面向对象变化向量分析的遥感影像变化检测

为了解决基于像元的变化向量分析法在高分辨率遥感影像变化检测中精度低的问题,提出了一种面向对象变化向量分析的遥感影像变化检测方法。综合2个时期的遥感影像,首先通过影像分割获取像斑,其次提取直方图作为像斑的特征向量,再次采用直方图相交法度量2个时期像斑直方图之间的距离,构建像斑的变化向量,然后利用加权组合的方法计算像斑变化向量的模,最后依据最大熵原理获取变化检测阈值,对像斑进行变化/未变化判别。在QuickBird及Ikonos遥感影像上的实验表明:在高分辨率遥感影像变化检测中,与基于像元的变化向量分析法相比,该方法变化检测的精度较优,变化检测的正确率分别达到了0.92与0.90。     

基于像斑差熵的遥感影像变化检测

提出了利用遥感影像分割获取像斑进行变化检测的方法。构造了像斑差熵作为衡量变化的指标,选取一定数目训练样本,利用目标函数法找到最佳阈值,并同相关系数法进行了比较。实验结果显示像斑差熵更适用于遥感影像变化检测。     

一种利用多尺度直方图的遥感影像分类方法

针对单一直方图对像斑特征表达不充分的问题,提出了一种利用多尺度直方图的遥感影像分类方法。首先,通过影像分割获取像斑,选取训练样本像斑;其次,提取像斑在不同灰度级下的直方图,形成像斑的多尺度直方图特征;再次,利用G统计量度量各尺度下的直方图距离,加权组合直方图距离构建像斑在单波段上的特征距离;然后,计算各波段不同灰度级下的信息熵,自适应确定各波段对应的权重,加权组合单波段特征距离构建像斑的特征距离;最后,依据像斑特征距离最小的原则,获取影像分类结果。在QuickBird遥感影像上的实验表明,与单一尺度直方图分类法相比,该方法的分类精度较优。     

利用向量相似性进行基于像斑的土地利用变化检测

提出了利用GIS辅助数据与遥感影像套合获取像斑进行变化检测的完整方法。将变化检测问题转化为一个基于像斑特征相似性度量的两类划分问题--变化与未变化。构造了向量相似度的衡量指标,利用数据挖掘方法找到划分阈值,并与相关系数指标进行了比较。结果显示向量相似度指标更适合本文方法用于变化检测。     

基于GIS辅助数据的样本像斑变化检测方法研究

土地利用变化检测是国内外全球化进程研究的重要内容。虽然利用遥感影像进行变化检测的研究已取得了巨大进展,但由于对象获取方式单一、算法参数需要人为设定/调试等问题使现有变化检测方法在实际应用中的效果大打折扣。提出了一种以GIS辅助数据获取像斑建立样本特征数据库的方法进行遥感影像变化检测。该方法可充分利用多源数据,并提高变化检测方法的自动化程度。实验证明了方法的有效性。     

基于状态转移矩阵的变化检测方法

土地利用变化检测一直是遥感影像变化检测研究的重点。在分析已有变化检测方法的基础上提出了一种基于状态转移矩阵（State Transition Matrix,STM）的变化检测方法。以像斑为分析单位,通过样本像斑的选择与更新对变化检测区域进行分析,利用辅助数据生成的地物变化状态转移矩阵对变化检测结果进行修正。实验证明了该方法的有效性。     

融合多特征的高分辨率遥感影像变化检测

针对单一特征难以反映目标物的全面信息,不能有效地进行变化检测的问题,提出一种顾及光谱、纹理和结构特征的遥感影像变化检测框架。该方法由3部分组成：利用光谱特征及决策融合方法获得目标物的光谱变化信息;通过构建多尺度灰度共生矩阵纹理特征集和方向梯度直方图特征集,获得目标物在纹理特征和几何特征方面的变化信息;对光谱、纹理和结构特征变化结果进行分析,基于逻辑运算进行融合,并结合形态学算子对检测结果进行后处理,获得最终的综合变化图斑。选取3组涉及不同地物变化的高分辨率遥感影像开展变化检测实验,并与其他方法进行对比分析。结果表明,该算法框架可以有效集成多特征的优势,显著提高变化检测过程的适用性和鲁棒性。     

顾及空间引力的变权重MRF高分遥感影像变化检测

针对现有高分遥感影像变化检测方法大都针对影像的像元灰度值,没有充分考虑像元间的空间关系,导致变化检测精度不高,提出了一种改进的变化检测方法.首先,通过模糊C均值聚类得到初始差异影像中的像元隶属度信息;然后,利用改进的空间引力模型将像元的隶属度及像元间的空间信息引入到马尔科夫随机场中,基于组合能量函数设置自适应权重函数;...     

