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。     

遥感图像变化检测算法研究

提出了一种基于非下采样Contourlet变换和脉冲耦合神经网络的无监督的不同时相的卫星影像的变化检测新算法。该算法将非下采样Contourlet变换和脉冲耦合神经网络这两种方法结合,将它应用于不同时相的卫星影像的变化检测。实验结果表明,与传统方法相比,对于高斯和斑点噪声,该算法具有更高的抗噪性能和检测精确度。     

基于边缘增强的遥感图像变化检测技术

遥感图像变化检测技术是遥感技术中最广泛最基本的应用之一。为此作者经过大量对已有图像的实验,提出一种基于边缘增强的遥感图像变化检测技术,通过选择适当的卷积算子对图像进行锐化增强与使用Sobel算子对图像进行边缘增强相结合,总结出了快速有效变化检测处理方法。     

基于多时相遥感图像的人造目标变化检测算法

传统的像素级变化检测方法的检测性能受到以下因素的严重制约: 图像辐射差异、配准误差和差异图像分类门限的选取, 并且难以从检测信息中提取出关键的变化. 本文针对遥感图像中人造目标的变化检测问题, 提出了一种综合特征级和像素级的两步变化检测算法. 首先将大幅多时相遥感图像分成一系列子图像对, 采用有监督子图像对分类方法, 提取人造目标变化的感兴趣区域, 然后采用像素级变化检测算法对感兴趣区域进行变化检测, 得到定量的检测结果. 实验结果表明了该算法的可行性和有效性.     

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。     

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EBPNN模型的遥感图像变化检测研究

对不同时段获取的特定图像进行自动变化检测是遥感图像研究的主要问题;通过自适应中值滤波(AMF)去除遥感图像中的噪声,结合Tamura和Law掩模方法提取图像中的次级特征,并将研究区域划分为植被、水域和城区三类,利用增强型反向传播神经网络(EBPNN)对特征提取结果进行分类并实现不同时期遥感图像的变化检测;与现有的FFNN和CNN分类技术相比,利用EBPNN进行分类可以有效地检测出图像中的变化且具有更好的检测性能。     

一种投票阈值法遥感图像变化检测算法研究

遥感图像变化检测技术被广泛地应用于资源调查、市政建设等不同领域。传统的基于像素的变化检测方法效率高但是检测精度却受影像质量的影响较大。本文针对地物光谱特性曲线的特点,针对不同波段检测结果对最终结果的贡献提出了一种投票阈值的变化检测方法。实验表明,该方法相比各波段检测结果直接叠加的方法,在精度上有一定提高。     

基于FlowS-Unet的遥感图像建筑物变化检测

针对目前人为探察土地资源利用情况的任务繁重、办事效率低下等问题, 提出了一种基于深度卷积神经网络的建筑物变化检测方法, 利用高分辨率遥感图像实时检测每个区域新建与扩建的建筑物, 以方便对土地资源进行有效管理.本文受超列(Hypercolumn)和FlowNet中的细化(Refinement)结构启发, 将细化和其他改进应用到U-Net, 提出FlowS-Unet网络.首先对遥感图像裁剪、去噪、标注语义制作数据集, 将该数据集划分为训练集和测试集, 对训练集进行数据增强, 并根据训练集图像的均值和方差对所有图像进行归一化; 然后将训练集输入集成了多尺度交叉训练、多重损失计算、Adam优化的全卷积神经网络FlowS-Unet中进行训练; 最后对网络模型的预测结果进行膨胀、腐蚀以及孔洞填充等后处理得到最终的分割结果.本文以人工分割结果为参考标准进行对比测试, 用FlowS-Unet检测得到的F1分数高达0.943, 明显优于FCN和U-Net的预测结果.实验结果表明, FlowS-Unet能够实时准确地将新建与扩建的建筑物变化检测出来, 并且该模型也可扩展到其他类似的图像检测问题中.     

