基于水平集演化和支持向量机分类的高分辨率遥感图像自动变化检测

提出了基于水平集演化和支持向量机(SVM)分类的高分辨率遥感图像变化检测方法,该方法将像素级的和对象级的变化检测方法相结合,运用了像素特征和对象特征以提高变化类和非变化类的准确率。在像素级上,变化检测问题转化为水平集演化的图像分割问题。在对象级上,本文可以从分割结果中为SVM分类器自动地选择潜在的训练样本。最终将基于像素级的变化和基于对象级的变化相结合得到最终的变化结果。所提出的方法的主要优势在于可以自动选择合适的样本进行SVM分类器训练。此外,提出的方法可以有效的提高精确度和自动化水平。通过SPOT5图像和航空图像进行实验,结果表明该方法是有效的。     

基于多层马尔科夫随机场模型的变化检测

提出了一种基于多层马尔科夫随机场模型的变化检测方法.首先输入的多个特征通过模拟退火方法得到对应每个特征的初步检测结果,然后利用多层马尔科夫随机场将初步检测结果进行融合.最后对图像进行目标级分割并与像素级变化检测结果相结合,根据各个目标的变化率给出了最终的变化检测.文章提出的方法运用多层马尔科夫随机场融合方法充分考虑了相邻像素间的相关性和各层之间的联系,并从目标角度进行了变化率的分析,使得融合结果更细致和精确.     

基于深度学习的遥感影像变化检测方法

为了获得可靠的训练样本及提高遥感影像变化检测的精度,提出基于深度学习的遥感影像变化检测方法. 采用结构相似性方法（SSIM）选取纹理特征（灰度共生矩阵法）,通过融合变化向量分析（CVA）方法获取不同时相遥感影像差异图（DI）及纹理特征差异图获得差异影像,并采用构造的变分去噪模型对差异影像进行去噪. 利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值（FCM）算法对粗变化检测图（对显著性图选取阈值获得的）进行预分类（变化类、未变化类及未确定类）. 将从遥感影像上提取的变化像素和未变化像素的邻域特征引入深度神经网络模型进行训练,并利用训练好的深度神经网络模型对差异影像进行变化检测,得到最终的变化检测图. 对3组遥感影像数据集进行变化检测实验,结果表明本研究方法的变化检测精度高于其他比较方法.     

基于深度学习的遥感影像变化检测方法

为了获得可靠的训练样本及提高遥感影像变化检测的精度,提出基于深度学习的遥感影像变化检测方法.采用结构相似性方法（SSIM）选取纹理特征（灰度共生矩阵法）,通过融合变化向量分析（CVA）方法获取不同时相遥感影像差异图（DI）及纹理特征差异图获得差异影像,并采用构造的变分去噪模型对差异影像进行去噪.利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值（FCM）算法对粗变化检测图（对显著性图选取阈值获得的）进行预分类（变化类、未变化类及未确定类）.将从遥感影像上提取的变化像素和未变化像素的邻域特征引入深度神经网络模型进行训练,并利用训练好的深度神经网络模型对差异影像进行变化检测,得到最终的变化检测图.对3组遥感影像数据集进行变化检测实验,结果表明本研究方法的变化检测精度高于其他比较方法.     

基于多尺度联合分割的SAR图像电力线走廊变化检测

基于多尺度联合分割方法,提出一种SAR图像电力线走廊变化检测算法。该算法首先通过TurboPixels算法对多时相SAR图像电线塔走廊进行多尺度联合过分割,每个过分割区域即为一个"超像素";然后根据超像素区域的统计分布差异计算每个尺度上的差异度;最后融合多尺度差异,利用自动阈值提取最终的变化检测区域.实验结果表明该算法具有较为满意的变化检测效果.     

MBI多特征结合GIS缓冲区的高分影像建筑物变化信息检测

为准确地从高分辨率遥感影像中提取建筑物及其变化信息,基于对建筑物先进行提取再变化检测的思想,在采用改进的分水岭算法进行影像分割基础上,结合形态学建筑物指数(MBI)的多特征支持向量机建筑物提取方法,将GIS缓冲区引入建筑物变化检测.针对配准误差、提取误差和建筑物位移现象引起的误差,构建引入缓冲区的建筑物变化检测流程.以0.2m分辨率航空遥感影像为例,对建筑物变化进行了检测试验,结果表明本文的建筑物变化检测流程能够有效提高建筑物变化检测的准确性.     

基于超像素的Graph-Based图像分割算法

针对EGBIS分割算法中的过分割问题,提出了一种基于超像素的graph-based图像分割算法SGBIS.首先,对图像进行基于简单线性迭代聚类（SLIC）的超像素预分割;然后以每个超像素作为节点构造带权无向图,以相邻超像素颜色平均值的欧式距离作为图中边的权值;最后利用基于图的算法合并超像素得到分割结果.用VI、PRI和F值3个指标分析了算法性能,结果表明,新算法可以得到更为理想的分割效果;引入交互分割区域合并,也可满足用户图像分割的需求.     

