一种基于概率图模型的多时相SAR相干变化检测方法

相干变化检测(CCD)利用重轨SAR数据对场景中表现为低相干特性的变化区域具有良好的检测性能,然而场景中诸如植被、阴影、强散射旁瓣、低散射等区域也呈现低相干特性,对检测结果造成干扰,尤其在高波段SAR CCD中,对检测效果影响更加明显。该文利用多时相SAR数据形成的相干变化差异图像(CCD图像)建立概率图模型,提出一种多时相CCD处理方法。该方法以多时相CCD图像作为观测量,通过选取合适的参与处理图像数量及优化场景中变化区域的分类,计算目标变化区域的后验概率,可有效减小低相干干扰区域造成的影响。仿真和实测数据结果验证了该方法的正确性和有效性。

基于空间模糊C均值聚类和贝叶斯网络的高分一号遥感影像变化检测

在目前经典的变化检测算法中,后验概率空间变化向量分析(CVAPS)方法广泛用于遥感影像的变化检测。然而,基于支持向量机(SVM)的CVAPS法无法有效处理高分一号影像中等分辨率遥感影像中的混合像元问题,且难以有效保证变化检测的精度。因此,本文通过引入空间信息,使用空间模糊C均值聚类(Spatial Fuzzy C Means, SFCM)有效地实现高分一号影像混合像元的分解,并结合简单贝叶斯网络(SBN),提出一种新的后验概率空间变化向量分析法SFCM-SBN-CVAPS。实验结果表明,本文算法的总体精度和Kappa系数均高于基于普通模糊C均值聚类(Fuzzy C Means, FCM)的CVAPS算法,且耗时更短,本文所提出的算法有助于提高遥感影像变化检测的精度和效率。

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。

基于空间模糊C均值聚类和贝叶斯网络的抗噪声遥感图像变化检测

目前,大部分遥感变化检测算法无法有效处理受高斯、椒盐和混合噪声污染的图像。为了解决这一问题,文章将能够在噪声污染条件下有效分解混合像元的5种基于邻域空间信息的模糊C均值聚类(FCM_S1,FCM_S2,KFCM_S1,KFCM_S2和FLICM)算法分别与简单贝叶斯网络(simple Bayesian network,SBN)相结合,在后验概率空间变化向量分析(change vector analysis in posterior probability space,CVAPS)框架下,实现了5种能够较好地抗高斯、椒盐和混合噪声的遥感变化检测方法。对比实验证明,该文所提出的变化检测算法对高斯、椒盐和混合噪声具有较好的鲁棒性。

基于分类后验概率空间的孪生Nested-UNet(SNU-PS)变化检测网络

近年来,深度学习在多时相遥感影像变化检测任务中表现出巨大的潜力。充分的训练样本是深度学习技术能够有效挖掘遥感影像变化特征的重要前提,然而当前有限的公开标注数据集还不能满足实际应用中各种变化类型检测的需求。由于地表覆盖变化通常只占据少部分区域,能够获取的变化样本常常数量很少,且与不变化样本相比存在严重的不平衡问题。因此,如何在小样本与样本不平衡的情况下有效训练变化检测网络是急需突破的难题。相比变化检测样本,单时相地表覆盖分类样本的获取难度要低得多;在分类样本的支持下,充分训练的地表覆盖分类网络可为变化检测提供重要的先验特征。基于此,本文提出了一种基于分类后验概率空间的孪生Nested-UNet变化检测网络SNU-PS(Siamese Nested-UNet for change detection in Posterior Probability Space),通过结合两期地表覆盖分类后验概率信息,降低对变化检测样本的依赖。该方法首先利用地表覆盖分类样本训练高分辨率网络HRNet(High-Resolution Network),得到双时相影像的地物分类后验概率;然后将后验概率图像输入到孪生Nested-UNet变化检测网络SNU(Siamese Nested-UNet for change detection)中以获取变化检测结果。在SpaceNet7和HRSCD数据集上测试的结果表明,SNU-PS能够充分利用地表覆盖的语义信息,在不同变化检测训练样本数量水平下,保持稳定的变化检测精度;相比分类后比较PCC(Post Classification Comparison)、基于后验概率空间的变化向量分析CVAPS(Change-vector analysis in posterior probability space)、以及各种类型变化检测网络(SNU、FC-EF、BIT、PCFN),具备更高与更稳定的变化检测精度,特别在样本数量不足时,优势更为明显。因此,本文提出的SNU-PS在小样本情形下的变化检测任务上具备更好的应用前景。

垂直分层空时码的MAP检测器及其神经网络实现

该文基于最大后验概率准则,给出了垂直分层空时码的最佳检测箅法.算法对接收到的符号矢量的符号分量进行逐个地判决以使误符号率最小.同时还详细说明了径向基函数神经网络可以完全等价于最大后验概率检测算法,由于神经网络的硬件可实现性,本文提出的算法是可能在实际中应用的.

一种改进CVAPS的LUCC分类自动更新方法

后验概率变化矢量分析(change vector analysis in posterior probability space,CVAPS)方法没有顾及到遥感影像波段之间和多时相之间的光谱相关性,可能会造成信息丢失而降低影像变化检测的精度。因此,结合多元变化检测(multivariate change detection,MAD)技术与CVAPS方法,提出一种改进的土地利用/覆盖变化(land use/cover change,LUCC)分类自动更新方法。首先,引入MAD技术来降低多光谱影像波段间相关性的影响,从而改善对像元变化检测的精度,增强LUCC分类自动更新过程中训练样本的可靠性,提高LUCC分类自动更新的精度;然后,为减少分类图中"椒盐"噪声的影响,进一步利用迭代马尔科夫随机场(iterative Markov random field,IR-MRF)模型进行分类后空间邻域处理,以提高自动更新的精度。以福建省长汀县2013年获取的Landsat8影像数据以及相应的LUCC分类图为基准,利用2003年获取的Landsat5影像,对长汀县2003年的LUCC进行更新。实验结果表明,该方法的自动更新总体精度能够达到80%,比单独采用CVAPS方法的自动更新精度提高了约3%。

一种基于改进土地覆盖更新方法的新增建设用地自动提取

快速准确掌握新增建设用地信息对城镇化监测研究具有重要意义。基于后验概率变化矢量检测的土地覆盖更新方法中,存在初始样本准确性低、后验概率变化矢量检测精度不理想的问题,结合多元变化检测方法,对基于后验概率变化矢量检测的更新方法进行改进,提出一种可应用于新增建设用地提取的自动化方法。利用两期影像多元变化检测结果提高初始训练样本的准确性,同时在迭代选择样本过程中加入该变化检测结果,改善变化检测更新和重分类过程的精度,更准确地提取新增建设用地。用两期嘉兴地区高分一号影像和前期影像土地利用/覆盖分类数据验证改进效果,并与改进前方法对比。结果表明:改进方法提取的2017年新增建设用地精度更高,提取更新后的2017年建设用地总体精度达到85%,Kappa系数0.7以上,变化检测精度比未改进前显著提高。同时该方法显著减少了迭代次数,提高了提取效率。