基于元学习和K均值聚类的高分遥感影像变化检测 |
| |
引用本文: | 许自昌.基于元学习和K均值聚类的高分遥感影像变化检测[J].遥感信息,2023(5):31-38. |
| |
作者姓名: | 许自昌 |
| |
作者单位: | 中国地质大学资源学院;福建省地质测绘院遥感中心 |
| |
基金项目: | 国家自然科学基金项目(41801324); |
| |
摘 要: | 为解决现有主流遥感影像变化检测方法在检测精度、自动化程度方面存在的局限性,提出一种基于元学习同/异质混合集成和K-means聚类的高分影像变化检测方法,可在较高检测精度下大幅缩减同/异质混合集成算法的运行时间。该方法首先以元学习为基础框架,选择同质集成的梯度提升树、随机森林和极端随机树作为元学习的初级学习器,快速重构原始样本的特征空间;然后利用K-means算法处理重构样本集,拟合多个逻辑回归次级学习器进行变化区域初检;最后采用超像元分割算法和空间邻域信息双重约束,滤除细小的“椒盐”碎斑。为验证该方法的有效性,选用两组不同地区的高空间分辨率遥感影像作为实验数据源。实验结果中,两组数据集上的Kappa系数分别为0.849 2和0.813 9,漏检率分别为0.132 1和0.215 2,误检率分别为0.148 2和0.101 7,处理耗时分别为65.217 s和700.441 s。结果表明,元学习算法结合K-means聚类的方法可有效提升变化检测精度,在算法效率方面也有良好的表现。
|
关 键 词: | 变化检测 高分影像 元学习 K-means 超像元分割 |
|
|