基于模糊C均值聚类和邻域分析的无监督多通道遥感图像变化检测

提出一种基于模糊C均值聚类(Fuzzy C-means,FCM)和邻域分析的多通道遥感图像变化检测方法.通常的多通道遥感图像变化检测方法将变化信息从多个波段压缩到一个波段,损失了遥感图像的波段信息.本文将多波段变化信息用FCM方法来实现多通道遥感图像的变化检测.但由于FCM有对孤立点敏感的特点,该方法容易受噪声的影响....     

基于模糊聚类的遥感图像与现有地形图的变化检测方法

提出了一种基于模糊聚类的遥感图像与现有地形图的变化检测方法。该方法通过模糊聚类对遥感图像和地形图的像元进行分类,然后基于分类结果实现图像的叠合,从而显示图像间的变化情况。本文通过一个图像变化检测实例说明该方法能够快速、直观的反映遥感图像与现有地形图之间的变化,从而避免了参考点均方误差法无法完全反映图像实际变化情况的问题。     

混合的SAR图像变化检测算法

为尽可能多地消除遥感图像变化检测过程中“伪变化”信息的影响,获得比较客观的感兴趣区域变化检测结果,针对遥感图像中SAR图像的特点,提出一种混合的SAR图像变化检测算法。对已配准好的图像进行Frost滤波,用邻域比值的方法构造差异图,对得到的差异图进行非下采样轮廓波变换（NSCT）,对变换得到的高频子带和低频子带分别处理,用模糊C均值（FCM）聚类算法得到变化检测的结果。实验结果表明,该算法模型很好地保留了图像变化区域的细节,提高了变化检测准确性。     

基于聚类结构自适应稀疏表示的高光谱遥感图像修复研究

高光谱影像(Hyper-Spectral Image,HSI)的图像修复是其数据应用中重要的一个环节,最终会影响后续工作的准确性。提出一种新的基于聚类结构自适应稀疏表示的高光谱遥感图像的修复算法,该方法的优点是根据遥感图像地物的特征进行自适应地块大小选择,并对像素聚类后各个波段图像按照字典学习算法进行稀疏表示,通过稀疏逼近实现高光谱遥感图像的修复。实验结果表明:利用自适应获得的稀疏系数能更好地表示高光谱图像,图像的峰值信噪比(Peak Signal-toNoise Ratio,PSNR)为26.6dB,比其他研究的算法有所提高。该方法可以应用于遥感图像处理流程中,提高图像的应用潜力。     

无监督上下文光谱角映射图像变化检测

传统的遥感图像变化检测方法未能充分利用像素上下文信息,导致精度较低。针对这一问题,提出一种不需要像素概率分布假设、无监督的上下文光谱角映射图像变化检测方法。在像素变化的判别测试中,利用空间上下文信息特征,提高了变化检测精确度。此方法可用于卫星遥感图像中,利用上下文光谱角映射创建相似图像,基于K均值聚类算法将其分为有变化和无变化两类,以此生成映射图像。通过定性和定量分析,将试验结果与最大似然估计法（MLC）结果相比较。研究表明：无监督上下文光谱角映射图像变化检测方法精确度更高,可用于二时刻图像和多光谱图像变化检测问题。     

视角和光照显著变化时的变化检测方法研究

探讨使用计算机视觉的最新方法来解决基于两幅高空间分辨率光学遥感图像的城市变化检测问题. 基本原理是通过提取聚类出现的变化直线段群来提取城市变化, 重点研究了拍摄视角和光照条件显著变化时的几个主要问题. 提出了一种基于多种类型图像特征的匹配方法来提取无变化建筑的顶部区域, 结合几何约束引入了变化盲区的概念以处理高层建筑在不同视角和光照下的图像不同现象. 使用真实遥感图像进行实验, 在视角和光照显著变化时仍可取得满意的变化检测结果.     

