基于二级聚类的遥感影像变化检测

为了提高现有基于二级聚类变化检测方法中第一级聚类结果的准确性以及解决第二级聚类时分类器计算复杂度高、耗时久的问题,提出一种基于引入信息熵的模糊C均值(Fuzzy C-means,FCM)算法和K近邻(K-Nearest Neighbor,KNN)算法级联的变化检测方法。首先通过FCM算法对差分影像(Differential imagery,DI)聚类并引入信息熵计算出DI中每个像元的不确定性,通过分析不确定性强弱得到更为可靠的训练样本,第二级聚类时使用计算复杂度更低的KNN算法代替深度学习方法进行分类得到最终变化检测结果。三组真实遥感影像数据集上的实验结果表明该方法能够有效在降低计算复杂度的同时提高变化检测性能:在Sulzberger数据集上的Kappa系数为96.83%,比其他方法提高2.69%~4.55%;在Madeirinha1数据集上的Kappa系数为85.69%,比其他方法提高0.18%~1.99%;在Madeirinha2数据集上的Kappa系数为87.47%,比其他方法提高0.20%~3.53%。