基于深度学习算法的卫星影像变化监测

遥感影像的变化检测是遥感应用研究的热点之一,在城市变化、环境监测、土地利用以及基础地理数据库更新等领域中有着广泛的应用.变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征和过程,具体工作是对同一地区不同时相的两幅或多幅图像进行分析,检测出其中的变化部分与未变化部分.本文提出了基于堆栈降噪自动编码器网络的变化检测方法,将应用于SAR (Synthetic Aperture Radar,合成孔径雷达)卫星图像变化检测的深度学习算法改进,使之适用于高分光学卫星图像,然后在孪生网络的结构上进行改进,提出了基于分支卷积神经网络的变化检测方法,最后设计算法去除了阴影干扰和噪声等伪变化,并在高分二号卫星中宁夏地区的实际生产数据影像上进行了测试,取得了不错的效果.     

高分辨率光学遥感影像变化检测算法在地震灾情调查中的应用

遥感卫星可快速、动态地获取地震灾区大范围的高分辨率影像,已成为快速获取震后灾情信息的主要技术手段之一。基于震后灾情调查中广泛使用的光学遥感数据和变化检测算法,首先对遥感数据及其产品进行了归纳总结,在此基础上综述了基于高分辨率遥感影像的变化检测算法在震害提取中的应用,阐述了基于像元和面向对象两类变化检测方法的基本原理和优缺点,讨论和总结了应用中存在的问题和不足,以期为未来地震应急中的灾情调查工作提供参考。     

基于无人机倾斜摄影技术的多源遥感影像变化检测并行系统设计

为使无人机遥感图像的影像残差值得到有效控制,提升多源遥感影像变化特征的检测精度水平,设计基于无人机倾斜摄影技术的多源遥感影像变化检测并行系统。在C/S框架体系中,设置并行运作电路、像素点检测主机、HBase存储结构与遥感影像显示器,完成对多源遥感影像变化检测并行系统的硬件设计。根据联合平差指标的数值水平,计算密集度指标,联合已知影像数据,求解无人机倾斜摄影过程中的纹理映射条件,实现对多源遥感影像的建模处理。按照影像特征提取结果,完善影像检测金字塔的构型模式,将无人机数字影像与并行检测节点匹配起来,再结合各级硬件应用结构,完成基于无人机倾斜摄影技术的多源遥感影像变化检测并行系统设计。实验结果表明,设计的系统在无人机倾斜摄影技术的作用下,遥感图像在x轴、y轴、z轴方向上的影像残差指标均出现明显下降的数值变化状态,能够有效提升多源遥感影像变化特征的检测精度。     

遥感影像变化检测研究进展

随着遥感技术的迅速发展,利用不同的技术手段实现遥感影像变化检测作为主流趋势之一,能够对同一地域在不同时间段的遥感数据检测出变化的特点和类型。本文针对遥感影像变化检测方法进行总结、分析和对比,对变化检测研究进展进行了详细的叙述。首先阐述了遥感影像变化检测实现的流程的三个方面：数据处理、信息提取与评价标准;随后根据各阶段遥感图像中变化检测的发展详细归纳了其研究进展;最后对变化检测当前存在的局限性和未来发展趋势进行了探讨,以更好的促进遥感影像变化检测的研究更加深入。     

基于改进支持向量机方法的影像分类和目标识别研究

利用卫星遥感影像进行土地利用变化监测的关键技术是影像分类与目标识别。本文提出了支持向量机的改进算法,基于小波核函数构建了小波模糊支持向量机。通过项目"集成卫星遥感与地形地籍数据进行土地利用变化检测"的研究和实验,力求在创新处理算法上取得突破,提高重点目标识别的准确性、可靠性。     

