基于后验概率空间变化向量分析的NSCT高分辨率遥感影像变化检测

非下采样轮廓波变换(non-subsampled contourlet transform,NSCT)和变化向量分析法(change vector analysis,CVA)在高分辨率遥感影像变化检测中,会因不同地物的变化幅度有显著差异,而在单一阈值下无法保证较高的检测精度。为此,文章在后验概率空间变化向量分析(change vector analysis in posterior probability space,CVAPS)的框架下,提出了一种基于模糊C均值聚类(fuzzy C-means,FCM)和简单贝叶斯网络(simple Bayesian network,SBN)的NSCT变化检测方法(FCM-SBN-CVAPS-NSCT)。该方法首先将FCM与SBN耦合,计算出后验概率变化强度图;之后,通过NSCT将后验概率变化强度图分解为不同尺度和方向的子图,通过保留高频子图中的细节并消除噪声,优化了重构后的后验概率变化强度图,实现了后验概率空间下的多尺度、多方向的变化检测,最终提高了变化检测的精度。实验结果表明,所提方法在3个研究区中得到的Kappa系数比FCM-SBN-CVAPS分别高出了0.1009,0.0566和0.0674,具有一定的优越性。

基于变化向量分析的冬小麦长势变化监测研究

现有的农作物长势遥感监测的基本思路是利用NDVI曲线形态变化与作物苗情变化的响应关系,提取特征参数,推测作物的生长发育状况。但由于表征NDVI时间序列曲线的特征参数较多,难以对所有特征参数进行全面变化分析。本研究引进变化向量分析理论,以东部五省冬小麦为研究对象,以1999-2005年SPOT-VGT的旬最大合成NDVI数据为主要数据源,采用Savizky-Golay滤波器重构NDVI时间序列,进而构建基于变化向量分析的长势监测模型,分别对研究区的年际与年内长势变化进行时间和空间上的定量分析。研究表明,变化向量分析方法能有效地从空间域和时间域反映东部五省冬小麦长势变化规律,以单一综合性指标综合了NDVI时间序列曲线的大多数特征参数,为农作物长势遥感监测提供了一种新的研究思路。

冬小麦冻害灾情及长势恢复的变化向量分析

大尺度监测冬小麦冻害灾情,需要结合受冻后长势监测,以提高冻害监测精度。鉴于温度并非唯一冻害因子,且归一化植被指数(NDVI)易高估封垄前冬小麦覆盖度,该文引入基于多时相植被指数的变化向量分析法,进行冬小麦冻害灾情及受灾后长势监测研究。选取河北藁城2010年冬小麦冻害作为研究对象,利用多时相环境小卫星数据提取多种植被指数,构建变化向量并分析其动态变化趋势,结合冬小麦冻害光谱特征敏感性分析,建立冻害灾情遥感监测模型,并展开长势恢复程度监测。结果表明,变化向量分析法能有效地反映冬小麦受冻和长势恢复程度及空间分布,在基于多种植被指数建立的变化向量监测模型中,基于光谱结构不敏感指数SIPI建立的模型较精度最高,其冻害监测及长势恢复监测模型精度分别达83.3%、88.9%。因此,变化向量分析法能有效地监测冬小麦冻害灾情与灾后长势恢复情况,同时对其他作物灾害监测提供了途径。

基于变化向量分析的玉米收获期遥感监测

现有的作物收获期遥感监测的基本思路是利用NDVI曲线形态变化与作物形态的显著变化之间的响应关系,推测作物的收获期,并且仅对整个区域的平均收获期进行监测。该研究引进变化向量分析理论,以兖州市夏玉米为研究对象,以2009年覆盖研究区玉米收获季的三期环境小卫星B星座CCD(HJ-CCD)影像的NDVI信息为主要数据源,研究多时相NDVI的变化大小和变化过程与收获期的关系,进而构建基于变化向量分析的玉米收获期遥感监测模型,对研究区内玉米种植地块的收获期进行实时监测。通过野外实测样本对兖州玉米收获期遥感监测结果进行精度验证,精度可达89.65%,玉米收获期在空间呈南至北的分布,与兖州农业局提供的玉米收获期空间分布信息基本一致。研究表明,变化向量分析方法通过定量分析收获季节内NDVI的变化过程,有效地反映出玉米收获规律,为作物收获期遥感监测提供了一种新的研究思路。

