孪生高分辨率卷积神经网络遥感影像变化检测方法

针对遥感影像变化检测问题,提出了一种孪生高分辨率卷积神经网络模型。该模型首先基于孪生网络模型提取不同时相遥感影像的特征,然后将特征拼接后输入到嵌套U形网络中输出变化检测区域。为了提升变化检测效果,进一步设计了高分辨率卷积神经网络用于提取不同时相遥感影像的特征,以充分利用不同分辨率的特征来提升变化检测效果。在LEVIR-CD变化检测数据集上的大量实验表明,所提出方法能够比对比方法获得更高的变化检测精度。

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。

基于混合高斯密度模型和空间上下文信息的遥感影像变化检测方法及扩展

在运用混合高斯密度模型对差分影像建模的基础上,分别采用顾及上下文信息的概率松弛迭代法和马尔可夫随机场模型法进行影像的变化检测。首先,提出一种运用遗传K均值算法与EM算法联合解算高斯混合密度模型参数的方法,该方法可以自动地解算出模型的统计参数,结果与手工选择样本的解算结果完全一致。然后,比较概率松弛迭代法以及马尔可夫随机场模型法的影像变化检测效果,得出基于模拟退火法的马尔可夫随机场法效果较好的结论。最后,对传统的基于模拟退火法的马尔可夫随机场方法进行改进,提出了一种变权马尔可夫随机场方法,检测结果能更好地保持影像的结构性,并有效去除了孤立噪声。

遥感影像变化检测在地形图快速修测中的应用

首先介绍地形图修测中常规判读地物地貌发生变化的方法,以及将变化检测技术应用于地形图修测中的必要性;其次介绍变化检测的基本原理、发展历史、国内外对变化检测概念的不同定义以及变化检测技术的特点和应用范围;紧接着从地形图快速修测这一客观需要出发,简明扼要地叙述变化检测方法的选择、变化检测的一般过程、变化检测结果在地形图修测中的应用,并结合变化检测的精度评估公式分析将变化检测技术应用于地形图修测工作中的实际效率;最后展望变化检测技术在地形图快速修测中的应用前景。

改进的区间二型模糊聚类遥感影像变化检测

遥感影像的复杂模糊性问题会干扰影像变化检测的结果,可引入区间二型模糊C均值聚类算法解决此问题,但算法参数的随机性导致检测结果不稳定。本文首先利用局部最优解优化萤火虫算法中的候选解,引入可变步长因子,以此自适应寻优区间二型模糊C均值聚类算法的模糊因子;然后结合寻优得到的模糊因子进行区间二型模糊C均值聚类,迭代更新隶属区间提取变化信息;最后通过基于复合梯形法则的加权Karnik-mendel算法降型和解模糊优化聚类中心,依据最大隶属度原则判断变化类型。通过试验验证,本文方法得到更优模糊因子和更精确的聚类中心,具有更好的稳健性,变化检测精度得到提高,检测得到的变化区域更加精细。

自适应距离和模糊拓扑优化的模糊聚类SAR影像变化检测

针对模糊聚类算法的不足,结合差分影像的特点,提出一种基于自适应距离(adaptive distance)和模糊拓扑(fuzzy topology)理论的SAR影像变化检测技术框架(FATCD)。FATCD首先基于自适应距离公式提出一种自适应的样本到聚类中心的距离计算方法,优化了聚类过程中像元隶属度的计算公式,提高了模糊隶属度函数的准确程度;而后利用模糊拓扑理论改进传统去模糊化方式最大隶属度原则,从而增强了去模糊化过程。借助这两点,FATCD提高了模糊聚类变化检测的性能。两组真实SAR影像数据的试验结果表明本文方法可行、有效。

融合Transformer结构的高分辨率遥感影像变化检测网络

为解决遥感影像变化检测全局上下文信息捕获的问题,本文提出了基于孪生结构、跳跃连接结构及Transformer结构的TSU-Net。该模型编码器采用混合CNN-Transformers结构,借助自注意力机制捕获遥感影像的全局上下文信息,增强了模型对于像素级遥感影像变化检测任务的长距离上下文建模能力。该模型在LEVIR-CD数据集和CDD数据集进行测试,F1得分分别为90.73和93.14,优于各对比模型。

探究面向对象的高分辨率SAR影像变化检测方法

结合高分辨率SAR影像变化检测方法,在了解检测变化方法基本内容的基础上,并对其中的关键指标进行了分析与评价;最后,对于面向对象的高分辨率SAR影像变化检测方法进行了详细研究。总体而言,文章所介绍的SAR影像变化检测方法具有可行性,能够满足多种条件下的影像变化检测要求,因此应该在更多地区做进一步推广。

一种运用纹理和光谱特征消除投影差影响的建筑物变化检测方法

针对不同时期高分辨率遥感影像变化检测中城区建筑物因投影差差异所产生的误检测现象,提出了一种综合应用光谱和纹理特征的建筑物变化检测方法。以变化和未发生变化地物影像的散度作为可分性依据,首先对光谱差分影像在混合高斯密度模型下建模,并采用马尔可夫最小错误概率准则提取初始变化区域,往往含有错判的建筑物。然后将误判建筑物影像类和真实变化影像类构成训练集,通过引入多通道Gabor滤波器,提取训练集的纹理差分特征,并采用分类别PCA变换实施纹理差分特征的选择。最后对选择出的纹理差分特征依据高斯混合密度模型建模,并用马尔可夫最小错误概率提取真变化区域,即可去除光谱信息检测所产生的伪变化。试验表明,本文方法能够较好地解决建筑物变化的错判问题,提高了影像变化检测的精度。

基于孪生神经网络的土地利用现状年度变化检测

近年来,利用多期高分遥感影像,构建土地利用现状年度变化检测模型,并以此为基础支持土地利用现状年度变化检测的智能化发展,正是当前研究的难点所在。本文探讨了构建土地利用现状年度变化检测模型存在的问题。通过对土地资数据进行预处理,构建基于孪生神经网络的变化检测模型,以及对模型输出结果进行GIS优化获取目标区域的变化图斑,实现针对土地利用现状变化区域的快速提取。试验结果表明,该方法可快速发现不同时期影像中土地利用现状的变化位置,有效提升了土地利用现状年度变化检测的智能化水平,可服务于日常土地利用现状年度变更检查工作。

一种基于Siamese卷积神经网络的变化检测技术

本文针对传统变化检测卷积神经网络难以兼顾正确判断变化特征和提取与变化标签相切合的影像特征以及仅通过交叉熵损失函数难以获取较高精度的网络预测参数,同时因为变化样本和不变化样本的数量分布差异较大而导致训练时模型漏检严重并且训练收敛过慢的情况,提出了一种基于Siamese卷积神经网络的变化检测技术,结合基于场景分类的变化检测增强技术和变化检测损失函数硬例关注技术,有效的提高了检测准确率。

2014–2018年中巴经济走廊地表变形数据集

中巴经济走廊北起中国新疆喀什,南至巴基斯坦瓜达尔港,经过兴都库什山脉、喀喇昆仑山脉和喜马拉雅山脉地区,全长3000公里,是一条包括公路、铁路、油气和光缆通道在内的贸易走廊。本数据集基于时序InSAR技术对2014–2018年间覆盖中巴经济走廊全部区域的Sentinel 1A数据进行地表形变监测,从而获取形变数据,反映了4年来该地区地表物质迁移运动情况和地质灾害风险水平。本数据集可以作为研究中巴经济走廊建设的参考数据,满足用户对中巴经济走廊自然灾害科学数据的需求,支撑科学研究和技术创新活动,服务中巴经济走廊经济社会可持续发展。