定义、流程和应用,利用ERDAS软件进行遥感影像的变化检测实验,并对ERDAS变化检测的几种不同的方法进行比较分析,得出的结论是利用变化检测模块(Change Detection)进行检测的效果较好,最后将这种方法同监督分类技术一起应用于厦门市城市建设用地的变化检测中。     

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。