基于变化向量分析的土地利用/覆盖变化动态监测(Ⅰ)——变化阈值的确定方法

本文以北京市海淀区为例 ,把变化向量分析方法引进到了当前国内的土地利用 /覆盖变化监测中 ,针对变化向量分析方法中变化阈值确定的难题 ,提出了一种双窗口变步长阈值搜寻的新方法。从海淀区的实例研究结果看 ,变化的检测精度可以达到 87%以上。表明变化向量分析法在解决阈值问题后 ,确实可以有效地提取土地利用

基于PCA的变化向量分析法遥感影像变化检测

为实现对土地覆盖变化的遥感监测,研究了一种基于不同年份单时相遥感数据提取差异影像、自动确定变化阈值提取变化区域的新方法。以南通市Landsat8 OLI影像为例,对2期影像分别进行主成分分析(principal component analysis,PCA);取前3个主分量进行变化向量分析(change vector analysis,CVA),构造变化检测差异影像,并与传统PCA法和CVA法构造的差异影像进行对比;对3景差异影像分别用传统全局阈值法和局部最小错分概率法自动确定阈值,分别提取变化区域,得到6景变化区域图。利用目视解译样点进行精度评价的结果表明,改进后的基于PCA的CVA法提取的变化区域总体精度可达92.78%,Kappa系数可达0.842 6,证明使用该方法可有效地进行不同年份单时相遥感数据的变化检测。

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。

一种基于变化向量分析的变化检测方法

变化检测阈值对变化检测精确度的确定具有十分重要的影响,目前变化阈值的确定一般通过经验来完成,带有很大主观性.本文以变化向量分析方法为基础,将其运用到对图像的变化检测中,提出了一种以区域扩散的自适应确定阈值的方法来解决此类问题,在进行像素信息比较后的差值图像上设定一个阈值,并把该阈值应用到整幅图像上,从而使得变化检测精确度达到最高.同时运用相关资料进行精确分析和评价.结果表明,此方法提高了变化检测精确度.

支持向量机与分类后验概率空间变化向量分析法相结合的冬小麦种植面积测量方法

利用遥感手段提取农作物种植面积时,需要结合作物物候特征,以提高面积的提取精度。该文以北京市通州区西南部为试验区,以冬小麦为研究对象,利用多时相的环境减灾小卫星遥感影像数据,通过基于支持向量机二分法的分类后验概率空间变化向量分析法进行冬小麦种植面积遥感测量试验研究。研究结果表明:该文提出的方法测量结果总体精度、Kappa系数分别为95%、0.90,远高于支持向量机(SVM)分类后直接比较方法(总体精度91%,Kappa系数0.79);解决了实际应用中的变化阈值选取的主观性问题,该方法的频度直方图两极化现象使得变化阈值取值部分频度被压低摊平,阈值敏感度降低,变化阈值取值更为客观,一定程度上解决了阈值难以设定的问题;SVM二分法和变化向量分析的结合增强了对光谱的敏感性,能够监测不同季相上植被的长势变化,进而提高了农作物种植面积遥感测量的精度,同时对其他农作物种植面积测量提供了途径。

基于面向对象多特征变化向量分析法的森林资源变化检测

[目的]基于面向对象变化向量分析法,进行森林资源变化检测。[方法]应用国产高分二号多光谱影像,以森林采伐和造林活动多、林地变化频率高的广西壮族自治区上思县为研究区,应用随机森林平均精确率减少的方法进行变化特征的选择,通过选取的不同特征向量和常规的基于光谱均值、光谱均值和标准差的变化向量分析法,以及基于NDVI差值法的变化检测结果对比,获取较好的森林资源变化检测方法和结果。[结果]高分二号多光谱影像的蓝、绿、红波段光谱均值和NDVI值共4个特征参与的变化向量分析法,识别森林资源变化精度高,总体精度92.94%,Kappa系数0.7630,变化地类误检率15.63%,漏检率22.86%。[结论]经过特征选择后,基于面向对象变化向量分析法比常规的多特征参与的变化向量分析法识别森林资源变化的效果好。