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。     

多时相Landsat影像地表亮温辐射归一化方法

使用多时相遥感数据进行景观变化检测往往要求这些遥感数据能保持辐射一致性,但实际获取遥感数据时由于传感器性能、大阳照度几何和大气状态的变化,多时相遥感数据的辐射一致性无法保持。鉴于多时相遥感数据实际应用时需要实施相对辐射归一化操作,以南京市主城区1992年、1998年、2003年、2007年和2011年5景Landsat TM热红外波段数据为源数据,反算亮温图像并与8个地面气象站采集的实时温度数据建立回归模型,反演地表温度图像,然后采用伪不变特征相对辐射归一化方法和多元变化检测相对辐射归一化方法对5期地表温度数据做归一化处理,分级操作后评价南京市热岛效应的变化特征,最后通过引入统计特征参数均方根误差和变异系数,评价两种相对辐射归一化方法的优劣。结果表明:经过两种归一化方法调整后的数据均有利于对南京市热岛效应的分析;在后续的热岛效应分析中,多元变化检测相对辐射归一化法处理后的影像优于伪不变特征相对辐射归一化处理的影像;多元变化检测归一化法克服了人工选取样本点中存在的主观因素,但其计算相对较复杂。     

基于归一化互信息向量熵的多幅图像配准方法

提出了一种新的多幅图像配准方法,归一化互信息向量熵方法。这种方法先计算任意两幅图像间的联合概率分布,然后根据联合概率分布计算它们间的归一化互信息,把所有两幅图像组合得到的归一化互信息组成一个向量,最后计算该归一化互信息向量的熵。最大熵对应最佳配准位置。通过对人体脑部图像的刚体配准实验,从函数曲线、计算时间和配准精度方面,对新方法和其它三种方法进行了分析和比较。实验结果表明,新提出的方法可以提高配准精度、减少配准时间。     

基于二次Renyi熵的正则化互信息特征选择方法

提出了一种基于二次Renyi's熵的正则化互信息特征选择方法,该方法能高效地对互信息进行估计从而使计算复杂度大大降低。同时把正则化互信息特征选择方法与嵌入式方法相结合得到一个两段式特征选择算法,该算法可以找出更具特征的特征子集。通过实验比较了该方法与其他基于互信息的特征选择算法的效率与分类精度,结果表明该方法能够有效改善计算复杂度。     

广义Jensen-Schur测度在医学图像配准中的应用

使用互信息或归一化互信息测度进行医学图像配准时,由于噪声、模态、插值等影响,测度函数存在许多局部极值,收敛范围较窄,有可能导致误配准。为了克服上述缺点,定义了广义Jensen-Schur测度,利用巴特沃思函数对自变量值的非线性压缩功能,成功地消除了PV插值伪极值点。从测度曲线光滑性、抗噪鲁棒性、收敛性能方面,对四种新构造的广义Jensen-Schur测度、互信息和归一化互信息进行了比较和分析。实验结果表明,新构造的JS22和JS23测度在以上三个方面的性能都优于其他测度。     

基于互信息熵差测度和Gauss-Markov随机场模型的医学图像分割

图像分割类数的确定一直是个难点,基于互信息熵差测度进行图像分割类数的确定,较好地解决了该问题.互信息熵差描述了随着分割类数增加时分割图像和原图像互信息量的增加程度,其作为一种类数确定测度时,可认为取得了一种分割类数与分割图像中所包含信息量的平衡,以此提出了分割类数确定的判别规则.在分割算法方面,Gauss-Markov模型既利用了图像的灰度信息,又通过Gibbs先验概率引入了图像的空间信息,能较好地用于分割含噪声的图像.然而,Gibbs惩罚因子β的确定却一直是个难点,为获得好的分割效果,通常用多个β值人工尝试.针对此问题,提出了一种类自适应的惩罚因子β,其利用后验概率来自动计算,并具有各类各向异性.再将模型利用EM-MAP算法来迭代求解.最后,将算法应用于医学图像的分割,实验表明该算法具有满意的分割效果.     

