共查询到19条相似文献，搜索用时 163 毫秒
1.
面向对象的遥感影像变化检测方法 总被引：2，自引：0，他引：2
针对变化检测区域内变化区域与未变化区域面积比例较低时,通过常规的阈值计算无法在变化检测中确定准确的变化阈值问题,该文提出了一种带样本选择的面向对象遥感影像变化检测方法。该方法首先对多时相遥感影像进行多尺度分割获取像斑,并采用变化向量分析法计算像斑的差异度;然后,自适应选择训练样本,结合基于期望最大化算法和贝叶斯最小误差率理论的阈值计算方法,采用独立阈值法确定变化阈值;最后,利用变化阈值对差异影像进行二值分割,并获取变化检测结果。实验结果表明该文方法在变化检测精度上优于常规方法。 相似文献
2.
《武汉大学学报(信息科学版)》2016,(8)
针对地理国情监测中大幅面多时相遥感影像变化检测的需求,提出了一种基于卡方变换和样本选择的面向对象遥感影像变化检测方法。首先对多时相遥感影像进行多尺度分割获取像斑;然后,提取像斑的多维特征,采用基于卡方变换的特征融合方法计算像斑的加权差异度;最后,自适应选择训练样本,通过基于最大期望算法的贝叶斯阈值确定方法获取变化阈值,并对加权差异影像进行二值分割获取变化检测结果。以武汉市东湖高新技术开发区为例,利用多时相高分辨率遥感影像进行土地覆盖变化检测。试验结果表明,该方法可以克服全样本变化向量分析法及全样本卡方变换检测法难以满足阈值确定条件的不足,获得更准确的变化阈值,保证变化检测正确率高而又有效地降低漏检率,从而获得更好的变化检测结果,在地理国情监测中具有一定的应用价值。 相似文献
3.
针对高分辨率遥感影像波段间大量数据冗余及小比例变化阈值难以准确确定问题,提出一种偏最小二乘法(PLS)与局部最大期望(EM)的高分辨率影像变化检测算法。首先,以前后时相多波段的遥感影像为两组多元变量,通过多元数据统计PLS变换模型分析,提取有效成分并以差值法构造差异影像;然后,采用局部变化比例比较大的区域通过EM算法提出差异影像的变化检测阈值;最后,利用局部影像确定的阈值将整幅差异影像分为变化和非变化两类并利用滤波算子对检测结果进行处理。采用高分辨率遥感影像数据进行试验,试验表明该方法能够较好地利用多光谱影像提取地表覆盖的变化信息,对地理国情动态监测具有一定的应用价值。 相似文献
4.
5.
针对高分辨率遥感影像中道路交叉口难以用固定几何和光谱特征描述的问题,该文提出了一种基于像元结构指数的交叉口提取方法。采用自适应光谱异质性阈值来提取像元形状特征,较好地适应了不同交叉口之间的场景特征差异;构建了像元形状与交叉口结构的量化映射关系,赋予特征语义信息,从而保证了提取结果的合理性。基于城区复杂场景高分遥感影像的交叉口提取实验表明:所提方法能够准确定位交叉口中心点,并检测道路交叉结构;另外,该方法对于交叉口支路发生变化的情况也具有适用性,定性与定量分析表明了该文方法的有效性。 相似文献
6.
7.
针对传统基于Bayes影像变化监测方法中分类的硬划分及对辐射畸变敏感的问题,首先,采用集合相似性测度动态更新变化和未变化两类像元模糊子集,解决变化检测分类过程中硬划分的问题;然后,采用像元相似性测度来判断变化类像元集合和未变化类像元集合中的每个像元是否真正发生了变化,剔除伪变化像元,克服对影像线性辐射畸变敏感的问题,并检测出漏检像元,最终实现影像变化区域的提取。实验结果表明,基于相似性测度的影像变化检测方法可实现变化区域自动化提取,具有较好的应用价值。 相似文献
8.
针对传统遥感变化检测算法中差值影像构造方法不容易提取弱变化信息,以及变化阈值需要人工干预的不足,提出一种基于奇异值分解(SVD)和最大类间方差法(OTSU)阈值分割的遥感影像变化检测算法。首先计算两期遥感影像的多波段差值影像,对其进行矢量化后所构造矩阵进行奇异值分解,并计算差值影像的变化强度,选取奇异值分解主分量投影和变化强度作为表征两期影像变化的特征量;然后通过最大类间方差法对上述两个特征量进行阈值分割,得到变化检测结果;最后通过对比实验以及精度验证,证明了该变化检测方法相比传统方法能够更精确地提取出变化信息,而且能够自适应获取分割阈值。 相似文献
9.
