量子多尺度融合的高分卫星影像建筑物变化检测

为了提高传统基于像元的高分辨率卫星影像变化检测方法的精度,本文提出了一种基于量子多尺度融合的高分卫星影像建筑物变化检测算法。首先,对双时相高分辨率卫星影像进行多尺度分割,构成多尺度影像数据集;然后,对多尺度影像数据集进行迭代慢特征变换,得到不同尺度的变化强度图,再利用量子理论对多尺度变化强度图进行融合,以得到融合后的变化强度图;最后,通过最大类间方差法完成变化强度图的阈值分割,得到二值化变化检测结果。利用两组不同时相的实际高分卫星影像,对本文算法进行了试验验证。试验结果表明,与单一尺度面向对象变化检测方法和熵权法多尺度融合方法相比,本文算法可以取得更高的建筑物变化检测精度。

联合概率密度空间的遥感自适应变化检测方法

多种因素引起的辐射特征变化,将造成阈值法变化检测的误检。对此,本文提出了一种联合概率密度空间的多阈值自适应变化检测方法。首先,将影像从像素空间转化到联合概率密度空间,将变化地物定义为联合概率密度空间的离群点,并采用迭代方法将其提取,然后映射回原始影像后确定变化区域。选取两种典型应用进行试验,结果表明,本文方法在正确率、误检率和漏检率方面优于传统方法,具有较好的稳健性。

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。

顾及配准误差的遥感影像变化检测

提出了一种基于区域变化率的变化检测方法,该方法在考虑阴影及灰度匹配的基础上,采用区域信息降低由配准误差引起的虚检率。实验表明,本文方法能够在一定程度上消除配准误差的影响。

SAR目标检测中的一种稳健变化检测算法

在合成孔径雷达(SAR)目标检测中,目前采用的变化检测算法主要包括构造似然比法和最小二乘图像相减法,这两种算法在实际变化检测中分别存在如下问题:构造似然比法需要目标、杂波及噪声充分的先验知识,而最小二乘图像相减法则存在稳健性差的问题,鉴于上述问题,该文提出一种稳健可行的变化检测算法,该算法在最小二乘图像相减法的基础上引入了误差影响因子,通过迭代的方法求取待定参数,大大提高了变化检测的稳健性,文章最后基于不同算法进行了变化检测试验,试验结果进一步证明了该文提出算法的稳健性。

基于CRF模型的高分辨率遥感影像变化检测

针对传统高分辨率遥感影像变化检测方法大多直接利用光谱信息进行计算,导致检测精度不高的缺陷,提出了一种基于条件随机场模型(CRF)的高分辨率遥感影像变化检测方法。该方法利用CRF模型融合差值影像的光谱项和空间项,在融合过程中,引入EM迭代策略不断更新影像检测结果,提高变化检测精度。试验结果表明,本文方法的分类精度好于传统方法,并且稳定性良好。

基于融合差异图的变化检测方法及其在洪灾中的应用

由于洪灾区域的地物散射特性受环境影响会发生改变,在对该区域合成孔径雷达(SAR)图像进行变化检测时会使检测结果的错误率提高,而且用单一方法得到的差异图变化检测结果精度较低。针对上述问题,该文提出一种基于融合差异图的变化检测方法,该方法通过构造基于改进相对熵与均值比的融合差异图,综合了熵值差异图的区域敏感性和均值差异图的区域保持性的优势。首先,利用皮尔逊相关系数对模糊局部信息C均值聚类(FLICM)方法的初始聚类结果进行二次分类,再将二次分类结果作为图像初始分割,最后利用迭代条件模型和马尔科夫随机场(ICM-MRF)获得图像的最终分割结果。为了验证所提方法的有效性,该文使用瑞士Bern地区在1999年4月和5月的ERS-2遥感数据以及加拿大Ottawa地区在1997年5月和8月的Radarsat遥感数据进行实验,并用该方法对中国鄱阳湖地区2020年6月和7月的Sentinel-1-A遥感数据进行了洪灾检测实验,估计了鄱阳湖附近区域洪灾前后的受灾范围和变化趋势。实验结果表明该文算法总体检测误差较低,一定程度上降低了检测结果的错误率,提高了检测结果的精度。

