一种新的融合空间信息的半监督变化监测方法

基于改进的半监督FCM算法和马尔科夫随机场,提出了一种新的融合空间信息的半监督变化监测方法。首先将两幅遥感图像相减得到差值图像,并通过第4波段的差值给出了一种新的样本标记方法;然后,通过标记样本对差值图像利用半监督FCM算法进行聚类;最后,为了提高监测精度和去除聚类噪音点,利用像元点之间的空间邻接关系和马尔科夫随机场,通过更新后的隶属度矩阵得到了监测结果。为了验证本文方法的有效性,选取了两组TM遥感图像,监测了森林的变化。试验结果表明,改进的半监督FCM算法可以减少监测的漏检率,马尔科夫随机场方法可以很好地去除聚类过程中形成的噪声点,减少监测的虚检率。     

自适应距离和模糊拓扑优化的模糊聚类SAR影像变化检测

针对模糊聚类算法的不足,结合差分影像的特点,提出一种基于自适应距离（adaptive distance）和模糊拓扑（fuzzy topology）理论的SAR影像变化检测技术框架（FATCD）。FATCD首先基于自适应距离公式提出一种自适应的样本到聚类中心的距离计算方法,优化了聚类过程中像元隶属度的计算公式,提高了模糊隶属度函数的准确程度;而后利用模糊拓扑理论改进传统去模糊化方式最大隶属度原则,从而增强了去模糊化过程。借助这两点,FATCD提高了模糊聚类变化检测的性能。两组真实SAR影像数据的试验结果表明本文方法可行、有效。     

天地图省市数据融合若干关键技术研究及应用——以“天地图·浙江”为例

以"天地图·浙江"省市数据融合为例,重点阐述了数据融合中的增量要素提取、矢量要素变化检测、道路立体交叉可视化表达等关键技术,提升了数据融合的效率,加快了数据融合的进程,可为其他省市的数据融合提供参考和借鉴。     

自适应区间二型模糊聚类的遥感影像变化检测

由于遥感影像变化检测面临"同物异谱"、"同谱异物"等诸多不确定的问题,传统一型模糊聚类算法不能描述其高阶不确定性,难以对差异影像进行准确建模分割出变化信息。针对上述问题,在引入区间二型模糊聚类的基础上,提出了一种自适应区间二型模糊聚类的遥感影像变化检测算法。通过构造自适应邻域加权距离度量的方式更新隶属度,不仅降低了传统区间二型模糊分析算法对参数的依赖,还可以有效利用邻域信息,最后通过迭代更新隶属度实现地物变化信息的提取。利用两组遥感影像数据验证了该方法的有效性。     

老挝万象土地利用变化分析

采用灰度比值法、归一化植被覆盖法(NDVI)及主成分分析法(PCA)和分类后比较法对老挝万象1999年和2006年的地表覆盖变化/土地利用变化进行了分析比较实验。实验表明,灰度比值法、归一化植被覆盖法(NDVI)及主成分分析法变化信息提取的组合结果明显优于分类后比较法,因此作者选取组合方法的变化信息提取结果,分析了老挝万象1999年和2006年土地利用变化情况,得到变化分布图和统计表。研究表明,老挝万象1999年和2006年城市得到大规模扩张(城市面积增长71%),而农业、林地、水体面积都明显减少。     

基于影像对象特征的变化检测技术研究

主要对现有的变化检测技术和影像对象特征进行了研究和分析,在此基础上,提出了利用影像对象特征的方法对不同时相的遥感影像的变化地物进行对比、检测和提取。通过大量的实验对变化的地物信息进行了对比和提取,再对地形图数据库进行更新。通过实验研究证明,本方案基本可行。     

模糊支持向量机和变化矢量分析相结合的矿区土地覆盖变化检测北大核心CSCD

针对目前土地覆盖变化检测常用的方法存在不同程度的误差累积,夸大了变化区域,提出模糊支持向量机(FSVM)和变化矢量分析(CVA)相结合的土地覆盖检测方法。以某矿区2004年和2008年两期的CBERS遥感影像进行了试验。结果表明,植被大幅减少,其他地类都有不同程度的增加,主要是由于开采规模和产量提升所致。通过与常规的其他两类方法比较发现,本文方法的总体精度、Kappa系数、漏检误差和虚检误差分别为92.67%、0.892 7%、5.79%、7.31%,比其他两种方法有较大提高,能够提供较全面的变化类别和准确信息,可以有效地应用于矿区土地覆盖动态监测。     

基于比值法的多源多时相数据城区变化检测

针对中、低分辨率影像采用常规分类方法进行变化检测无法取得理想效果的问题,本文提出了一种基于比值法的雷达数据和光学影像相结合的城市变化检测方法。该方法综合雷达数据和光学影像的优势,以赣州定南县为研究对象,首先利用比值法分别对两种数据源进行城市变化检测,然后通过分析城区地物目标散射特性,对多个时相变化情况进行真彩色合成,最后结合城市建设规划进行分析验证,从而完成城市实时动态变化检测。试验结果表明,利用多源多时相数据进行比值法可成功地提取出试验区域的变化信息,在城区建筑变化检测中,纹理信息更清晰,准确性更高。     

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%。     

遥感影像变化检测方法探讨

利用同一区域不同时相的遥感影像进行变化检测的应用一直是遥感应用研究的热点之一.本文对遥感变化检测技术的研究现状和新进展进行了一定的归纳和总结,对以往分类方法进行了介绍,分别对基于像素、基于对象以及结合特定理论的变化检测方法进行了重点讨论,并对每种方法涉及的理论和最新研究进展进行了评述.