面向对象的多特征分级CVA遥感影像变化检测 总被引：1，自引：0，他引：1
变化矢量分析CVA方法在中低分辨率遥感影像变化检测中已得到广泛应用,但由于高分辨率遥感影像存在不同地物尺度差异大、不同类别地物光谱相互重叠的问题,因此对于高分影像的变化检测具有局限性。为提高高分影像变化检测精度,提出了一种面向对象的多特征分级CVA变化检测方法,首先,利用基于区域邻接图的影像分割方法分别对两时相遥感影像进行多尺度分割,提取分割图斑的光谱、纹理和形状特征;然后,在各级尺度下,分别运用随机森林方法进行特征选择,计算CVA变化强度图;最后,根据信息熵对多级变化强度图进行自适应融合,利用Otsu阈值法检测变化区域,并与仅考虑光谱特征的分级CVA变化检测方法、像元级多特征CVA变化检测方法以及仅考虑光谱特征的像元级CVA变化检测方法进行比较分析。实验表明:与比较方法相比,本文方法的变化检测精度较高,误检率和漏检率较低。 相似文献
10.
提出了一种顾及空间邻域关系的多时相SAR影像非监督变化检测方法，采用马尔可夫随机场（Markov random field，MRF）模型描述SAR比值差异图像的空间上下文信息，提出了基于该模型的EMMPM非监督变化检测算法。实例研究表明，与未顾及空间上下文信息的EM双阈值算法相比。该方法能够有效地提高变化区域提取的可靠性和准确性。 相似文献
11.
为了充分利用高分辨率SAR影像的纹理特征,提出一种纹理信息融合与广义高斯模型相结合的SAR影像变化检测方法。通过灰度共生矩阵计算影像的纹理特征进而构造纹理差异影像,利用离散平稳小波变换,融合灰度差异影像和纹理差异影像。然后利用广义高斯模型进行统计建模,估计融合后差异影像上变化类和未变化类的概率分布,利用KI阈值准则获取最佳分割阈值,实现多时相SAR影像的非监督变化检测。选取两组TerraSAR-X数据进行实验,结果表明融合纹理信息与广义高斯模型的变化检测方法可行,其中融合逆差距纹理信息的检测性能最优。 相似文献
12.
为了解决Harris-Laplace检测算法的角点坐标偏移与像素级角点的问题,提出了基于Harris-Laplace算法的亚像素角点检测方法。该方法首先用原始图像与高斯函数进行卷积生成多尺度空间,在原始图像和多尺度空间图像上各自提取Harris-Laplace角点;然后以多尺度空间角点为中心向原始图像投影,统计原始图像上投影区域内的角点形成角点集群,并结合多尺度空间角点响应值对集群角点进行筛选;最后采用位置(坐标)加权平均法确定角点的精确坐标。实验结果表明,该方法能够提供稳定抗噪、尺度不变的亚像素精度角点。 相似文献
13.
及时获取有效的土地覆盖信息是地球系统模拟的基础。因此,中等空间分辨率传感器如MODIS或MERIS空前的通道设置与观测能力,使其具有快速更新土地覆盖图的能力。本文说明了如何结合MERIS的空间维（像元大小为300m）、光谱维（可见光与近红外范围内15个通道）和时间维（重返周期2—3d）,用于获取不同区域土地覆被组分的亚像元级组成权重。利用4月、7月和8月三期MERIS FR1b级数据得到荷兰主要土地覆被类型的组成权重。单一时相和多时相的数据都使用单个像元最优化的端元数进行线性光谱分解。利用一种形态偏离指数得到MERIS的空间维并用于端元的选择。应用荷兰土地利用数据库（LGN5）25m分辨率的栅格数据作为本文的参考数据。基于这种数据的高分辨率,因此可以从像元和亚像元的水平同时评价的分类精度。结果显示,结合4月和7月的影像可以获得最优的分类结果,精度约为58%。总的说来,亚像元和像元级的分类精度相似。通过几种组分类别和日期的光谱融合表明,物候状况对于数据获取时相最佳结合的选择以及正确识别土地覆盖类型的重要性。 相似文献
14.
15.
Hyperspectral images (HSI) provide a new way to exploit the internal physical composition of the land scene. The basic platform for acquiring HSI data-sets are airborne or spaceborne spectral imaging. Retrieving useful information from hyperspectral images can be grouped into four categories. (1) Classification: Hyperspectral images provide so much spectral and spatial information that remotely sensed image classification has become a complex task. (2) Endmember extraction and spectral unmixing: Among images, only HSI have a complete model to represent the internal structure of each pixel where the endmembers are the elements. Identification of endmembers from HSI thus becomes the foremost step in interpretation of each pixel. With proper endmembers, the corresponding abundances can also be exactly calculated. (3) Target detection: Another practical problem is how to determine the existence of certain resolved or full pixel objects from a complex background. Constructing a reliable rule for separating target signals from all the other background signals, even in the case of low target occurrence and high spectral variation, comprises the key to this problem. (4) Change detection: Although change detection is not a new problem, detecting changes from hyperspectral images has brought new challenges, since the spectral bands are so many, accurate band-to-band correspondences and minor changes in subclass land objects can be depicted in HSI. In this paper, the basic theory and the most canonical works are discussed, along with the most recent advances in each aspect of hyperspectral image processing. 相似文献
16.