光电成像制导中地面运动目标检测与跟踪

地面运动目标的自动检测与跟踪是对地精确打击光电成像制导中的核心任务。针对地面运动目标自动检测问题,提出了由粗到精的迭代全局运动补偿算法以补偿动平台引起的背景图像像素位移,基于变化能量测度的独立运动目标检测算法以及基于三帧序列图像的运动目标定位算法。针对地面运动目标跟踪问题,提出了融合运动特征和灰度直方图特征的粒子滤波器目标跟踪算法,实现可靠、稳定跟踪地面运动目标。利用实际航拍视频进行算法验证实验,比较了基于傅里叶-梅林变换(Fourier-Mellin transform,FMT)、Kanade-Lucas-Tomasi(KLT)特征跟踪、Harris角点和迭代全局运动补偿算法,验证了基于变化能量测度的独立运动目标检测算法和融合多特征的粒子滤波器跟踪算法的有效性。

基于稀疏表示的视网膜图像对变化检测

视网膜图像对变化检测主要研究两个不同时间点所采集到图像的变化情况。图像间的亮度差异及解剖结构与病灶的亮度相似性,使得基于逐点对比的差分方法或商方法很难准确检测变化区域。针对光照干扰问题,提出对光照具有鲁棒性的稀疏表示(SRC)变化检测方法。SRC方法先抽取参考图像局部区域块构建字典,再通过稀疏表示重构当前图像的局部背景块,最后利用背景相减获得变化区域。通过该方法,图像对的亮度差异可用稀疏表示系数自动调整,而基于块的方式可过滤掉局部光照,更有效地检测出变化区域。SRC方法与其他检测方法结合,可以增加检测结果的准确性。实验根据一对来自DRIVE数据集的小病灶仿真数据,SRC方法的AUC和mAP值分别为0.986和0.865;对一对采集自临床的大病灶数据,SRC与迭代鲁棒同态曲面拟合(IRHSF)校正结合方法的AUC和mAP值分别达到了0.989和0.969。实验结果表明,SRC方法比RPCA方法对局部光照鲁棒性更强,比基于逐点的比较差分方法更多地考虑局部邻域信息,能够更有效地检测出变化区域。

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。

基于三维配准的面部变化检测技术

针对微整容变化检测的问题,提出一种基于改进迭代最近点算法的变化检测方法。首先采用面部数据曲率特征确定特征点,然后通过普式分析法对面部特征点集求解最小二乘函数,提高迭代最近点算法的效率。通过对面部微整形数据的测试,与经典的ICP方法相比,文中方法具有配准精度高、收敛速度快的特点。

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。

融合Unet网络和IR-MAD的建筑物变化检测方法

通过遥感影像对城市建筑物进行变化检测,可以全面掌握城市建筑物的规划实施情况,辅助城市管理部门及时发现并依法查处各类违章建筑。提出了一种融合Unet网络和IR-MAD的城市建筑物变化检测方法,首先,分别使用加权小型Unet网络和IR-MAD检测遥感影像中的疑似变化像素;然后,基于投票的方式融合疑似变化像素检测结果,确定变化像素;接着通过形态学操作去除斑点噪声、填充变化区域内部孔洞等来优化变化像素区域;最后,基于建筑物阴影特性去除非建筑物的变化区域,从而得到建筑物变化检测结果。实验表明,该方法比仅使用Unet网络或IR-MAD可更准确地检测出遥感影像中的建筑物变化。

基于迭代阈值分割的星载SAR洪水区域快速提取

基于星载合成孔径雷达(synthetic aperture radar,SAR)的洪水区域提取可对洪灾信息进行高效提取。然而,传统提取方法往往时间复杂度较高,严重影响了洪灾区域获取的时效性。基于改进迭代阈值分割原理,本文提出了一种星载SAR图像洪水区域快速提取方法。首先,对预处理后的SAR图像进行高斯拟合再抽样,抑制SAR图像直方图异常点的影响。其次,利用迭代阈值算法进行水体提取,并基于形态学滤波对噪声进行抑制。最后,对已识别的水体区域开展变化检测,实现洪灾区域的提取。基于2020年7月鄱阳湖流域特大洪灾前后的哨兵-1 SAR图像,本文开展了洪水区域提取对比试验。试验结果表明,该方法可在保证洪水区域提取精度的同时,显著提升处理效率。

