基于遥感变化检测的石漠化信息自动提取

滇黔桂地区被划定为限制开发区后,石漠化的研究变得越来越热,而信息提取是这些研究的重要内容。当前石漠化信息提取主要依据静态指标进行,鉴于静态方法的不足,在动态机理剖析的基础上,综合考虑石漠化的静态景观及其动态属性,以贵州和云南交界区域为实验区,1992年和2001年两个时相的TM/ETM+影像为数据源,研究遥感变化检测方法在石漠化信息自动提取中的应用。在几何校正和辐射校正的基础上对两个时相的影像实施差值变化检测,将实验区分为变化区和无变化区两类,根据石漠化机理进一步将变化区分为石漠化区和逆石漠化区,完成石漠化信息识别,经验证Kappa系数为0.854。结果表明:遥感变化检测方法对石漠化有较好的识别效率和精度,能够为石漠化的综合防治提供科学依据。     

基于群智感知的街景变化检测方法

移动群智感知数据包含的图像和时空情境信息可用于检测街景图像变化,但是群智感知数据通常是低质和不规范的。为了准确检测街景发生的变化,主要解决由拍摄视角差异引起的数据低质问题。首先,针对大视差问题采用图像配准方法初步对齐图像并提取出配准特征点;然后,基于配准特征点分布从图像中提取感兴趣区域;随后,针对差值图像的误检内容,提出基于面积和多特征点的筛选法去除误检区域;最后,结合边缘检测和超像素分割算法提取完整的变化对象。与MDFNet方法进行比较,实验结果显示：当街景发生变化时,该方法的F1-measure值为55.8%,增长6%,错误率为10.8%,降低24%;当街景无变化时,该方法的错误率为2.8%,下降28%。     

顾及冲突分析的模糊积分非监督变化检测

以模糊积分(Fuzzy integral, FI)为基础, 提出一种顾及冲突分析(Conflict analysis, CA)的全自动遥感变化检测方法CA-based FI, CAFI). CAFI首先选取典型的对比算子, 生成信息互补的差异图(Difference image, DI)集; 其次利用模糊聚类、杰卡德相似系数和FI对差异图进行决策级融合, 得到初步融合变化检测图; 然后通过模糊集理论计算像元的信息冲突程度, 将初步融合检测结果自适应地划分为冲突严重区域和冲突较弱区域; 最后, 对冲突较弱的像元, 将其初步融合结果作为最终检测结果, 对易产生融合错误的冲突严重像元, 利用地统计分析对其重新分类. CAFI能够集成不同信息优势的同时, 很大程度地解决FI融合过程中的信息冲突问题. 三组真实遥感数据的实验结果验证了CAFI的有效性和鲁棒性.     

基于遥感影像的变化检测技术

变化检测技术已经广泛地应用在各个领域。例如：环境监测、土地利用、农作物生长状况监测、森林采伐监测、灾情估计等方面。主要讨论了基于遥感影像的变化检测技术的实际应用。     

热含量不变量的SAR图像点特征变化检测

针对区域变化检测受分类器精度影响大、无法探测出内部细微变化这一问题,本文提出了基于热含量不变量的合成孔径雷达（Synthetic aperture radar,SAR）图像点特征变化检测.该方法利用热核特征,具有计算简便、矩阵扰动性小的特点,且有效地降低了噪声的干扰.由热核不变量的统计特性,采用期望极大化（Expectation maximization,EM）算法解决了SAR图像的自动变化检测.同时通过对权的讨论,给出了适用于SAR图像的权函数定义.对单波段单极化SAR与多极化SAR图像,本文算法相比于基于像素和似然比的方法,能够更快速更精确地检测到变化区域.     

