DSSRM级联分割的SAR图像变化检测

SRM(Statistical Region Merging)分割算法具有快速、稳定和抗噪强的优点,基于此,本文提出一种基于DSSRM(Dynamic Sorting Statistical Region Merging)级联分割的SAR图像变化检测方法。首先,针对SRM算法基于单特征静态排序导致的过分割问题,提出一种动态排序模式的DSSRM算法以减少差异图像分割错误,该算法建立基于合并区域的多特征马氏距离排序准则,在每次合并之后更新区域邻接矩阵并重新排序;然后,基于互信息最小化准则构造多通道差异数据集以提高算法对区域合并的约束能力;最后,提出一种级联分割变化检测框架,第1级利用SRM算法将差异图像映射到超像素空间,第2级采用DSSRM算法对超像素进行动态合并获得收敛的分割结果,第3级采用简化SRM方法进行三次合并获得最终的变化检测图。实验结果表明,该方法可以获得比SRM方法和目前流行方法更好的检测性能。     

融合IR-MAD与超像素分割的遥感影像变化检测方法

针对迭代加权多元变化检测（IR-MAD）方法提取高分辨率遥感影像变化结果存在信息分散、“椒盐噪声”现象,提出了一种融合IR-MAD与超像素分割的高分辨率遥感影像变化检测方法。该方法利用卡方分布概率密度函数与超像素分割方法技术对IR-MAD算法改进,通过IR-MAD算法获取初始变化检测结果;然后,采用多尺度的超像元分割方法生成多尺度超像素对象;最后,对IR-MAD算法提取的初始变化检测结果,利用多尺度超像素分割对象结合众数规则判断分割对象属性,获取最终变化区域。实验结果表明：本文提出方法能有效提取变化区域,减少“椒盐噪声”现象,能较好地保存地物边界信息,提高整体变化检测精度。     

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。     

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。     

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。     

多特征模糊融合的SAR影像变化检测

针对利用SAR影像单特征变化检测精度低的问题,该文提出了一种基于模糊理论的多特征融合的变化检测方法。首先计算前后时相SAR影像的灰度、梯度和纹理特征的结构相似度,然后用Sigmoid型隶属函数描述相似度阈值附近的不确定性,计算像素分别属于变化类和非变化类的隶属度,最后根据最大隶属度原则将模糊量输出为确定量,得到融合后的变化检测图。通过两组真实SAR数据实验表明:该方法明显优于传统的方法,也提高了基于单一特征变化检测结果的精度。     

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。     

基于超像素分割与CRF的高分辨率遥感影像变化检测

针对目前高分辨率遥感影像变化检测算法对于光谱变化过敏感问题,本文提出了一种基于超像素分割与条件随机场（CRF）的遥感影像变化检测算法。首先采用空间约束的t混合模型驱动的分割模型,获得同质性超像素块,实现良好的边界附着性和亮度均匀性。然后计算分割得到的双时相影像块之间的特征差异性,获取变化幅度图像。最后利用模糊聚类算法（FCM）对变化幅度图像进行聚类,得到隶属度图像作为CRF一阶势,并利用光谱-空间相似度约束的函数构建CRF二阶势。试验结果表明,与现有方法相比,该方法检测精度可提高5%,错检率和漏检率可降低3%,能较好地应对输入图像的光谱变化,并保持变化检测结果的边缘细节。     

顾及超像素光谱特征的无人机影像自动模糊聚类分割法EI北大核心CSCD

针对现有流行模糊C均值聚类在影像分割中存在边界依附能力弱,分割不稳定及需要手动设置聚类数目等问题,提出一种顾及超像素光谱特征的无人机影像自动模糊聚类分割方法。相对于传统分水岭变换算法,该方法首先采用两步边界推进准则,生成轮廓更加精确、形状规则更加紧凑的超像素子区域;然后,提取子区域光谱特征并结合重缩放密度峰值算法自动获取聚类数目;最后,综合利用超像素光谱特征与隐式马尔可夫随机场思想对模糊聚类进行改进,实现超像素精确合并。通过两组影像数据的定性分析和定量评价表明,本文方法能准确定位目标边界,获得较好的视觉分割结果,同时有效提高了影像分割精度。     

像素级与对象级结合的变化检测方法

提出一种像素级与对象级结合的变化检测方法。通过像素级的主成分分析法获得代表差异信息的主成分影像;再用多尺度分割算法分割主成分影像,得到最终的变化检测结果。最后利用landsat影像进行实验,不仅可以有效抑制由误差造成的伪变化,同时提取的变化区域更加完整。     