利用多尺度融合的SAR图像变化检测方法

为充分利用图像的细节信息,提高变化检测算法的鲁棒性和稳健性,本文融合了多个尺度间的特征,提出了一种自适应SAR图像变化检测方法。首先采用小波函数对对数比差异图进行多尺度分解,而后采用独立重构的方式,得到不同尺度下的重构图像。接着采用均值循环迭代分割算法,以甄别变化区域与未变化区域。最后将不同尺度下的判别结果,采用马尔科夫随机场融合的方式,来获取最终的变化二值图。通过对不同尺度下的图像进行融合,该方法不仅有效地利用了尺度信息,而且对边缘的检测更加细致。实验结果表明该算法能够有效地提高SAR图像变化检测的精度和鲁棒性。

结合空间上下文与慢特征分析的多光谱影像变化检测

为了提高多光谱影像变化检测的精度,本文提出了一种结合空间上下文与慢特征分析的方法。首先采用自适应空间上下文提取算法围绕像素构建自适应区域,探索像素周围的上下文信息;然后通过迭代慢特征分析,由相应像素周围的成对自适应区域定量计算成对像素之间的变化强度,增强变化区域与未变区域的可分性;最后生成变化强度图像,采用大津阈值法作二值分类,将变化强度图划分为二值变化检测图。利用Landsat 7卫星ETM+传感器的图像,与4种基于代数的方法及基于变换的方法进行对比试验,结果表明,本文方法在降低漏检方面有所改善,提高了召回率。

基于SNIC的双时相SAR图像超像素协同分割算法

针对面向区域的合成孔径雷达(synthetic aperture radar,SAR)图像变化检测方法中存在的双时相图像边缘和空间对应关系不一致的问题,提出了一种基于简单非迭代聚类(simple non-iterative clustering,SNIC)的双时相SAR图像超像素协同分割算法。首先,构造一幅包含双时相SAR图像特征的融合图像,计算待处理像素点到聚类中心的像素强度相似度和空间距离相似度。其次,采用一种高效的多尺度弱边缘检测算法,对双时相SAR图像分别进行边缘检测并融合边缘检测结果。最后,将像素强度相似度、空间距离相似度和边缘信息进行加权以替代原始SNIC算法中的距离测度,实现对SAR融合图像的超像素分割,得到与双时相SAR图像中真实地物边缘均贴合的协同分割结果。基于一组仿真和一组实测双时相SAR图像的超像素协同分割实验结果表明,该算法的边缘贴合率、欠分割误差和可达分割准确率均优于其他7种经典方法。

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%。

随机图像选取与自适应背景更新的运动物体检测

为克服运动目标检测中易出现的光照变化、遮挡、虚假目标等现象,提出了一种随机图像选取与自适应背景更新的运动物体检测方法。该方法从视频序列中随机选取一帧图像作为初始背景,根据变化标记矩阵对背景进行自适应迭代更新,以提取可靠的背景图像,实现运动物体的检测。实验结果表明,采用该算法提取的背景不存在混合现象,且在光照变化较大以及运动物体之间存在遮挡的情况下,能够构造出可靠的背景,检测出的目标物体清晰可见。

融合IR-MAD与超像素分割的遥感影像变化检测方法

针对迭代加权多元变化检测(IR-MAD)方法提取高分辨率遥感影像变化结果存在信息分散、“椒盐噪声”现象,提出了一种融合IR-MAD与超像素分割的高分辨率遥感影像变化检测方法。该方法利用卡方分布概率密度函数与超像素分割方法技术对IR-MAD算法改进,通过IR-MAD算法获取初始变化检测结果;然后,采用多尺度的超像元分割方法生成多尺度超像素对象;最后,对IR-MAD算法提取的初始变化检测结果,利用多尺度超像素分割对象结合众数规则判断分割对象属性,获取最终变化区域。实验结果表明:本文提出方法能有效提取变化区域,减少“椒盐噪声”现象,能较好地保存地物边界信息,提高整体变化检测精度。