基于聚类分析的SAR图像变化检测

针对传统变化检测方法用于合成孔径雷达(SAR)图像时不能有效地降低背景变化导致的检测虚警,提出了基于聚类分析的SAR图像变化检测方法。该方法对聚类后SAR图像像素类间变化引入Mahal-anobis距离(M距离),结合变化阈值的选择来分析图像中变化像素的M图,进而实现SAR图像变化检测。仿真结果说明:该方法不仅能克服自然和背景变化给检测带来的困难,而且,不受传感器位置的影响,能有效地对不同时刻的SAR图像进行变化检测。     

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。     

基于非下采样Shearlet和几何结构的遥感图像无监督变化检测

提出了基于非下采样Shearlet和几何结构的遥感图像无监督变化检测新算法。首先将两幅SAR图像相减取绝对值得到差异图像,然后利用基于非下采样Shearlet自适应贝叶斯阈值去噪算法对差异图像进行去噪处理来减少噪声的影响。最后根据差异图像的局部几何特征和邻域信息构造跨特征矢量,再利用模糊C-means聚类算法对跨特征矢量聚类,聚类的结果为变化类和未变化类即最终的变化检测结果。实验证明:该算法对噪声的抗噪性能平稳而且有效,可以得到较好的检测结果。     

基于图像帧间信息和FS-KFDA的极光序列图像检测算法

为了解决数据量巨大的极光序列图像难于用人工划分的方法来进行变化监测的问题,提出了一种基于极光序列图像特征和帧间信息的感兴趣极光变化区域(ROI)自动检测算法,用计算机进行辅助分类。首先提取样本图像特征,再利用离散小波变化算法对帧间信息进行特征分析,引入特征标度核Fisher分析算法(FS-KD-FA),结合K-均值聚类选择训练样本,构建分类器实现了变化检测。对北极黄河站采集到的实测极光图像数据进行极光区域划分检测,实验结果表明了算法的有效性。     

直推式遥感图像场景零样本分类算法

针对遥感图像场景零样本分类算法中的空间类结构不一致以及域偏移问题,提出基于Sammon嵌入和谱聚类方法结合的直推式遥感图像场景零样本分类算法。首先,基于Sammon嵌入算法修正语义特征空间类原型表示,使其与视觉特征空间类原型结构对齐;其次,借助结构迁移方法得到视觉特征空间测试类原型表示;最后,针对域偏移问题,采用谱聚类方法修正视觉特征空间测试类原型,以适应测试类样本分布特点,提高场景零样本分类准确度。在两个遥感场景集（UCM和AID）上分别获得52.89%和55.93%的最高总体分类准确度,均显著优于对比方法。实验结果表明,通过显著降低视觉特征空间和语义特征空间的场景类别结构不一致性,同时减轻了域偏移问题,可实现语义特征空间类结构知识到视觉特征空间的有效迁移,大幅提升遥感场景零样本分类的准确度。     

基于双稀疏度K-SVD字典学习的遥感影像超分辨率重建

为了通过软件方式增强遥感影像的空间分辨率,提出了一种基于双稀疏度K-SVD字典学习的遥感影像超分辨率重建算法。基于稀疏表示理论,利用K-SVD字典学习算法求解低分辨率字典及其稀疏系数,将稀疏系数传递至高分辨率字典学习空间,形成高、低分辨率字典对,重建得到高分辨率遥感影像,并在字典学习和稀疏重建两个阶段设置了不同的稀疏度。实验分别采用TM5影像、资源三号影像以及USC_SIPI图像库中的遥感影像进行重建,结果表明,不论重建影像有无噪声,所提算法的峰值信噪比和结构相似指标均高于Bicubic法以及Zeyde的算法。K-SVD和双稀疏度参数的引入,不仅减少了字典学习时间,且具有高的空间分辨率提升能力。     