基于SOFM的遥感图像的机场区域变化检测

文章提出了一种新的针对遥感图像机场感兴趣区域变化检测的方法,该方法采用自组织特征映射神经网络对图像进行分类,结合感兴趣区域位置定位结果,利用区域生长分割出感兴趣区域。通过图像间差值,从而获得差异,并利用形状分析的方法对检测出的变化给出了解释。该方法消除了非感兴趣区域变化造成的虚警,克服了多幅图像由于摄取时间和摄取环境的差异造成的影响,提高了检测率。实验表明该文提出的方法具有良好的效果。     

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。     

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.     

基于单类SVM的遥感图像目标检测

传统支持向量机方法在正负样本不对称的情况下对遥感图像的目标检测存在一定的误检率,文章将单类SVM方法引入此类目标检测过程中。实验表明单类SVM在牺牲少量泛化性的同时能有效地降低误检率,并提高检测速度。     

基于D-S证据理论的遥感图像融合变化检测方法

基于像素级的遥感图像变化检测是利用配准后的不同时相遥感图像的原始像元灰度信息进行的变化检测,直观,易于理解,是目前应用较广泛的变化检测技术.由于现有算法无法在适应性、稳健性、准确性及时效性等方面实现性能全面占优,本文提出了一种基于D-S证据理论的融合变化检测方法,利用融合策略和规则在决策层对来自多种算法的检测结果进行综...     

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....     

一种新的多波段遥感影像变化检测方法

随着遥感技术的发展,采用遥感影像对国土资源进行动态监测已经成为了热点。目前常用的差值法和分类后比较变化检测方法中存在着各种缺陷。提出一种基于模糊C均值聚类（FCM）算法的遥感影像变化检测方法,利用一个改进的模糊C均值聚类算法进行遥感影像分类处理,然后引入多波段综合变化掩膜的思想进行变化检测。实验结果表明这种方法是有效的,提高了检测精度,检测结果为国土资源调查提供了重要依据。     

改进SeMask主干网络的高分辨率遥感影像变化检测模型

随着城市化进程的加速和人口不断增加, 土地资源的利用和管理变得愈发重要. 高分辨率遥感影像技术的发展为土地覆盖类别变化检测提供了新的途径. 目前, 多数遥感影像变化检测任务主要针对显著建筑物的变化检测, 缺少对土地覆盖类别变化检测任务的研究, 本研究基于公开数据集, 对更多土地覆盖类别变化情况进行标注. 在原语义分割主干网络的基础上结合孪生网络结构, 提出适用于土地覆盖类别变化检测任务的检测模型, 该模型在网络的特征提取阶段加入变化引导模块, 以辅助网络关注两时相影像中的变化信息, 并在网络不同阶段加入通道信息交互模块, 以增强不同特征图的信息融合. 同时, 在特征提取阶段最后一层加入特征对齐模块, 以缓解下采样过程导致的特征偏移. 在土地覆盖类别变化检测数据集上的实验结果表明, 本文提出的方法可以有效提取影像中的变化信息, 并提高分割精度.     

一种增强的基于上下文火点遥感影像识别方法

传统的火点遥感影像识别方法大多采用阈值法,但阈值的选择受区域、季节以及云天状况等多种因素的限制,因而在实际监测中往往效果不佳。针对这些问题,提出了一种增强的基于上下文信息的火点遥感影像识别方法,考虑了火点与其相邻像元之间的内在联系,在火点背景像元的确定及真实火点的判据选择等方面做了改进,在此基础上确定一组火点判据。该方法基本不受区域、时间等因素的限制,对面积较小的火点识别较为敏感,在实验中取得了较好的效果。     

基于改进SSD算法的遥感图像目标检测

在遥感图像目标检测领域,多数目标检测算法针对小目标检测时效果不佳,为此,提出一种多尺度特征融合的遥感图像目标检测算法。利用SSD算法的基础网络进行特征提取,形成特征图金字塔。设计特征图融合模块,融合浅层特征图的位置信息和深层特征图的语义信息,从而保留丰富的上下文信息。设计冗余信息去除模块,通过卷积操作进一步提取特征图中的特征,并对特征信息进行筛选,以减少特征图融合时带来的混叠效应。在遥感图像数据集NWPU VHR-10上的实验结果表明,该算法的平均检测精度高达93.9%,其针对遥感图像小目标的检测性能优于Faster R-CNN和SSD等算法。