论文部分内容阅读
随着遥感卫星技术的不断发展，各国纷纷推出越来越多的高分辨率遥感卫星，高分辨率遥感影像的采集变得更加容易。与传统的低分辨率和中分辨率遥感图像相比，高分辨率遥感图像中的混合像素减少了。纯净像元增多，地物之间拓扑关系明显，像元之间独立性的假设不再成立。首先，空间分辨率的提高，包括更多的特征形状信息和纹理信息，但它所包含的光谱信息显着减少。传统的用于中低分辨率遥感图像变化的方法主要使用遥感图像中包含的光谱信息来检测变化。当应用于高分辨率遥感图像时，这些方法不能得到期望的结果。其次，高分辨率影像变化检测问题的难点在于高效的确定高空间分辨率下的复杂场景是否发生“变化”以及发生何种变化。因此，研究适用于高分辨率遥感图像的变化检测方法尤为重要。本文围绕基于高分辨率遥感影像的自动化变化检测方法进行了研究，本文的研究工作主要包括以下几个方面：
1.提出了基于自适应超像素分割的非监督多类变化检测方法。综述了基于图论和基于梯度下降的图像分割算法，并详细介绍了SLIC分割算法，将SLIC算法应用于高分辨率遥感影像的面向对象分割。为了自适应地确定超像素的分割个数，本文提出了一种基于全局熵的最优分割个数确定方法，为后续使用SLIC算法奠定了基础。在面向对象的分割结果上对传统基于像素的变化检测结果进行约束优化，联合基于超像素的变化检测结果进行决策级融合，实现对二值变化检测结果的优化，得到最终的二值检测结果。将光谱变化矢量投影到自适应的变化向量的自适应表示域中，确定类别的个数，计算超像素级的光谱变化矢量的方向，根据确定的类别个数对光谱矢量的变化方向进行聚类，完成类别的区分。结合优化后的二值变化检测结果与变化方向信息，完成变化检测问题中多类变化检测问题，并通过实验对提出方法进行验证。
2.提出基于空-谱特征和先进分类器的多类变化检测方法。从高分辨率遥感影像中提取光谱信息、纹理信息，光谱信息为原始影像的光谱差异矢量，纹理信息则是不同尺度和方向上的Gabor特征，并使用不同的分类器从提取的特征中获得变化信息。对于分类时分类器的选择也进行了研究，使用极限学习机、旋转森林等分类器对变化检测结果进行输出。根据参考图生成不同数量的训练样本，对比不同训练样本情况下对多类变化检测结果的影响，通过实际的遥感影像进行实验。
3.提出基于训练样本自动生成的半监督变化检测方法，包括基于影像匹配及显著图和基于强度图的训练样本自动提取方法。两种方法均完成了对训练样本的自动提取，本文对两种方法提取的训练样本进行了变化检测，并与基于参考图生成训练样本的变化检测结果进行了分析与比较。
1.提出了基于自适应超像素分割的非监督多类变化检测方法。综述了基于图论和基于梯度下降的图像分割算法，并详细介绍了SLIC分割算法，将SLIC算法应用于高分辨率遥感影像的面向对象分割。为了自适应地确定超像素的分割个数，本文提出了一种基于全局熵的最优分割个数确定方法，为后续使用SLIC算法奠定了基础。在面向对象的分割结果上对传统基于像素的变化检测结果进行约束优化，联合基于超像素的变化检测结果进行决策级融合，实现对二值变化检测结果的优化，得到最终的二值检测结果。将光谱变化矢量投影到自适应的变化向量的自适应表示域中，确定类别的个数，计算超像素级的光谱变化矢量的方向，根据确定的类别个数对光谱矢量的变化方向进行聚类，完成类别的区分。结合优化后的二值变化检测结果与变化方向信息，完成变化检测问题中多类变化检测问题，并通过实验对提出方法进行验证。
2.提出基于空-谱特征和先进分类器的多类变化检测方法。从高分辨率遥感影像中提取光谱信息、纹理信息，光谱信息为原始影像的光谱差异矢量，纹理信息则是不同尺度和方向上的Gabor特征，并使用不同的分类器从提取的特征中获得变化信息。对于分类时分类器的选择也进行了研究，使用极限学习机、旋转森林等分类器对变化检测结果进行输出。根据参考图生成不同数量的训练样本，对比不同训练样本情况下对多类变化检测结果的影响，通过实际的遥感影像进行实验。
3.提出基于训练样本自动生成的半监督变化检测方法，包括基于影像匹配及显著图和基于强度图的训练样本自动提取方法。两种方法均完成了对训练样本的自动提取，本文对两种方法提取的训练样本进行了变化检测，并与基于参考图生成训练样本的变化检测结果进行了分析与比较。