基于深度学习的遥感图像目标检测与识别

为解决目前的遥感图像目标检测算法存在的对小尺度目标检测精度低和检测速度慢等问题，提出了一种基于深度学习的遥感图像目标检测与识别算法。首先，构建一个含有不同尺度大小的遥感图像的数据集用于模型的训练和测试；其次，基于原始的多尺度单发射击（SSD）网络模型，融入了设计的浅层特征融合模块、浅层特征增强模块和深层特征增强模块；最后，在训练策略上引入聚焦分类损失函数，以解决训练过程中正负样本失衡的问题。在高分辨率遥感图像数据集上进行实验，结果表明所提算法的检测平均精度均值（mAP）达到77.95%，相较于SSD网络模型提高了3.99个百分点，同时检测速度为33.8 frame/s。此外，在拓展实验中，改进算法对高分辨率遥感图像中模糊目标的检测效果也优于原多尺度单发射击网络模型。实验结果说明，所提改进算法能够有效地提高遥感图像目标检测的精度。     

基于深度学习的遥感图像目标检测与识别

为解决目前的遥感图像目标检测算法存在的对小尺度目标检测精度低和检测速度慢等问题,提出了一种基于深度学习的遥感图像目标检测与识别算法。首先,构建一个含有不同尺度大小的遥感图像的数据集用于模型的训练和测试;其次,基于原始的多尺度单发射击（SSD）网络模型,融入了设计的浅层特征融合模块、浅层特征增强模块和深层特征增强模块;最后,在训练策略上引入聚焦分类损失函数,以解决训练过程中正负样本失衡的问题。在高分辨率遥感图像数据集上进行实验,结果表明所提算法的检测平均精度均值（mAP）达到77.95%,相较于SSD网络模型提高了3.99个百分点,同时检测速度为33.8 frame/s。此外,在拓展实验中,改进算法对高分辨率遥感图像中模糊目标的检测效果也优于原多尺度单发射击网络模型。实验结果说明,所提改进算法能够有效地提高遥感图像目标检测的精度。     

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。     

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。     

基于局部加权拟合算法的无人机遥感影像多尺度检测技术

目前提出的无人机遥感影像多尺度检测技术平均图像灰度较差,导致检测结果清晰度较低;为了解决上述问题,基于局部加权拟合算法研究了一种新的无人机遥感影像多尺度检测技术,选用最小二乘法进行多次循环计算,确定周围区域重复率,通过抽稀处理提高数据精度;根据高斯金字塔得到n阶的影像序列,利用高斯金字塔和差分尺度划分完成遥感影像的特征提取;引入加权拟合算法,构建有效影像数据集,确定影像网络模型,从而完成合并,实现影像数据的检测;实验结果表明,基于局部加权拟合算法的无人机遥感影像多尺度检测技术能够有效提高平均图像清晰度,增强检测结果的清晰度。     

基于蚁群优化与独立特征集的遥感图像实时分类算法

为了提高遥感图像的实时分类准确率与效率,提出了一种基于蚁群优化算法与独立特征集的遥感图像集实时分类算法。首先,提取遥感图像的小波域特征与颜色特征,并且组成特征向量;然后,采用蚁群优化算法对特征空间进行优化,独立地选出每个分类的显著特征集,从而降低每个子特征空间的维度;最终,每个分类独立地训练一个极限学习机分类器,从而实现对遥感图像集的分类。基于公开的遥感图像数据集进行了仿真实验,结果显示本算法实现了较高的分类准确率,并且实现了较高的计算效率。     

基于Harris角点和SIFT描述符的高分辨率遥感影像匹配算法

影像匹配是诸多遥感影像处理和影像分析的一个关键环节。传统基于角点的灰度相关匹配算法由于不具备旋转不变性而需要人工干预进行粗匹配,无法实现自动化。SIFT(scale invariant feature transform)算法能很好地解决图像旋转、缩放等问题,但是对于几何结构特征更加清晰、纹理信息更加丰富的高分辨率遥感影像而言,该算法消耗内存多、运算速度慢的问题非常突出。将两者结合,提出基于Harris角点和SIFT描述符的影像匹配算法。实验结果表明,相比SIFT算法,该算法大量缩减了运算时间,同时保留了SIFT描述符的旋转不变性和对光照变化的适应性,克服了灰度相关算法无法实现全自动的缺点,在高分辨率遥感影像匹配上效果较好。