遥感影像变化检测尺度效应分析方法

空间地物的尺度依赖性造成遥感信息存在尺度不确定性,在遥感影像变化检测过程中有必要结合研究目标进行尺度效应分析并选择最优的观测尺度。针对当前遥感影像变化检测在此方面的研究不足以及传统尺度效应分析方法的缺陷,以2期Landsat TM遥感数据部分区域为实验区,提出一种综合光谱及形状特征的遥感影像变化检测尺度效应分析方法,并进一步提出最优分辨率的选择方法。研究结果表明,变化检测结果中变化图斑的面积、周长、形状及光谱异质性会随着影像空间分辨的变化而变化。综合光谱及形状特征的最优分辨率确定方法能够根据变化检测目标区域的固有特征进行有目的的调整,具有一定的理论指导意义。     

遥感影像变化检测综述

变化检测作为土地利用/土地覆盖检测的关键技术,其目的是在同一区域不同时期的遥感数据中检测出变化的部分及其类型。针对传统的变化检测方法中存在繁重的人工劳动和检测结果效果差等问题,大量基于遥感影像的变化检测方法被提出。为了深入了解基于遥感影像的变化检测技术以及进一步研究变化检测方法,通过对大量有关变化检测的研究进行整理、分析和比较,对变化检测进行了较为全面的综述。首先阐述了变化检测的发展历程;然后从数据选择及预处理、变化检测技术、后处理及精度评价这三个方面详细归纳了变化检测的研究进展,其中变化检测技术主要从分析单元和比较方法的方面分别进行概括;最后对变化检测各个阶段存在的问题进行了总结并提出了未来的发展方向。     

基于编码对齐生成对抗网络的异源遥感影像地表覆被变化检测方法

相较于同源遥感影像地表覆被变化检测,异源影像能综合不同卫星传感器间数据特征和现势性等优势,更好满足应用需求。针对异源遥感影像变化检测中存在的光谱差异和特征空间不一致问题,研究提出编码对齐生成对抗网络实现异源影像的高精度变化检测。考虑到异源影像间通道和数据类型上存在差异,难保持重构前后影像空间结构的一致性,研究通过添加自编码器和构造编码对齐损失,约束编码器输出特征的空间结构变化,使重构前后影像空间结构一致,有效减少信息丢失;在跨域映射过程中为减少源域与目标域间影像的色彩差异,采用循环一致对抗生成网络在无成对影像情况下进行色彩迁移,实现两时相异源影像的相互跨域映射,生成能与原始影像直接对比的无色偏重构影像;利用设计的变化概率权重使网络在训练过程中自动选择样本,有效提取覆被变化信息。实验结果表明：该方法与CGAN、SCCN等方法相比能更充分提取影像特征,降低跨域映射函数的随机性;在4组公开数据集的检测精度分别达到0.93、0.96、0.97、0.88,精度最高;变化检测结果与参考图的一致性、检测差异图质量均最优。因此,该方法在异源遥感影像中能够进行高精度变化检测。     

基于卫星遥感影像的基础地理信息变化提取研究

以不同时期ALOS卫星遥感影像为例,通过影像预处理,结合基于多光谱的向量变化分析法、差值主成分分析法、全色影像差值法等多种变化检测方法,对基于变化影像实现居民地、道路和水系自动与半自动发现和提取进行了深入研究,并对各检测方法进行优缺点分析。     

KCCA与SVM算法支撑下的遥感影像变化检测

针对多时相影像间存在非线性变化以及变化检测阈值难以确定问题,提出结合核典型相关分析和支持向量机的遥感影像变化检测算法。首先,运用核函数对多波段遥感影像非线性映射到高维特征空间进行多变量典型相关分析,去除影像间的相关性,并构造差异影像向量。然后,采用支持向量机方法提取差异影像变化区域与不变化区域。以Landsat-8遥感影像多光谱数据进行实验,结果表明,该方法可以很好提取多光谱影像的变化信息。最后,利用形态学算子对分类结果作处理,消除了“椒盐现象”的干扰,同时提高了变化检测精度。     

遥感变化检测方法研究综述

遥感变化检测技术是遥感信息科学的重要研究领域,是当前遥感数据处理技术的主要发展方向.本文从三个方面介绍遥感变化检测的技术与方法：首先简要介绍遥感变化检测的数据预处理;其次,重点介绍了各种遥感变化检测方法,并对各种方法优缺点做了简单评述;并提出了遥感变化检测中应注意的问题和本研究的几项经验性的结论.     

