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。     

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。     

遥感图像的变化检测算法综述

首先总结了国内外遥感图像进行变化检测算法应用于目标研究的发展现状,其次,针对目标的遥感图像的变化检测算法进行比较,分析存在的问题,研究遥感影像的变化检测算法应用于星上实时处理系统的适用条件,总结归纳其优缺点,创造性的提出将变化检测算法应用于星上实时处理系统,最后对应用于目标的星上实时遥感图像的变化检测算法未来的发展趋势做出展望。     

遥感影像变化检测方法综述及展望

变化检测技术是遥感应用领域的一个重要研究方向。本文首先对常见的变化检测方法进行了概括性介绍与优缺点评述,并分析了当前变化检测方法中存在的普遍问题;并在此基础上,展望了一种基于影像分割的变化检测方法:在仅对其中一个时相影像进行分割的基础上,建立了两时相影像间的对应图斑单元与变化判别规则,实现图斑单元间的直接比较来提取变化信息。并分析了基于分割的变化检测方法与像素级变化检测方法相比具有的优势。     

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。     

一种新的遥感影像变化检测算法

针对传统的遥感影像变化检测算法不能同时确保准确率高、抗噪能力强和时间成本低的现状,设计一种新的基于非下采样剪切波变换和自适应脉冲耦合神经网络相结合的遥感影像变化检测算法。充分采用邻域信息有效降低虚警数量;借助非下采样剪切波变换的多方向、多尺度分解并利用全局、局部滤波,有效降低漏警数量;非下采样剪切波变换具有平移、旋转和尺度不变性,有效提升抗噪能力;自适应脉冲耦合神经网络分类准确率高并且时间成本很低。实验结果表明,与其他算法相比,该算法具有更高的检测准确度、更强的抗噪能力和更低的时间成本。实验结果验证了该算法的优越性和可行性。     

遥感图像变化检测综述

主要介绍了变化检测的基本理论。首先简述和分析了遥感图像变化检测的基本概念,指出变化检测的本质是一类模式分类问题;然后全面回顾了现有变化检测方法,将其归纳为像素级、特征级和目标级三大类,详细论述了各种方法的基本原理和特点并对其适用范围和优缺点进行了总结。     

基于遥感影像的变化检测技术

变化检测技术已经广泛地应用在各个领域。例如：环境监测、土地利用、农作物生长状况监测、森林采伐监测、灾情估计等方面。主要讨论了基于遥感影像的变化检测技术的实际应用。     

改进U-Net网络的高分辨率遥感影像变化检测算法

针对高分辨率遥感影像变化检测中出现的伪变化较多、检测边界模糊、小目标漏检等问题，提出一种孪生结构的Siam-FAUnet变化检测模型。该模型可以实现端到端的变化检测任务。首先，利用改进的VGG16作为编码器提取双时相的影像特征；其次，通过空洞空间金字塔池化模块获取图像多尺度上下文信息；然后，使用流对齐模块将编码器中的低层特征融合至解码器，以此来获取影像的变化区域。实验采用公开的CDD和STAKI数据集进行训练和测试。结果表明，相对于其他主流的深度学习变化检测方法，Siam-FAUnet变化检测模型在准确率、精确率、召回率和F1分值上均有提升，表明该模型具有良好的检测性能。     

Ghost引导UNet++的高分遥感影像变化检测

目的 随着遥感观测技术的飞速发展,遥感影像的分辨率越来越高,如何从高分遥感影像中有效提取具有鉴别性的特征进行地物变化检测成为一个具有挑战性的问题。卷积神经网络广泛应用于计算机视觉领域,但面向遥感影像变化检测时仍存在图像语义或位置信息的丢失及网络参数量过大等缺陷,导致检测性能受限。为此,提出一种新型GUNet++（Ghost-UNet++）网络,用于遥感影像的精准变化检测。方法 首先,为了提取双时相遥感影像更具判别性的深度特征,设计具有多分支架构的高分辨率网络HRNet替换传统UNet++的主干网;其次,采用UNet++解码结构进行差异判别时,引入鬼影（Ghost）模块代替传统卷积模块以降低网络参量,并设计密集跳跃连接进一步加强信息传输,以减少深层位置信息的丢失;最后,设计一个集成注意力模块,将网络的多个语义层次特征进行聚合和细化,抑制语义和位置信息的丢失,进一步增强特征表征能力用于最终的精准变化检测。结果 在LEVIR-CD（LEVIR change detection data set）和Google Data Set两个公开数据集上进行实验,结果表明本文算法变化检测精度高达99.62%和99.16%,且网络参数量仅为1.93 M,与现有主流变化检测方法相比优势明显。结论 提出方法综合考虑了遥感图像中语义和位置信息对变化检测性能的影响,具有良好的特征抽取和表征能力,因此变化检测的精度和效率比现有同类方法更高。     

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。     

新型云区域检测算法

为了更加精确地检测出遥感图像中云区域的边界及细节信息,提出了将最小交叉熵和形态学相结合的方法来对遥感图像进行云区域检测。从遥感图像的灰度特征出发,通过最小交叉熵准则选取最优的阈值来检测图像中的云区域,再通过形态学的开运算,消除与云区域不相连或者被误判的小的光亮的地物信息,最后在彩色遥感图像上勾勒出云区域的边界。实验结果表明,该算法简单快速,能够很好地区分出云区域和下垫面,并且能够准确地对云区域边界细节信息做出判断。     

遥感图像中舰船检测方法综述

随着遥感成像技术的发展,遥感图像中大型移动目标的检测和识别成为可能,舰船目标检测和识别就是在这一背景下提出的.在参考大量文献的基础上,回顾了舰船检测的发展历程,分析了其研究现状,对舰船检测方法进行了综述并分类,在此基础上对各类算法进行对比,最后给出了该领域存在的问题和发展趋势.     

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。     

无锚点的遥感图像任意角度密集目标检测方法

针对基于深度学习的遥感图像目标检测方法密集目标漏检率高、分类不准确的问题,建立了一种基于深度学习的无锚点的遥感图像任意角度的密集目标检测方法。首先采用CenterNet作为基线模型,经过主干网络提取特征,并改造原有检测器结构,即加入角度回归分支进行目标角度回归;然后提出一种基于非对称卷积的特征增强模块,并将主干网络提取到的特征图输入特征增强模块,从而增强目标的旋转不变性特征,消除由于目标的旋转、翻转带来的影响,进一步提升目标中心点、尺寸信息的回归精度。采用HourGlass-101作为主干网络时,该方法在DOTA数据集上的平均精度均值（mAP）比旋转区域候选网络（RRPN）提升了7.80个百分点,每秒处理帧数（FPS）提升了7.5;在自建数据集Ship3上,该方法的mAP比RRPN提升了8.68个百分点,FPS提升了6.5。结果表明,所提方法能获得检测精度和速度的平衡。     

彩色遥感图像的一种边缘检测算法研究

针对彩色遥感图像的复杂性、模糊性和噪声强等特点,提出了一种基于多方向模糊形态学梯度的彩色遥感图像边缘检测算法.算法在模糊域中用多个不同方向的结构元素,对彩色遥感图像进行模糊形态学梯度运算以检测彩色遥感图像边缘,不但能检测出具有方向性的真实边缘,还能有效抑制无方向性的噪声.实验证明,该算法对彩色遥感图像进行边缘检测的有效性.