MNF与MAD变换相结合的城市扩展研究

针对传统变化检测方法存在的缺陷,将最小噪声比率变换(M in imum Noise Fraction,MNF)和多元变化检测(Mu ltivariate A lteration Detection,MAD)方法应用于东营市城市扩展分析。从MNF和MAD变换获得的影像中提取的二值图像可知,检测结果总体精度达到90.1%,Kappa系数为0.802,证明了本文方法在变化区域检测方面的可操作性和有效性。

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。

面向对象的高分辨率影像变化检测方法研究

利用VHR影像丰富的地物变化信息对VHR影像的变化检测研究具有重要意义。从多尺度分割得到的对象出发,探讨面向对象的多变量变化检测(MAD)方法。研究得到面向对象的变化检测(OB-DFPS)的总体精度93.2%,Kappa系数0.862。并和传统的面向像元的差异影像方法进行对比,比较分析得到面向对象的变化检测方法鲁棒性更强,精度更高。

湿地高分辨率遥感影像的变化检测

【目的】研究高分辨率遥感影像的湿地动态检测,为湿地资源的可持续发展提供信息支撑。【方法】充分利用面向像元和面向对象两种方法的优势和特点,结合多变量变化检测(MAD),提出对MAD变量的面向对象后分类方法(OB-M方法)。【结果】基于MAD变换的差异影像集中了两期影像的变化信息,基于像元差异影像的面向对象后分类方法能成功的检测多时相遥感影像的几何配准误差、单时相阴影、光照季节变化等"伪变化信息",成功提取变化/未变化信息。【结论】比较传统的面向对象分类后比较和MAD方法,提出的OB-M方法能较好地提高湿地变化/未变化信息检测的精度。

多时相Landsat影像地表亮温辐射归一化方法

使用多时相遥感数据进行景观变化检测往往要求这些遥感数据能保持辐射一致性,但实际获取遥感数据时由于传感器性能、大阳照度几何和大气状态的变化,多时相遥感数据的辐射一致性无法保持。鉴于多时相遥感数据实际应用时需要实施相对辐射归一化操作,以南京市主城区1992年、1998年、2003年、2007年和2011年5景Landsat TM热红外波段数据为源数据,反算亮温图像并与8个地面气象站采集的实时温度数据建立回归模型,反演地表温度图像,然后采用伪不变特征相对辐射归一化方法和多元变化检测相对辐射归一化方法对5期地表温度数据做归一化处理,分级操作后评价南京市热岛效应的变化特征,最后通过引入统计特征参数均方根误差和变异系数,评价两种相对辐射归一化方法的优劣。结果表明:经过两种归一化方法调整后的数据均有利于对南京市热岛效应的分析;在后续的热岛效应分析中,多元变化检测相对辐射归一化法处理后的影像优于伪不变特征相对辐射归一化处理的影像;多元变化检测归一化法克服了人工选取样本点中存在的主观因素,但其计算相对较复杂。

基于典型相关分析的遥感影像变化检测

多通道遥感影像由于通道之间相关性的影响,相对于单通道影像的变化检测更为困难,因此需要有效的集中分布在各个通道上的变化信息,构造出不同时相之间的差异影像,以便于变化信息的分析解译。针对多通道变化信息集中的难点和通道之间相关性的影响难以消除的问题,引入多元统计分析中的典型相关分析方法,将2个时相的多通道遥感影像示作2组多元随机变量,采用多元变化检测变换,对多个波谱通道上的所有差异信息或变化信息进行重组,分配到一组互不相关的结果变量中,最大限度地消除通道间的相关性对变化检测的不利影响,初步解决了差异影像构造的问题。

