基于IR-MAD的高分辨率遥感影像交叉融合变化检测方法

高分辨率遥感影像数据在带来丰富地物信息的同时,也对变化检测提出了新的问题和挑战。本文从高分辨率遥感影像数据的空间结构特征和光谱分布信息入手,针对多光谱数据交叉融合的变化检测方法展开研究。采用基于GSA(Gram-Schmidt Adaptive Pansharpening Algorithm)法对全色和多光谱影像数据处理,生成四幅交叉融合影像;将迭代加权多元变化检测(Iteratively Regularized Multivariate Alteration Detection,IR-MAD)算法应用于高分辨率融合影像,提取变化信息。结果表明,本研究方法能够有效提取变化信息,并降低数据配准不一致所造成的误检测。

改进IR-MAD算法的高分光学卫星影像相对辐射归一化方法

相对辐射归一化是高分光学卫星影像地表反射率产品生产的主要手段之一,基于迭代加权多元变化检测(Iteratively Reweighted Multivariate Alteration Detection,简称IR-MAD)的高分光学卫星影像相对辐射归一化方法是当前应用最为广泛的方法之一。但是,经典IR-MAD方法仅适用于参考影像与待校正影像之间地物变化不大的情况,当地物变化较大时该方法失效。通过引入伪不变区域约束机制,提出了一种优化的IR-MAD算法,主要思路是借助二元高斯混合聚类方法提取影像之间不变区域,进而提升伪不变点提取的质量,使地物变化较大时仍然可以输出有效的辐射归一化结果。以高分二号影像为待校正影像,哨兵二号影像为参考影像,采用3组代表性影像进行实验验证,并与经典IR-MAD方法相比,结果表明:①该方法提取的伪不变点主要集中在不变区域,空间分布更加合理;②该方法在代表一般变化的数据集1中,平均决定系数提高8.8%,在代表强烈变化的数据集2、3中,该方法平均决定系数分别为95%、89%,而经典方法低于50%甚至是负值;③该方法处理结果影像中典型地物的反射光谱信息与参考影像更加接近。因此,该方法为高分光学卫星影像相对辐射归一化提供了新的有效途径。

基于选权迭代估计与非监督分类的多光谱图像变化检测

针对多光谱图像的变化检测问题,提出了一种基于选权迭代估计(iterative estimation with weight selection,IEWS)与非监督分类(unsupervised classification,UC)的多光谱图像变化检测方法。借鉴IEWS的思想,并以类似于迭代加权多元变化检测(iteratively reweighted multivariate alteration detection,IRMAD)的迭代模式进行回归估计,得到初步的变化检测结果;并通过对初始变化信息的UC处理,以及对不同类别的IEWS,得到最终的变化检测结果。利用该方法对TM图像进行了实验,结果表明:所得到的变化信息在空间位置上同该区域相应时间段内土地利用/覆盖的变化情况具有很好的一致性;同时与多元变化检测及IRMAD方法变化检测的结果相比较,表明该方法对相对较小的变化信息具有更好的变化检测能力。

迭代加权多元变化检测算法在高分辨率遥感影像变化检测中应用

针对传统变化检测算法在高分辨率遥感影像变化检测中精度低的问题,探讨了迭代加权多元变化检测(IR-MAD)算法在高分辨率遥感影像变化检测中的有效性。首先通过多元变化检测(MAD)算法计算原始影像的特征值和特征向量,获得典型变量;然后利用最大期望算法(EM)计算典型变量的先验概率、均值和标准差;最后通过迭代加权获得每个像元稳定不变的权重,通过权重与阈值的比较判断像元是否发生变化,提取变化区域。使用高分辨率遥感影像WorldView和QuickBird数据作为实验数据,并与传统的变化向量分析法和主成分分析K均值法进行对比分析,结果表明,IR-MAD算法在高分辨率遥感影的变化检测中具有优势。