基于深度超像素的超图谱分割方法

为提高无监督图像分割准确性,提出一种新的基于深度超像素的超图谱分割方法。首先,通过多种过分割方法得到超像素,以迭代的方式两两求交集表示为深度超像素,作为超图的顶点。其次,根据超像素和深度超像素之间的关联性构建超边,形成超图模型。最后,通过对超图拉普拉斯矩阵进行谱分解将超像素聚成不同的类,从而得到图像的分割结果。相较于经典方法,新方法在伯克利分割图像库上产生更好的分割结果,验证了该方法的有效性。     

基于高分辨率遥感影像的输电线走廊场景分类

提出了一种将纹理特征和颜色特征相结合的输电线走廊遥感图像分类方法.该方法首先采用简单线性迭代聚类(SLIC)过分割技术将一幅大场景遥感图像分割为若干个尺寸大致规则的超像素块,然后对这些超像素块进行联合散射纹理特征和颜色词袋(BOC)特征提取,接着将这两种特征级联融合,最后将组合后的特征输入到直方图交叉核支持向量机(HIK-SVM)中训练分类器并进行场景分类.武汉地区输电线走廊场景的高分辨率遥感影像分类实验结果表明,与仅利用单个特征相比,两种互补特征的组合具有更高的分类准确率,可获得更为满意的场景分类结果.     

基于正反向异质性的遥感图像变化检测

为提高水体周边环境的变化检测结果的精度,提出一种改进的变化检测方法。在光谱与纹理特征结合的基础上融合指数特征构建混合特征空间,采用超像素生成算法(simple linear iterative cluster, SLIC)处理叠加影像获取地物对象,并综合地物对象的正反向异质信息构建地物对象的正反向异质性;使用最大数学期望算法与贝叶斯最小错误率理论获取两时相的变化信息,排除植被伪变化信息,形成相对准确和鲁棒的检测结果。试验结果表明:该方法能够有效区分水体周边环境中感兴趣的地物变化信息与不感兴趣的干扰信息、“伪变化信息”等,虚检率和漏检率较低,且正确率较高为96%以上,能够智能发现湖库水域周边“非正常”土地利用变化。     

图像分割中无向概率图模型研究

针对有限信息中获取图模型结构的困难,构造了一个框架来学习无向图模型的结构。它可以表示变量之间的空间关系,也可应用于图像分割问题。使用以超像素为节点来学习概率图模型的结构构建图像分割体系,将L1正则化方法用于学习图模型的结构。采用条件随机场对图像超像素区域的相互作用和度量进行建模,通过超像素区域特征和区域标签间的相互作用对图像进行分割。实验表明,同其他方法相比较,所提出的分割算法效果良好。     

基于信息弥散机制的图像显著性区域提取算法

为了更好提取图像的显著性区域,提出基于信息弥散机制的图像显著性区域检测算法。在所提算法中,首先将图像分割成超像素,根据图像中显著性区域频率变化比较大的特性,生成图像显著性区域的高频节点;然后针对高频节点利用凸包运算寻找显著性区域的种子节点,最后使用二阶高斯-马尔科夫随机场信息弥散方法在图像中对种子节点进行显著性区域信息扩散,得到图像的显著性区域。试验结果表明,利用二次规划求解每个数据之间的线性关系进行信息扩散,能够达到避免阈值选择和信息精准分类的效果,其结果优于同类的图像显著性区域检测算法。     

基于面向对象分类方法的遥感影像变化检测

介绍了一种利用GIS数据辅助实现遥感影像变化检测的方法.该方法将面向对象的概念引入遥感影像分类中,使分类的目标不仅可以是影像的像素,也可以是表示一个GIS对象的全部像素集合(像素组).在影像分类中,为减少工作量和降低分类精度对训练样区选择经验的依赖性,最大似然分类中的训练样区由现有GIS数据对象引导生成.实验表明该方法在针对面状对象进行变化检测时具有良好的效果.     

面向高光谱图像分类的超像素级Gabor特征融合方法研究

由于高光谱图像中的地物空间分布具有规整性和局部连续性,同时超像素分割是一种将空间图像分割成多个同质区域的有效方法,因此从超像素的角度进行高光谱图像分类将具有重要意义.本文提出了一种超像素级Gabor特征融合的高光谱图像分类方法,简称为SPGF.首先,使用一组预定义的二维Gabor滤波器与原始高光谱图像进行卷积运算,提取有效特征.同时,利用简单线性迭代聚类(简称SLIC)超像素分割方法将原始高光谱图像划分成互不重叠的超像素.然后,对于每个Gabor特征模块,利用支持向量机分类器进行分类,并使用多数投票策略实现各模块分类结果的融合.最后,使用通过SLIC算法得到的超像素图对分类结果进行修正.在2个真实高光谱数据集上的实验结果表明,本文提出的SPGF方法能够比领域内的一些经典算法获得更高的分类效果.     

