基于Contourlet变换和ICA的多时相遥感图像变化检测

为了提高多时相遥感图像变化检测的精确度和运算效率,本文提出了一种基于Contourlet变换和独立分量分析(ICA-Independent component analysis)的变化检测算法.利用Contourlet变换多尺度、多方向性和各向异性等性质,对图像数据进行多尺度分解,再对分解后的数据进行独立分量分析,利用改进的基于牛顿迭代的固定点ICA算法分离出互相独立的数据分量,然后将分离后的数据分量转变成图像分量,最终对变化图像分量经阈值分割实现变化检测.实验结果表明,与现有的基于PCA、基于ICA、基于小波变换与ICA三种变化检测算法相比,本文算法能有效地分离出变化信息,减少了计算的复杂性,得到的变化图像具有更高的精确度,且对背景有较强的稳健性.     

一种基于差异注意力的广西耕地“非粮化”提取研究

针对当前耕地“非粮化”监测任务重、传统自动提取方法应用于耕地“非粮化”业务难度大的问题,该文以广西壮族自治区为研究区域,研究深度学习遥感变化检测应用于耕地“非粮化”变化自动提取的可行性,提出基于余弦相似度的差异注意力模块以增强变化内容的特征表示,面向业务应用权衡不同分类阈值下召回率与精确率的优劣。经实验验证,该文模型的召回率、精确率分别约为78%与73%;相较基线方法,该文差异注意力模块可提升约3%的精度;在业务应用中,选择适当的模型分类阈值能够以仅25%的额外核查工作换取1.41%的召回率提升。实验结果表明了深度学习遥感变化检测用于耕地“非粮化”自动提取业务的可行性,为大范围耕地“非粮化”监测的业务应用提供了参考。     

高分影像变化检测的孪生差分特征融合网络

针对目前高空间分辨率光学遥感影像地表变化检测面临的挑战,该文提出一种孪生差分特征融合网络方法,一方面增强了对深层变化特征的提取能力,通过差分特征能更好地引导网络学习;另一方面在网络末端引入深监督策略,有效融合多尺度信息,充分利用不同语义层次特征,从而生成高精度的变化检测结果。此外,还设计了顾及样本不均衡问题的损失函数,降低正负样本极度不平衡对模型训练的负面影响。为了评估该文提出方法的有效性和优势,在两个公开变化检测数据集上将其与5种具有代表性的变化检测方法进行对比实验,结果证明该方法能有效提升变化检测的精度,并且对尺度差异明显的地物有较强的检测能力,在轮廓细化上具有显著优势。     

微粒群优化方法的遥感影像变化检测研究

针对目前多时相光谱直接变化检测方法存在训练样本分布限制和样本特征组合单一的缺陷问题,本文将微粒群优化方法引入遥感信息变化检测领域,构建了基于微粒群优化方法的遥感信息变化检测方法,在变化监测的过程中,通过变化规则的自动搜索和建立,实现了遥感影像变化信息的一次性直接提取。在方法验证过程中,选择北京为实验区,成功实现了应用微粒群优化方法对实验区2000年至2006年、2006年至2009年两个时间段的遥感影像进行了土地覆盖类型的变化信息检测,并将应用微粒群优化方法与决策树（C4.5和PART）、最大似然等方法的变化检测结果进行了对比分析。结果表明,微粒群优化方法能够自动搜索变化规则,得到的变化规则比决策树方法更简单,并能够获得更高的检测精度。     

新疆车尔臣河流域水域的宏观变化及其影响和驱动因素

利用植被指数和水体指数作为判断参数决策树,在FAO/UNEP土地覆被分类系统(LCCS)的三级分类基础上建立了以固态/液态水域为主的土地分类系统,从1990年、2000年和2010年的Landsat影像中提取整个车尔臣河流域土地覆被信息并分析了土地覆被变化.结果表明:车尔臣河流域水域在2000-2010年变化速度高于1990-2000年,其中,湖泊面积及数量增加较为突出.各种水域中,冰川及多年积雪面积迅速减少,2010年海拔5 000 m以下冰川积雪在流域内所有冰川积雪中所占比例由1990年的38.8%减少到5.4%;有水河道面积及数量在缓慢减少;湖泊面积和数量大幅增加,2010年湖泊面积比1990年多5倍,而且新增的湖泊均在平原区.在气候以及水域变化的影响下,流域内自然植被覆盖地在山区和平原区都在持续增加,而荒漠在减少,山地自然植被覆盖地增加速度高于平原区.在流域尺度上,人文因素对土地覆被变化的影响低于自然因素.     

多特征证据融合的遥感图像变化检测

提出了一种以证据理论综合利用图像多种特征的变化检测方法。方法利用滑动窗口计算两时相图像3种特征的结构相似度, 以之构建D-S证据理论的基本概率赋值函数并进行证据合成, 通过规则判定得到图像变化区域。通过对不同试验区、不同证据组合方式以及方法间的比较实验表明, 相对单一特征检测方法有效地提高了检测的精度。此外, 由于采用统计而非原始图像特征度量特征相似性, 方法具有对辐射、几何配准精度要求较低等优点。     

基于多种相似度特征的道路实体融合方法

随着城市建设步伐的加快和基础地理信息应用领域的扩展,国家经济建设和人民群众生活对基础地理信息的需求越来越大,对基础地理信息的现势性和更新频率也提出了更高的要求.因此,对不同精度、不同来源的地理信息数据融合技术进行研究具有十分重要的意义.道路实体是重要的基础地理信息,尤其是铁路、高速、国省道、城市主干道.本文重点围绕道路...     

多尺度融合卷积神经网络支持下的SAR影像变化检测

相干斑噪声的存在影响着合成孔径雷达(SAR)影像识别变化信息的能力。为了提高变化检测的准确性,必须充分考虑相干斑噪声的影响。本文提出了一种新的变化检测方法,利用联系上下文显著性提取方法,从差异图中提取潜在变化区域和背景信息,在保留图像主要纹理细节的同时去除背景噪声。针对当前变化检测方法特征表达不足的问题,设计了一种多尺度通道注意力模块squeeze, expand and excitation(SEE),在获取多感受野信息的同时强调重要信息,不至于产生信息冗余。在此基础上,提出了一种多尺度融合卷积神经网络——SEENet。SEENet将3个SEE模块残差连接,以实现信息的多级利用。通过在4个SAR真实数据集上的试验,验证了该方法的有效性。     

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。     

面向建筑物边缘特征保持的遥感影像变化检测研究

随着深度学习技术在遥感变化检测领域的发展,许多基于卷积神经网络(CNNs)的变化检测算法得到了广泛的应用,但在建筑物变化检测中,仍存在样本不平衡、边界模糊等问题。为解决上述问题,提出基于孪生U-Net和边缘优化策略(Siamese U-Net and Edge Refinement Strategies, Siam-Unet-ERS)的建筑物变化检测方法。首先提出了边界优化策略,共享建筑物变化检测主任务和边界提取子任务之间的空间特征,以实现提升建筑物边界定位精度的目的。同时,设计了残差捷径模块,在不降低模型性能的同时提升模型收敛速率。网络在LEVIR-CD和WHU数据集上都经过验证和测试,分别达到了97.79%和98.92%的总体精度。实验结果表明,Siam-Unet-ERS方法优于一些以前较先进的变化检测方法。