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。

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。

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。

一种改进CVAPS的LUCC分类自动更新方法

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%。

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。

Landsat TM/ETM+与HJ-1A/B CCD数据自动相对辐射处理及精度验证

全球地表覆盖遥感制图与关键技术研究项目要求对两个基准年度(2000年,2010年)的全球覆盖30 m分辨率遥感数据进行辐射处理,转换到地表反射率,数据以Landsat TM/ETM+为主,HJ-1A/B CCD数据为补充。海量数据中有些不适宜进行绝对大气校正,为了保证全球覆盖,对这些数据设计开发了一套自动的相对辐射处理及精度验证流程算法,利用相邻数据重叠区域进行相对辐射校正的方式,将数据由Oigital Number(DN)值直接转换为地表反射率,精度验证以MODIS地表反射率产品MOD09GA作为参考,比较对应波段数据的相对一致性,算法采用了图像分块处理技术及OpenMP加速技术提高效率,实际应用结果表明该算法流程可以满足项目对辐射处理精度、速度及自动化程度的要求。

多元变化检测的相对辐射校正方法研究

基于多元变化检测的相对辐射校正方法通过阈值获取校正点,该方法的校正结果优于传统人工参与的校正方法。文章对方法中阈值选择以及自然景观特征等影响因素做了进一步研究,选择北京市平原区和山区的各2期TM影像作为数据源,运用均方根误差和变异系数2个统计特征参数比较和评价校正结果,结果表明:基于多元变化检测的相对辐射校正方法获得的结果有利于后续数据分析;不同阈值获得的校正结果没有明显差异;不同自然景观特征对该方法影响程度不同。

河岸阴影变化对河段光合有效辐射影响的研究初探

选择广泛用于水库蓄水、农作物灌溉的加利福尼亚州Merced河流研究河岸阴影变化对河段光合有效辐射的影响.合理布设高精度数字相机,经济型、自记录的温度和光合有效辐射(PAR)传感器共同记录研究区域连续3天不同天气变化情况下的河流表面光合有效辐射的变化情况.结合多变量变化检测(MAD)方法识别河岸植被阴影的变化,分析不同情况下河岸植被阴影变化对河段光合有效辐射的影响.初步研究结果表明,MAD变换提取的阴影变化和PAR传感器获取的河段光合有效辐射变化之间存在较好的相关性,提出的基于快速识别河岸阴影的时空变化、河流表面太阳辐射变化情况,具有推广性.

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。

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。

一种基于改进土地覆盖更新方法的新增建设用地自动提取

快速准确掌握新增建设用地信息对城镇化监测研究具有重要意义。基于后验概率变化矢量检测的土地覆盖更新方法中,存在初始样本准确性低、后验概率变化矢量检测精度不理想的问题,结合多元变化检测方法,对基于后验概率变化矢量检测的更新方法进行改进,提出一种可应用于新增建设用地提取的自动化方法。利用两期影像多元变化检测结果提高初始训练样本的准确性,同时在迭代选择样本过程中加入该变化检测结果,改善变化检测更新和重分类过程的精度,更准确地提取新增建设用地。用两期嘉兴地区高分一号影像和前期影像土地利用/覆盖分类数据验证改进效果,并与改进前方法对比。结果表明:改进方法提取的2017年新增建设用地精度更高,提取更新后的2017年建设用地总体精度达到85%,Kappa系数0.7以上,变化检测精度比未改进前显著提高。同时该方法显著减少了迭代次数,提高了提取效率。

一种顾及多特征的建筑物变化检测方法

建筑物变化检测干扰因素太多,导致算法鲁棒性差,自动化程度较低。针对高分辨率卫星数据特点,提出了一种顾及多特征的建筑物变化检测方法,综合利用建筑物指数特征、光谱变化特征、阴影特征等解决高分辨率遥感影像的建筑物变化自动检测问题。该方法将变分建筑物指数的差异作为建筑物变化决策因子,多元变换(multivariate alteration detection,MAD)变量作为光谱变化因子,在D-S (Dempster-Shafer)证据理论框架下建立概率模型,采用像素级、特征级和对象级相结合的策略进行建筑物变化检测;同时将阴影作为辅助因子进行场景理解的变化信息后处理,进而去除一些非建筑物变化的高亮度区域。并利用两套ZY-3数据进行了相关实验,得到了较好的结果。