Mutual information matching in multiresolution contexts

Image registration methods based on maximization of mutual information have shown promising results for matching of 3D multimodal brain images. This paper discusses the effects of multiresolution approaches to rigid registration based on mutual information, aiming for an acceleration of the matching process while maintaining the accuracy and robustness of the method. Both standard mutual information and a normalized version are considered. The behaviour of mutual information matching in a multiresolution scheme is examined for pairs of high resolution magnetic resonance (MR) and computed tomography (CT) images and for low resolution MR images paired with either positron emission tomography (PET) images or low resolution CT images. Two methods of downscaling the images are compared: equidistant sampling and Gaussian blurring followed by equidistant sampling. The experiments show that a multiresolution approach to mutual information matching is an appropriate method for images of high (sampling) resolution, achieving an average acceleration of a factor of almost 2. For images of lower resolution the multiresolution method is not recommended. The little difference observed between matching with standard or normalized mutual information seems to indicate a preference for the normalized measure. Gaussian blurring of the images before registration does not improve the performance of the multiresolution method.     

尺度空间图像的互信息与配准

提出基于多尺度图像的互信息测度的配准方法,主要讨论这种方法的性能。提出这种方法的主要目的是在保证这种方法的准确性和鲁棒性的同时加快配准速度,并且具有强抗噪性。将这种方法在MR图像和CT图像上进行检验。这是首次将属性尺度空间与互信息结合,实验表明多尺度图像的互信息测度是一种行之有效的配准方法。     

基于归一化边缘互信息与自适应加速粒子群的图像配准方法

传统的归一化互信息配准方法未利用图像的空间信息,当图像中混有一定噪声时,会出现误配准。边缘是图像最基本的特征之一,为了改进归一化互信息方法,提高图像配准的精度,加快收敛速度,将图像的边缘信息与灰度信息自适应地结合,形成归一化边缘互信息测度(NCMI),提出一种基于加速因子的自适应加速粒子群优化算法(AAPSO)来优化基于NCMI测度的图像配准。AAPSO算法通过对解排序,将指定数量的劣解进行进化加速来引导粒子的飞行,并对自适应惯性权重公式加以改进,提高了算法的收敛性,防止早熟收敛并增加优化解的多样性,同时加入加速因子来提高收敛速度。实验结果表明,该方法配准精度高,速度快,具有较强的实用性。     

胶囊内窥镜冗余图像数据自动筛除方法

针对胶囊内窥镜检查的海量图像数据,提出基于归一化互信息量及归一化互相关系数的冗余图像数据筛除方法。将图像在HSV色彩空间量化聚类;然后计算相邻图像的相似度系数,最后根据相似筛除比例进行迭代筛除。针对49例病例,按照70%的筛除比率,实验结果得到100%的病灶数量保留率和较低的图像误删率。基于归一化互信息量冗余图像数据筛除方法能够高效准确地筛除冗余图像数据并极大地缩短阅片时间;在该算法的基础上,开发了胶囊内窥镜图像自动筛查系统,为医生判诊提供辅助和支持。     

Using clustering and dynamic mutual information for topic feature selection

A good feature selection method should take into account both category information and high‐frequency information to select useful features that can effectively display the information of a target. Because basic mutual information (BMI) prefers low‐frequency features and ignores high‐frequency features, clustering mutual information is proposed, which is based on clustering and makes effective high‐frequency features become unique, better integrating category information and useful high‐frequency information. Time is an important factor in topic detection and tracking (TDT). In order to improve the performance of TDT, time difference is integrated into clustering mutual information to dynamically adjust the mutual information, and then another algorithm called the dynamic clustering mutual information (DCMI) is given. In order to obtain the optimal subsets to display topics information, an objective function is proposed, which is based on the idea that a good feature subset should have the smallest distance within‐class and the largest distance across‐class. Experiments on TDT4 corpora using this objective function are performed; then, comparing the performances of BMI, DCMI, and the only existed topic feature selection algorithm Incremental Term Frequency‐Inverted Document Frequency (ITF‐IDF), these performance information will be displayed by four figures. Computation time of DCMI is previously lower than BMI and ITF‐IDF. The optimal normalized‐detection performance (C_det)_norm of DCMI is decreased by 0.3044 and 0.0970 compared with those of BMI and ITF‐IDF, respectively.     

Normalized Mutual Information Feature Selection

A filter method of feature selection based on mutual information, called normalized mutual information feature selection (NMIFS), is presented. NMIFS is an enhancement over Battiti's MIFS, MIFS-U, and mRMR methods. The average normalized mutual information is proposed as a measure of redundancy among features. NMIFS outperformed MIFS, MIFS-U, and mRMR on several artificial and benchmark data sets without requiring a user-defined parameter. In addition, NMIFS is combined with a genetic algorithm to form a hybrid filter/wrapper method called GAMIFS. This includes an initialization procedure and a mutation operator based on NMIFS to speed up the convergence of the genetic algorithm. GAMIFS overcomes the limitations of incremental search algorithms that are unable to find dependencies between groups of features.