基于面向对象变化向量分析法的遥感影像森林变化检测

为探讨用于森林资源数据库更新的森林变化空间信息采集方法,以林地变化频繁快速、变化图斑多且小的广西上思县局部区域为研究区,以资源三号(ZY-3)和高分一号(GF-1)高空间分辨率卫星遥感图像和小班专题图为数据源,采用面向对象的变化向量分析(change vector analysis,CVA)方法,基于马氏距离、欧氏距离和相对误差距离度量变化强度,通过目标函数确定最佳检测阈值,以小班为单元进行森林变化检测。结果表明,用欧氏距离、马氏距离检测的森林变化结果都不甚理想,漏检率和误检率高,总体精度较低,Kappa系数较小;用相对误差距离检测的结果较好,漏检率(21.0%)和误检率(32.5%)均最小,总体精度最高(89.6%),Kappa系数最大(0.664);误检测的图斑多为成林地和无林地(建设用地、林区道路等),各个变化类型都出现了少量漏检图斑。

变化向量分析结合光谱解混的高光谱变化检测

针对多时相高光谱图像像素级的多类变化检测问题,提出变化向量分析和光谱解混相结合的多类变化检测方法.基于光谱变化向量分析,利用最大期望(EM)算法迭代求阈值,实现变化区域检测.对多时相高光谱图像分别提取端元,求解2个图像中变化区域像元的丰度.以相关系数为相似性判断准则,根据图像分类精细程度自适应确定阈值,实现多时相高光谱图像各端元对应类别的匹配和确定.对变化向量分析方法检测出的变化区域求丰度,根据丰度最大确定各像元类别.通过逐像元类别比较,判断类别变化信息.仿真数据和真实多时相高光谱图像的变化检测实验结果表明,与直接光谱解混分类后变化检测方法相比,采用提出的方法能够明显提高高光谱图像多类变化检测的精度,运行效率提高1倍以上.

结合变化向量分析和直觉模糊聚类的遥感影像变化检测方法

针对多时相遥感影像变化检测存在数据不确定性、检测精度不高等问题,提出了一种结合变化向量分析(CVA)和直觉模糊C均值聚类算法(IFCM)的多时相遥感影像变化检测方法.首先通过CVA构建两个时相遥感影像的差异影像;然后采用直觉模糊C均值聚类算法对差异影像进行聚类得出变化区域和未变化区域;最后对变化检测结果进行二值化处理并进行精度评价.选取两个时相的高分一号遥感影像和Szada数据集影像作为实验数据.实验结果表明,采用提出的方法可有效解决传统方法存在的数据不确定性问题,变化检测精度达到了95.92%和92.70%,是一种可行的遥感影像变化检测方法.研究结果可用于森林动态变化监测、土地复垦利用规划变化分析以及灾损评估.

耦合模糊C均值聚类和贝叶斯网络的遥感影像后验概率空间变化向量分析

在遥感图像变化检测领域中,后验概率空间变化向量分析(change vector analysis in posterior probability space,CVAPS)方法具有诸多优点而被广泛应用。CVAPS法使用支持向量机(support vector machine,SVM)估计后验概率向量,但对中低分辨率遥感影像分类时SVM无法有效处理同物异谱、异物同谱及混合像元问题,从而无法保证最终检测结果的精度。由此,文章针对混合像元问题采用模糊C均值聚类(fuzzy C-means,FCM)进行建模,并耦合简单贝叶斯网络(simple Bayesian network,SBN)以解决混合像元问题及估计后验概率向量,实现了一种新的后验概率空间变化向量分析方法。实验结果表明,本文算法的总体精度和Kappa系数均优于基于SVM的CVAPS算法,算法性能受训练样本的数量影响较小,且参数设置简单,耗时少。文章提出的算法有助于提高遥感图像变化检测的精度和效率。