基于支持向量机的矿区土地覆盖变化检测

利用支持向量机(SVM)对两类问题良好的分离性能,将其应用于矿区土地覆盖变化检测,实现了基于SVM的变化检测算法.该算法计算了多时相遥感数据的差值影像,利用SVM将全部像素分类标记为变化和不变化两个类别,在不变区域中选择训练样本,对变化区域进行分类,获得前后时相地物类别信息,构建变化转移矩阵,描述详细变化信息.应用多时相先进对地观测卫星(ALOS)遥感数据对矿区土地覆盖变化进行试验,并与变化矢量分析、差值阈值法进行对比,结果表明:基于SVM的变化检测方法具有更好的检测效果,能够提供全面的变化类别和方向信息,可以有效应用于矿区土地覆盖动态监测.     

基于细化分割的遥感影像水体边缘轮廓提取

为实现遥感影像的水资源特征识别,需要对遥感影像中的地表水体边缘信息进行有效检测识别,提出了一种基于细化分割的遥感影像水体边缘轮廓提取识别方法。采用卫星遥感技术进行高分辨率遥感水陆场景图像成像,通过灰度像素增强技术进行遥感影像空间分辨率增强处理,在不同场景纹理中进行遥感影像空间像素特征重构,以中心像素的灰度值为阈值建立遥感影像陆地地物的空间结构特征辨识模型,采用细化分割方法进行遥感影像的水体边界点分割处理,采用形态学滤波方法进行遥感影像水体边缘轮廓检测过程中的细化分割和滤波,对水陆粗分离结果进行形态学闭运算处理,根据细化分割结果进行水体边界平滑处理,实现对遥感影像水体边缘轮廓的提取。仿真结果表明:采用该方法进行遥感影像水体边缘轮廓提取的精度较高,水体边界平滑性较好,轮廓特征的辨识度较高。     

基于ISODATA算法的城市变化检测

为验证ISODATA分类算法在变化检测中的可行性,利用人为对宜昌市TM影像加入改变的影像和原始图像,对比像素差值法进行ISODATA分类检测。然后利用武汉市多时相遥感影像,进行像素差值法、ISODATA分类算法的变化检测,以对城市的变化进行分析。实验结果表明,2种检测方法结果差别不大,但ISODATA算法有其优越性,证明ISODATA算法在变化检测中有一定的可行性。     

基于稀疏自表示的模糊聚类图像分割算法

为了提高噪声污染图像分割的鲁棒性,提出一种基于稀疏自表示的模糊C均值聚类图像分割算法。该算法首先将图像过分割为超像素,以超像素作为图像基元,对每一块超像素进行特征提取,所有超像素的特征组成图像的特征矩阵;其次建立特征矩阵的稀疏自表示模型,将其以自身为字典时的表示系数作为表示样本间相关性的判别特征矩阵;最后利用模糊C均值聚类算法聚类图像的判别特征矩阵,得到图像的分割结果。对人造图像、自然图像和遥感图像添加高斯噪声和椒盐噪声,实验结果表明,改进算法对噪声污染的图像有较好的分割质量,有一定的抗噪鲁棒性。     

基于自适应流形相似性的图像显著性区域提取算法

为了在图像显著性区域提取过程中改善算法的自适应性和精准度,提出基于自适应流形相似性的图像显著性区域检测算法。将图像分割成超像素,根据图像中显著性区域频率变化比较大的特性,生成图像显著性区域的高频节点;针对高频节点利用凸包运算寻找显著性区域的种子节点;使用流形算法在图像中对种子节点进行显著性区域信息扩散,得到图像的显著性区域。试验结果表明:利用流形算法搭建求解每个数据的邻接矩阵进行信息扩散,能够在保证信息精准分类的同时提高算法的自适应性,其结果优于同类的图像显著性区域检测算法。     

基于全景相机和全向激光雷达的致密三维重建

为了实现360°全景三维重建,提出一种基于全景相机和全向激光雷达的联合标定和数据融合方法.采用二维平面靶标进行联合标定,克服传统方法中提取雷达数据边缘信息不精确导致的误差,并且标定过程简单.在此基础上,提出一种基于超像素分割的致密三维重建算法,得到与物体平面一致的超像素块分割结果,根据超像素块内三维点估算物体平面,推算每个像素的深度信息,得到致密的三维重建信息.结果表明,该算法标定结果精确,三维重建景物轮廓清晰,色彩对应准确.