SAR图像打击效果评估技术研究

首先通过对合成孔径雷达(Synthetic Aperture Radar,SAR)图像打击效果评估方案的分析,提出了一种改进的SAR图像打击效果评估方案,新方案增加了专家指数库推理;然后从图像配准、变化检测和毁伤评估3个方面对基于变化检测的效果评估方法技术进行了研究;最后对SAR图像打击效果评估研究中待解决的问题进行了总结。论文具有一定理论指导意义。     

非下采样Contourlet域融合和参数化内核图割的SAR图像无监督水灾变化检测

目的 基于非下采样Contourlet变换（NSCT）融合策略可以有效地抑制背景信息增强变化区域的信息。但是融合后图像具有复杂的统计特征,传统的基于统计特征的变化检测难以实现。基于参数化内核图割的遥感图像分割不受统计特征的限制。为此提出了一种基于NSCT融合和参数化内核图割的SAR图像无监督水灾变化检测新算法。方法 将均值比差异图像和对数比差异图像采用基于NSCT的融合算法进行融合,将融合后的差异图像采用参数化内核图割算法进行前景/背景的分割,得到最终的变化检测结果。结果 融合后的差异图像利用前两种差异图像的互补信息提高了变化检测精度。算法不受统计模型限制,不需要先验知识,适用性强。结论 实验结果表明,本文算法的检测精度优于传统的变化检测方法。     

基于分形维数的SAR图像变化检测

斑点噪声是合成孔径雷达(synthetic aperture radar,SAR)相干成像所固有的,且不可避免的.为了尽可能地抑制斑点噪声对SAR图像变化检测的影响,利用分形维数方法对SAR图像的变化检测进行了研究,并提出了一种基于SAR图像分形维数的变化检测算法,该算法对SAR图像斑点噪声不敏感.并对计算分形维的滑动窗大小的选择进行了研究.用实测SAR图像进行了验证实验,结果表明分形维数可以用于SAR图像变化检测,它是一种新的SAR图像变化检测的方法与途径;同时,滑动窗大小的选择对SAR图像检测结果有影响.     

基于多重差异特征网络的街景变化检测

街景变化检测对于自然灾害破坏和城市发展变化的研究起着重要作用.其主要目标是将成对的输入图片中变化的区域标注出来,其实质是二分类的语义分割问题.不同时间拍摄的街景图片可能受到如光线、天气、背景噪声、视角误差等诸多干扰因素的影响,这给传统的变化检测方法带来挑战.针对该问题,提出了一种新的神经网络模型(Multiple Difference Features Network,MDFNet).该模型首先使用孪生网络提取成对输入图片的不同深度特征,并使用差异模块对相同深度特征计算差异,以此有效获得不同尺度的变化信息;然后通过JPU模块融合多重差异特征,在不损失细节信息的情况下提取其深层语义信息;最后使用金字塔池化模块结合全局和局部信息生成二分类的变化检测图像.在PCD数据集上的GSV和TSUNAMI部分分别采用5折交叉验证法对模型进行实验,实验结果表明,MDFNet获得了0.787和0.862的F-score,相比排名第二的DOF-CDNet方法,其值提高了约11.9％和2.9％,同时其能够更精准地分割变化细节.因此,所提模型可以有效应对干扰,对于复杂场景也具备优秀的检测能力.     

改进U-Net的遥感图像中建筑物变化检测

提出了一种改进U-Net的遥感图像中建筑物变化检测方法,将变化检测问题转化为像素级二分类问题,利用U-Net模型对图像进行分类,把图像中的每个像素划分为变化类或非变化类,并根据变化类的像素得到建筑物的变化检测结果图。针对U-Net模型进行遥感图像中建筑物变化检测时,在训练中容易出现过拟合的现象,提出用非对称卷积块代替U-Net网络特征提取部分的标准卷积操作,增强卷积核的鲁棒性和网络的中心骨架,防止过拟合;针对变化检测数据集中图像背景复杂、小目标的变化情况容易被漏检的问题,提出在U-Net中引入注意力机制,抑制模型对非变化类像素特征的学习,加强对变化类特征的学习,提取到更适合的特征。实验结果表明,在引入非对称卷积块和注意力机制后,变化检测的F1分数有明显的提升。