遥感影像变化检测算法综述

目的 近年来遥感技术发展迅速,遥感影像变化检测作为最重要的关键技术之一,越来越多的应用在国土资源管理、地物变化、农林业的监测等领域。目前依据变化检测的流程的综述相对较少,大多数综述只针对变化信息提取的方法进行论述,为使国内外研究者对遥感影像变化检测理论、流程及其现存问题有一个比较全面的认识,对其进行系统综述。方法 通过对国内外大量的遥感影像变化检测算法进行总结、分类及比较,按照技术流程的各个环节分别论述,重点论述了变化信息提取环节中的图像分割、特征提取和分类的发展现状、基本思想及其趋势。结果 目前,多数变化检测算法主要是针对特定的条件具有较好的效果,还没有通用性算法,且现有算法在效率、精度、智能性等方面存在的问题,大多算法解决的问题及理论相对分散。结合现存问题及目前大数据影响下的技术发展状况,从数据类型、预处理方法、变化信息提取方法、算法效率、算法理论创新5个方面对遥感影像变化检测领域的未来发展趋势进行预测和展望。结论 遥感影像变化检测在多领域具有较高的研究价值,但针对目前变化检测存在的一些局限性还需要进行深入的研究,针对变化检测的研究需要从研究热点中挖掘创新思路、引入深度学习等发展趋势。     

遥感图像变化区域的无监督压缩感知

传统的基于结构特征的遥感图像变化检测方法,易受成像稳定性的影响而误差很大。针对图像内在的稀疏性结构信息,提出基于压缩感知(CS)的遥感图像变化检测方法。通过自适应构造超完备字典将图像局部信息投影到高维空间中,实现图像的稀疏表示,并运用随机矩阵得到了数据在高维空间中的低维特征子空间。最后利用模糊C均值(FCM)聚类算法进行无监督聚类,实现遥感图像变化区域信息的重构。实验结果表明,本文方法不仅能够很好的检测出图像的轮廓变化和图像的区域变化,而且对噪声具有很好的鲁棒性。     

基于主题模型的高分辨率遥感影像变化检测

提出一种基于主题模型的高分辨率遥感影像变化检测方法。将前后两期遥感影像对应的像素点对作为基本单位,提取其邻域亮度相关度、均值、标准差以及邻域回归直线的斜率、截距等低层次特征,在此基础上映射得到像素点对的高层次视觉单词特征,并通过潜在狄利克雷分配模型进行分析,挖掘其潜在的主题信息,即变化与不变,从而实现变化检测。实验结果表明,该方法能够有效检测高分辨率遥感影像的变化。     

模糊Bayes 理论在遥感影像变化检测中的应用

针对传统基于Bayes 决策规则的遥感影像变化检测方法中参数估计的不足以及分类过程中的硬划分问题,采用动态更新变化和未变化两类像元模糊子集的方法,实现对两类像元模糊子集中参数的动态更新,利用估计参数获得各子集的后验概率函数,再将后验概率函数转化为模糊子集的模糊隶属函数,从而获得各子集的指标函数,根据指标函数对影像中未分类的像元值进行判断,实现遥感影像的变化区域提取。实验结果表明：与现有的基于Bayes 决策规则的遥感影像变化检测方法及ERDAS 软件生成结果相比,提出的方法具有更好的变化检测精度。     

多时态BIT遥感图像建筑物的变化检测

针对来自相同地理空间的不同时刻遥感图像之间的季节性和光度变化(色差)等因素所引起的干扰, 提出了多时态-BIT遥感图像变化检测方法. 该方法引入了过去多个不同时刻的遥感图像, 融合当前遥感图像与过去时态遥感图像两两变化检测的结果, 该方法有助于排除季节性和光度变化引起的误报, 提高了变化检测的准确性; 并且利用过去多个不同时刻的遥感图像, 进一步消除非目标建筑变化的影响, 其变化点像素差值引入作为损失函数正则化项, 从而进一步提高变化检测的鲁棒性和可靠性. 本文以三时态(3个不同时刻的遥感图像)为例, 使用了遥感图像建筑物变化数据集进行了实验. 实验结果表明, 多时态-BIT方法相对于仅考虑两个时态的变化检测方法, 在遥感图像建筑物变化检测任务中表现出更好的效果.     