洪泽湖区土地利用/覆盖变化分析

利用1973年、1984年和2006年3期Landsat卫星遥感图像,分别对校正处理后的3期图像进行缨帽变换,并利用亮度、绿度和湿度这3个分量的差值运算进行信息复合。然后利用变化向量分析法确定复合图像中的变化和非变化像元之间的变化强度阈值。最后利用阈值分割和掩膜技术,对3期图像进行土地利用/覆盖变化监测。研究表明,近33年来洪泽湖区土地利用结构发生根本性改变:天然湿地面积大幅度缩减,1973年～1984年间减少了200.55km2,1984年～2006年间减少了357.04km2,主要表现为敞水区和湿地植被面积的减少,养殖场、农田面积显著增加,城镇用地略有增加。本文研究表明基于缨帽变换并结合差值运算方法和变化向量分析法实现土地利用/覆盖变化监测的可行性。

基于多极化SAR图像的鄱阳湖湿地地表淹没状况动态变化分析

合成孔径雷达图像对于地表淹没状况的探测有一定的优势。以鄱阳湖湿地为例,基于多极化Envisat ASAR数据,将变化向量分析方法引入地表淹没状况的变化检测中,分析鄱阳湖湿地地表淹没状况的动态变化,然后利用决策树分类方法将变化区域提取出来,并探讨变化向量方法应用于SAR图像变化监测的潜力。

2013—2017年金普新区地表覆盖变化及驱动力分析

基于影像和地理信息系统(GIS)的空间分析技术,获取2013—2017年的地表覆盖情况,对地表覆盖进行类型划分后,进行转移矩阵的变化量分析、程度指数分析、变化动态度分析、变化趋势指数分析,并总结影响地表覆盖变化的驱动力因素。结果表明,2013—2017年金普新区的地表覆盖总变化量和变化动态度指数均呈现先降低后减少的状态,程度指数具有'先小后大再小'的变化趋势。

光谱与纹理信息复合的土地利用/覆盖变化动态监测研究

及时、准确地动态监测地球表面特性对于掌握人类和自然现象之间的关系和相互作用是非常重要的,并为决策的制定奠定基础。传统卫星遥感的土地利用/覆盖变化动态监测方法基本上可分为光谱直接比较法和分类比较法两大类,但两类方法多以光谱信息为基础来提取土地利用变化信息,而忽略纹理等空间信息。本研究中,基于变化向量分析方法,将光谱与纹理两种信息复合计算变化强度,并采用支持向量机法提取变化/非变化信息,通过监督分类确定变化区域内的土地利用/覆盖类型的转移方向,完成土地利用/覆盖动态监测。最后,利用两期TM数据,对海淀区1997—2004年进行土地利用/覆盖变化动态监测,以验证该方法。该方法较分类后比较法在一定程度上减少误差积累,降低了错误类型转化,提取的变化信息总精度达到93.1%,Kappa为0.862,比利用光谱信息双窗口变步长的变化向量分析方法提取出土地利用/覆盖变化信息的精度有一定的提高(总体精度为90.2%,Kappa为0.804)。纹理信息与光谱信息复合,能够更大拉开变化/非变化信息之间的距离,有利于动态变化信息的提取,是该方法能够有效提取变化信息的关键所在。

喀斯特石漠化地区土地利用/覆被变化及驱动力因素研究——以贵州省安龙县2000～2010年为例

为了揭示喀斯特石漠化地区的土地利用/覆被变化过程及其驱动力因素,以贵州省安龙县为研究区,利用2000年、2005年、2010年3期的遥感影像和地形图资料,运用Arc GIS、RS图像解译分析、统计和对比方法,结合安龙县社会经济统计资料对土地利用/覆被时空变化特征、幅度和速度进行了定量分析。结果表明:(1)2000-2010年间研究区灌木林、旱地、草地和森林占总面积的比重最大,但旱地面积减少速度快,转出变化也大;(2)草地、建设用地、森林和园地面积增加,建筑用地和森林的动态幅度大、年变化速率快;(3)灌木林、裸岩地、水田和水域面积的幅度和年变化速率较稳定。研究发现,研究区土地利用/覆被变化的主要因子是人口增长与社会经济、城镇化与工业化,同时还受地形地貌和政府政策的影响。

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.