利用KPCA法检测高分一号影像中的森林覆盖变化

为了研究利用高分一号宽幅影像(GF-1 WFV)监测森林覆盖变化的方法,选取四川省甘孜州雅江县为研究区,利用2014年和2016年2期GF-1WFV数据,采用迭代加权多元变化检测(iteration re-weight multivariate alteration detection,IR-MAD)法对数据进行辐射归一化;分别对2期影像进行核主成分分析(kernel principal component analysis,KPCA)方法变换,采用最大类间方差法(OTSU)确定自动识别阈值,对2期GF-1WFV影像中的森林覆盖变化区域进行检测和精度验证;并与变化矢量分析(change vector analysis,CVA)法检测结果进行对比分析。研究结果表明:所用2种变化检测算法的总体检测精度都超过了80%,其中,KPCA法的总体精度为89.27%,未变化区用户精度达93.88%,变化区用户精度为80.28%;基于KPCA法的精度均较优于传统CVA检测算法,说明KPCA算法通过数据变换后,可减少变量间的相关性、增强影像信噪比,从而提高了对变化区域的识别精度。

应用植被变化与火烧迹地对森林火灾反演

火灾后的植被变化与火烧迹地面积是森林火灾反演的重要指标。以2020年3月28日四川省凉山州木里藏族自治县项脚乡火烧迹地为研究对象,依据Sentinel-2卫星影像数据,采用归一化差分植被指数、差分归一化燃烧比、迭代加权多元变化检测算法和追踪识别提取算法,分析该地区火灾前后的植被变化和受灾面积。结果表明:实验检测的植被变化判别精度为91.95%;提取火烧迹地像元面积精度为90.77%,Kappa系数为0.87。

基于智能检测不变像元的FY-3A/MERSI仪器响应衰变分析

提出一种智能方法来分析风云三号A星(FY-3A)中分辨率光谱成像仪(MERSI)的长期响应衰变。该方法通过使用迭代加权多元变化检测(IR-MAD)算法识别同一区域、不同时相卫星图像的不变像元,基于这些不变像元的信号变化评估仪器在该时段的响应衰变。先用IR-MAD方法分析图像场景的不变像元,通过两幅图像不变像元的正交回归获取仪器的相对衰变;再对多个图像对的长时间序列进行分析,采用多项式拟合获得传感器衰变随时间的变化曲线。采用所提方法研究了FY-3A/MERSI北非地区和中国西北部地区的数据,并与其他相关研究得到的仪器衰变结果进行比较。结果显示,所提方法与其他方法获取的仪器衰减规律具有良好的一致性(差异在2%以内),而且从北非地区与中国西北地区得到的结果相吻合(大部分通道的差异在1%以内),验证了本文方法的通用性与可重复性。

基于GF-1 PMS数据的森林覆盖变化检测

我国南方人工林场经营强度大,森林覆盖变化频繁,因此,准确、快速地获取森林覆盖变化信息,对研究生态环境变化和经营管理具有重要意义。目前应用较多的森林覆盖变化检测方法主要有直接比较分析法和先分类后比较法,为了探究直接比较分析法和先分类后比较法两种变化检测方法在经营强度大且地形复杂的我国南方人工林场森林覆盖变化检测中的适用性和有效性。以广西高峰林场为研究区,选取两期GF-1 PMS影像为数据源,比较了迭代加权多元变化检测(IRMAD)和基于EnMAP-Box的随机森林(ImageRF)分类后比较法两种变化检测方法,对研究区森林覆盖变化检测结果进行了对比研究。结果表明:迭代加权多元变化检测结果的总体精度为89.31%,Kappa系数达到0.80;基于EnMAP-Box的随机森林分类后比较法检测结果的总体精度为86.02%,Kappa系数为0.75。前者的精度和提取效果均优于后者。说明该方法可以较为快速、准确地掌握研究区森林覆盖变化情况,为研究林场森林生态环境变化和经营管理提供技术支持。