基于Relief-PCA特征选择的遥感图像变化检测

面向对象的变化检测技术在高分辨率遥感图像领域已经得到广泛地应用。由于遥 感图像受光照、大气环境等成像条件的影响,图像特征的质量也参差不齐,筛选出高质量的特 征成为对象级遥感图像变化检测的关键。针对此问题,提出了一种基于 Relief-PCA 特征选择的 对象级遥感图像变化检测方法。首先,对原始图像进行多尺度分割获得目标对象,并提取对象 的光谱特征与纹理特征;然后,利用对数比值法获得变化矢量,再使用 Relief-PCA 特征选择的 方法对图像的对象特征进行筛选与降维;最后,计算并生成 CVA 变化强度图,利用 Otsu 方法 对变化强度图进行阈值分割得到最终的变化检测结果。实验表明：与已有方法相比,该方法的 变化检测精度更高,误检率和漏检率更低。     

基于GDAL的遥感图像变化检测技术

由于GDAL（Geospatial Data Abstraction Library）具有快速读取多种格式的遥感图像且能有效解析空间元数据等特点,利用它开发遥感图像处理算法具有明显的优势。结合GDAL及相应算法,开发了一套复杂地形山区植被遥感变化检测的技术,其中包括利用阴影消除植被指数（Shadow Elimination Vegetation Index,SEVI）反演植被长势;利用图像差值法及最大类间方差法（OTSU）来提取植被长势明显变化点位;利用[K]均值聚类自动分割识别变化区域。将该方法用于武夷山自然保护区和闽江源自然保护区2016-2017年Landsat8 OLI遥感图像的植被长势变化检测,结果表明,这套遥感图像变化检测技术切实可行,能够有效识别遥感图像变化区域,并在复杂地形山区的植被长势监测中具有良好的应用价值。     

结合深度学习和超像元的高分遥感影像变化检测

目的 随着遥感影像空间分辨率的提升,相同地物的空间纹理表现形式差异变大,地物特征更加复杂多样,传统的变化检测方法已很难满足需求。为提高高分辨率遥感影像的变化检测精度,尤其对相同地物中纹理差异较大的区域做出有效判别,提出结合深度学习和超像元分割的高分辨率遥感影像变化检测方法。方法 将有限带标签数据分割成切片作训练样本,按照样本形式设计一个多切片尺度特征融合网络并对其训练,获得测试图像的初步变化检测结果;利用超像元分割算法将测试图像分割成许多无重叠的同质性区域,并将分割结果与前述检测结果叠合,得到带分割标记的变化检测结果;用举手表决算法统计带分割标记的变化检测结果中超像元的变化状况,得到最终变化检测结果。结果 在变化检测实验结果中,本文提出的多切片尺度特征融合卷积网络模型在广东数据集和香港数据集上,优于单一切片尺度下卷积神经网络模型,并且结合超像元的多切片尺度特征融合卷积网络模型得到的Kappa系数分别达到80%和82%,比相应的非超像元算法分别提高了6%和8%,在两个测试集上表现均优于长短时记忆网络、深度置信网络等对比算法。结论 本文提出的卷积神经网络变化检测方法可以充分学习切片的空间信息和其他有效特征,避免过拟合现象;多层尺度切片特征融合的方法优于单一切片尺度训练神经网络的方法;结合深度学习和超像元分割算法,检测单元实现了由切片到超像元的转变,能对同物异谱的区域做出有效判决,有利于提升变化检测精度。