高分三号SAR影像双阈值变化检测

双阈值合成孔径雷达SAR(Synthetic Aperture Radar)变化检测算法具有在发现变化区域的同时还能确定地表发生后向散射变化类型的优点。针对广义高斯双阈值最小误差法D-GKIT(Dual Generalized Kittler and Illingworth Thresholding)在进行阈值选取时直方图中不同类别像素灰度级重叠严重时,分割结果容易在尖峰单侧选取出双阈值而导致无法正确分割差异图的问题,本文提出一种结合归一化最大类间方差和广义高斯最小误差法GKIT(Generalized Kittler and Illingworth Thresholding)的双阈值SAR变化检测方法。首先,提出以归一化最大类间方差值作为灰度级重叠程度的判别参数,确定阈值的选取顺序及两个候选区间;然后,利用GKIT在候选区间内进行分割,获取单侧阈值及非变化类拟合函数;最后,提出利用非变化类拟合函数更新后的直方图作为另一侧阈值选取基础进行分割,得到对应分割阈值。以宁波地区高分三号(GF-3)SAR卫星影像作为试验研究数据,结果表明:本文方法能较好地解决灰度级重叠时D-GKIT无法进行正确分割的问题,具有良好的变化检测效果和更强的鲁棒性且达到了利用研究区数据验证利用GF-3号SAR卫星影像进行变化检测研究可行性的目的。     

基于交互式分割技术和决策级融合的SAR图像变化检测

为免去去除斑点噪声的预处理操作及克服选择分布模型的限制,本文结合差异图的特点和一种不涉及分布模型的交互式分割方法,产生不同“种子点”下的变化检测结果后,再利用投票策略对其进行决策级的融合给出最终的变化检测结果。分割中,将每个像素的特征设为差异图及由静态小波变换分解差异图再丢弃高频系数后重构得到的各层表示中,其对应位置上的灰度值构成的矢量。此特征及决策级融合的策略使本文的变化检测技术对SAR图像中的斑点噪声具有一定的鲁棒性。在无需对SAR图像做预处理的情况下,对真实SAR图像数据集的变化检测结果,其效果优于其他相关技术的。     

联合密集连接与注意力的遥感影像变化检测

针对高分辨率遥感影像变化检测中存在的变化像素与未变化像素边界难以准确区分以及变化小、目标检测中容易出现漏检等问题,本文提出一种联合密集连接与注意力的孪生网络(CDASNet)。该网络采用孪生网络的输入方式,并在编码阶段利用残差连接单元以及密集连接的方式增强对原始影像底层特征的提取,同时在解码阶段引入注意力模块为不同层次的特征图赋予新权重来关注变化信息,进一步利用跳跃连接将编码阶段的浅层特征和解码阶段的深层特征进行融合,最终经过上采样恢复原始影像分辨率得到变化检测结果。将本文方法应用在LEVIR-CD数据集和CDD数据集中进行实验,结果表明,本文提出的方法在精度和召回率上都优于FC-Siam-conv、FC-Siam-diff、DSAMNet、SUN-CD 4种方法。     

一种基于卷积神经网络的SAR变化检测方法

为了降低合成孔径雷达(SAR)影像中相干斑对变化检测的影响、减少标注样本的人工成本,该文发展了一种联合分层模糊C均值聚类(FCM)与卷积神经网络的非监督SAR变化检测方法。首先,利用邻域均值比算子计算前后时相的差异图,并利用分层FCM将差异图非监督地初始分割为变化类、非变化类及待确定类别像素;然后,为解决非监督选取样本时出现的样本不均衡问题,提出一种频率不变降采样的数据抽样方法,选取高置信度的变化与非变化样本用于网络训练;最后,利用训练完成的神经网络对待确定类别像素进行分类,得到最终变化结果。采用真实SAR影像数据进行实验。结果表明,该文方法方便有效,具有较高的检测精度。     

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。     

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。     

一种针对精化样本的非监督SAR变化检测方法

针对非监督框架下的深度学习SAR变化检测方法在样本选取时出现样本非平衡及冗余问题,改进了一种针对精化样本的非监督SAR影像变化检测方法:利用分层FCM针对不同差异图进行分割确定初始类别;提出利用邻域清理规则进行潜在错误样本剔除并利用异质类空间距离完成对样本的筛选;构造卷积神经网络完成对待确定类别像素的分类,得到最终变化结果.采用三组实验数据进行实验,结果表明该文方法可行有效,且能在较好应对样本问题的同时具有较高的变化检测精度.     

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。     

利用分形和多尺度分析的中低分辨率SAR图像变化检测

对于合成孔径雷达(synthetic aperture radar,SAR)图像像素级变化检测,常见的对数比、交叉熵差异图在提取建筑物等人造目标的变化时不能保持其结构特征。本文将分形维数引入到差异图构造中,定义了分形-对数比(fractal dimension-log ratio,FD-LR)融合差异图,在有效提取不同地物类型变化的同时,能够保持其轮廓结构。为克服斑噪干扰,对FD-LR进行多尺度分析,通过贝叶斯分割和决策级融合提取变化信息。实验结果表明,该方法模型简单,能够有效检测不同地物类型的变化,在中低分辨率复杂场景的SAR图像变化检测中具有优势。     

多尺度分割优化的SAR变化检测

基于SAR图像的变化检测和尺度有较强的相关性,提出了一种联合变化前后的两幅SAR图像进行多尺度分割的方法,在分割的图斑基础上采用了交叉熵计算图斑之间的差异程度。根据多个尺度分割的斑块计算系列差异指数,采用多尺度优化的方法得到最佳差异指数,最终实现变化区域的提取。通过对SAR图像的实验处理,说明了在多尺度联合分割的基础上进行变化检测可以得到较好的检测效果。