基于频域显著性方法和ELM的遥感影像变化检测

提出一种基于频域显著性(FDS)方法和极限学习机(ELM)方法进行遥感影像变化检测的方法.首先,对利用变化矢量分析方法(CVA)获取不同时相遥感影像的光谱特征差异图及纹理特征(灰度共生矩阵法)差异图进行融合获得差异影像(DI);然后,利用频域显著性方法获取差异影像的显著性图,采用模糊c均值(FCM)聚类算法对显著性图选取阈值得到的粗变化检测图进行预分类(变化像素、未变化像素、待定像素);最后,从光谱及纹理特征影像上提取变化像素和未变化像素的邻域特征作为可靠样本进行ELM训练,并利用训练好的ELM分类器对粗变化检测图进行变化检测,得到最终的变化检测图.通过对高分辨率遥感影像数据实验结果表明本方法的变化检测精度及性能优于其他对比方法.

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.

建筑物变化的多特征融和及随机多图综合检测法

针对遥感影像建筑物变化检测过程中存在构造的差异影像凸显建筑物效果不理想、提取训练样本质量差及分类精度低等问题,本文从差异影像构造、高质量训练样本提取及分类方法等3方面进行研究,提出一种基于多特征融合及随机多图的遥感影像建筑物变化检测方法。首先,把通过CVA获取不同时相遥感影像光谱特征差异图、纹理特征(灰度共生矩阵法)差异图及通过求差获取不同时相遥感影像形态学建筑物指数特征差异图、最佳尺度分割后的形状特征差异图按照一定比例相加来构造差异影像,从而有效凸显建筑物变化信息;然后采用构造的变分去噪模型对差异影像进行去噪处理,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-均值算法对显著性图选取阈值得到的粗变化检测图进行预分类,从而获取高质量建筑物及非建筑物训练样本;最后,把从遥感影像及特征影像上提取建筑物和非建筑物训练样本的邻域特征引入随机多图分类模型中进行标签训练,并利用训练好的随机多图分类器对粗变化检测图进行建筑物变化检测,从而得到高精度的建筑物变化检测结果。为了验证本文方法的有效性,选择同源及多源遥感影像进行试验分析。试验结果表明,本文方法可以检测出更多建筑物变化信息及较少的非建筑物变化信息,同时Com值、Cor值及FM值也明显高于其他比较方法。