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...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。展开更多
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...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。展开更多
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...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。展开更多
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...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。展开更多
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 ch...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%。展开更多
文摘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。
文摘目前,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。
文摘近年来,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。
文摘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%。