基于元学习和K均值聚类的高分遥感影像变化检测

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。