超分辨率制图SRM (Super-resolution Mapping)技术可以有效地处理遥感图像中的混合像元,获得准确的地物类别分布信息。目前,SRM技术已经成功地应用于多光谱图像洪水淹没定位中,称为超分辨率洪水淹没制图SRFIM (Super-resolution Flood Inundation Mapping)。然而,现有的SRFIM方法往往基于像元尺度空间相关性,这种空间相关性考虑设定的矩形窗内的像元之间的空间关系,但实际情况下淹没区域与非淹没区域的形状是不规则的,因此这种像元尺度空间相关性不够准确,影响最终的洪水淹没制图精度。为了解决这一问题,提出了超像元尺度空间相关性下的多光谱图像超分辨率洪水淹没制图SSSC-SRFIM (Super-resolution Flood Inundation Mapping for Multispectral Image Based on Super-pixel Scale Spatial Correlation)。在SSSC-SRFIM中,首先利用双立方插值改善原始粗糙多光谱图像,获得改善后的图像,并利用光谱解混方法对改善后的图像进行光谱解混,获得具有每个亚像元属于淹没类别概率值的丰度图像;然后利用主成分分析法提取改善后图像的第一主成分,并利用基于多分辨率的图像分割算法分割第一主成分,获得不规则形状的超像元;再者将丰度图像与超像元进行整合计算,并引入随机游走算法计算各个超像元之间的空间相关性;最后,依据超像元空间相关性,利用基于类别单元的类别方法将淹没区域或非淹没区域标签分配给每个亚像元中,得到最终的洪水淹没制图结果。利用两个Landsat 8 OLI多光谱图像对该方法进行了评价。结果表明,与传统的SRFIM方法相比,本文提出的SSSC-SRFIM方法具有更好的效果。 相似文献
17.
提高中巴卫星IR MSS图像空间分辨能力的光谱保真融合方法 总被引：3，自引：1，他引：3
介绍一种提高中巴资源卫星IRMSS图像空间分辨能力的光谱保真融合方法。通过计算低分辨率图像上每一个像元对应的高分辨率图像上一组子像元的平均亮度值及二者之差,将该差值与高分辨率图像上相应子像元亮度求和,形成新的图像。该图像具有高分辨率图像的空间细节,又具有低分辨率图像的光谱信息,从而实现融合图像信息保真。试验表明,光谱保真融合方法可以在不改变光谱信息的前提下提高IRMSS图像的空间分辨能力,是一种新的简单实用的数据处理方法。 相似文献
18.
The mixed pixel problem affects the extraction of land cover information from remotely sensed images. Super-resolution mapping (SRM) can produce land cover maps with a finer spatial resolution than the remotely sensed images, and reduce the mixed pixel problem to some extent. Traditional SRMs solely adopt a single coarse-resolution image as input. Uncertainty always exists in resultant fine-resolution land cover maps, due to the lack of information about detailed land cover spatial patterns. The development of remote sensing technology has enabled the storage of a great amount of fine spatial resolution remotely sensed images. These data can provide fine-resolution land cover spatial information and are promising in reducing the SRM uncertainty. This paper presents a spatial–temporal Hopfield neural network (STHNN) based SRM, by employing both a current coarse-resolution image and a previous fine-resolution land cover map as input. STHNN considers the spatial information, as well as the temporal information of sub-pixel pairs by distinguishing the unchanged, decreased and increased land cover fractions in each coarse-resolution pixel, and uses different rules in labeling these sub-pixels. The proposed STHNN method was tested using synthetic images with different class fraction errors and real Landsat images, by comparing with pixel-based classification method and several popular SRM methods including pixel-swapping algorithm, Hopfield neural network based method and sub-pixel land cover change mapping method. Results show that STHNN outperforms pixel-based classification method, pixel-swapping algorithm and Hopfield neural network based model in most cases. The weight parameters of different STHNN spatial constraints, temporal constraints and fraction constraint have important functions in the STHNN performance. The heterogeneity degree of the previous map and the fraction images errors affect the STHNN accuracy, and can be served as guidances of selecting the optimal STHNN weight parameters. 相似文献
19.
传统的混合像元分解算法认为每个像元都包含图像中所能提取的全部端元组分，但这并不符合实际情况。实际上图像中大多数混合像元仅由少部分端元混合而成。由于端元提取精度及噪声的影响，采用全部端元对混合像元进行分解，会使得混合像元中实际并不存在的端元的丰度估计值不为零，分解结果存在较大误差。由于混合像元大多存在于不同地物的交界处，基于此，本文提出了一种结合图像的空间信息选取混合像元最优端元子集的方法。利用一个空间结构元素，从混合像元的附近邻域开始搜索，将搜索到的纯净像元光谱与所提取的图像端元光谱进行对比，并确定混合像元的端元子集进行分解。根据RMSE大小和变化情况，逐步扩大结构元素的大小，不断调整搜索范围，直至得到最优端元组合。模拟数据和真实数据的试验结果表明，该方法相比传统的全端元光谱分解方法，在总体上获得了更好的分解效果。 相似文献