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%。

基于后验概率空间变化向量分析的NSCT高分辨率遥感影像变化检测

非下采样轮廓波变换(non-subsampled contourlet transform,NSCT)和变化向量分析法(change vector analysis,CVA)在高分辨率遥感影像变化检测中,会因不同地物的变化幅度有显著差异,而在单一阈值下无法保证较高的检测精度。为此,文章在后验概率空间变化向量分析(change vector analysis in posterior probability space,CVAPS)的框架下,提出了一种基于模糊C均值聚类(fuzzy C-means,FCM)和简单贝叶斯网络(simple Bayesian network,SBN)的NSCT变化检测方法(FCM-SBN-CVAPS-NSCT)。该方法首先将FCM与SBN耦合,计算出后验概率变化强度图;之后,通过NSCT将后验概率变化强度图分解为不同尺度和方向的子图,通过保留高频子图中的细节并消除噪声,优化了重构后的后验概率变化强度图,实现了后验概率空间下的多尺度、多方向的变化检测,最终提高了变化检测的精度。实验结果表明,所提方法在3个研究区中得到的Kappa系数比FCM-SBN-CVAPS分别高出了0.1009,0.0566和0.0674,具有一定的优越性。

基于空间模糊C均值聚类和贝叶斯网络的抗噪声遥感图像变化检测

目前,大部分遥感变化检测算法无法有效处理受高斯、椒盐和混合噪声污染的图像。为了解决这一问题,文章将能够在噪声污染条件下有效分解混合像元的5种基于邻域空间信息的模糊C均值聚类(FCM_S1,FCM_S2,KFCM_S1,KFCM_S2和FLICM)算法分别与简单贝叶斯网络(simple Bayesian network,SBN)相结合,在后验概率空间变化向量分析(change vector analysis in posterior probability space,CVAPS)框架下,实现了5种能够较好地抗高斯、椒盐和混合噪声的遥感变化检测方法。对比实验证明,该文所提出的变化检测算法对高斯、椒盐和混合噪声具有较好的鲁棒性。

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。

耦合模糊C均值聚类和贝叶斯网络的遥感影像后验概率空间变化向量分析

在遥感图像变化检测领域中,后验概率空间变化向量分析(change vector analysis in posterior probability space,CVAPS)方法具有诸多优点而被广泛应用。CVAPS法使用支持向量机(support vector machine,SVM)估计后验概率向量,但对中低分辨率遥感影像分类时SVM无法有效处理同物异谱、异物同谱及混合像元问题,从而无法保证最终检测结果的精度。由此,文章针对混合像元问题采用模糊C均值聚类(fuzzy C-means,FCM)进行建模,并耦合简单贝叶斯网络(simple Bayesian network,SBN)以解决混合像元问题及估计后验概率向量,实现了一种新的后验概率空间变化向量分析方法。实验结果表明,本文算法的总体精度和Kappa系数均优于基于SVM的CVAPS算法,算法性能受训练样本的数量影响较小,且参数设置简单,耗时少。文章提出的算法有助于提高遥感图像变化检测的精度和效率。