针对传统变化检测方法应用于高分辨率遥感影像变化检测时出现的变化信息分散、椒盐噪声影响严重等问题,将面向对象技术和迭代加权多变量变化检测方法结合起来,提出了一种面向对象的迭代加权多变量变化检测方法(iteratively reweighted m...针对传统变化检测方法应用于高分辨率遥感影像变化检测时出现的变化信息分散、椒盐噪声影响严重等问题,将面向对象技术和迭代加权多变量变化检测方法结合起来,提出了一种面向对象的迭代加权多变量变化检测方法(iteratively reweighted multivariate alternative detection,IR-MAD)。该方法主要通过结合卡方分布的概率密度函数和面向对象技术来对传统多变量变化识别方法(multivariate alternative detection,MAD)进行改进,卡方分布的概率密度函数对变化信息进行融合以获取信息集中的IR-MAD变量。此外,在对影像进行分割时结合叠置分割技术获取边界一致、同质性较好的影像对象。实验表明,面向对象IR-MAD方法能够有效集成变化信息,准确提取变化区域,同时较好地保持变化目标的结构与形状,减少椒盐噪声的影响,检测结果具有较高的可靠性。展开更多
为利用高分辨率遥感影像实现高精度的飞机目标变化检测,提出了一种自适应的多特征融合变化检测与深度学习相结合的方法。首先,通过加权迭代的多元变化检测法获取变化强度图,并结合自适应的直方图统计法自动获取显著的变化与不变化样本;...为利用高分辨率遥感影像实现高精度的飞机目标变化检测,提出了一种自适应的多特征融合变化检测与深度学习相结合的方法。首先,通过加权迭代的多元变化检测法获取变化强度图,并结合自适应的直方图统计法自动获取显著的变化与不变化样本;然后,提取多时相影像的光谱、边缘和纹理特征,完成多特征融合的变化检测,并通过形态学处理得到变化图斑;最后,利用训练的NIN(Network in Network)结构的卷积神经网络飞机识别模型,完成变化图斑的类型判别,实现变化飞机的检测。实验结果表明,本文方法在两组数据的正确率分别达到100%和91.89%,均优于对比方法,能实现准确可靠的飞机目标变化检测。展开更多
文摘针对传统变化检测方法应用于高分辨率遥感影像变化检测时出现的变化信息分散、椒盐噪声影响严重等问题,将面向对象技术和迭代加权多变量变化检测方法结合起来,提出了一种面向对象的迭代加权多变量变化检测方法(iteratively reweighted multivariate alternative detection,IR-MAD)。该方法主要通过结合卡方分布的概率密度函数和面向对象技术来对传统多变量变化识别方法(multivariate alternative detection,MAD)进行改进,卡方分布的概率密度函数对变化信息进行融合以获取信息集中的IR-MAD变量。此外,在对影像进行分割时结合叠置分割技术获取边界一致、同质性较好的影像对象。实验表明,面向对象IR-MAD方法能够有效集成变化信息,准确提取变化区域,同时较好地保持变化目标的结构与形状,减少椒盐噪声的影响,检测结果具有较高的可靠性。
文摘为利用高分辨率遥感影像实现高精度的飞机目标变化检测,提出了一种自适应的多特征融合变化检测与深度学习相结合的方法。首先,通过加权迭代的多元变化检测法获取变化强度图,并结合自适应的直方图统计法自动获取显著的变化与不变化样本;然后,提取多时相影像的光谱、边缘和纹理特征,完成多特征融合的变化检测,并通过形态学处理得到变化图斑;最后,利用训练的NIN(Network in Network)结构的卷积神经网络飞机识别模型,完成变化图斑的类型判别,实现变化飞机的检测。实验结果表明,本文方法在两组数据的正确率分别达到100%和91.89%,均优于对比方法,能实现准确可靠的飞机目标变化检测。