面向对象的高分辨率光学影像变化检测算法研究

• 作 者: 庞海艳
• 出 处: 合肥工业大学
• 发表日期: 2004年期
• 关键词: 变化检测 面向对象 特征优化 局部线性嵌入 聚类算法

遥感影像变化检测是一种通过分析同一地区不同时刻的遥感影像来确定该区域地表变化情况的技术,其在城市规划、农业调查、环境保护和灾情评估等领域得到了广泛应用。随着遥感卫星设备的发展,光学遥感影像的分辨率得到了极大的提升,影像内容更为清晰且涵盖的特征信息也更为丰富。传统基于像元的变化检测算法已难以适应高分辨率影像信息丰富的特点,从而在应用上存在局限性。而面向对象的变化检测算法可充分考虑影像的光谱、纹理与结构等多特征信息,从而提高了对地物变化的判别能力,成为了当前遥感应用领域的研究热点。因此,深入研究面向对象的变化检测算法具有重要的应用价值。本文针对面向对象变化检测算法中的多特征优化及差异图分类等问题,研究提出了两种面向对象的高分辨率光学影像变化检测算法,主要内容概括如下:(1)针对现有面向对象变化检测算法中的特征冗余问题,结合局部线性嵌入(Locally Linear Embedding,LLE)理论,研究提出了一种基于特征优化的变化检测算法。该算法首先对两时相光学影像进行预分割,获取影像对象;然后提取各对象中的光谱和纹理特征,并构建特征变化向量;而后利用改进的LLE算法对特征变化向量进行优化,在降低特征量的同时实现高质量特征的自动提取;最后根据优化后的特征生成差异图,并采用模糊C均值(Fuzzy C-means,FCM)算法对差异图进行分类,获取最终变化检测结果。在高分一号数据集上的实验结果表明,所提算法具有较高的变化检测精度。(2)针对差异图分类中FCM算法易陷入局部最优的问题,结合全局寻优的鸽群优化(Pigeon-inspired Optimization,PIO)理论,研究提出了一种基于PIO-FCM聚类的变化检测算法。该算法在优化特征并生成差异图的基础上,以聚类中心为寻优对象,利用PIO算法对差异图进行广泛的全局搜索和深入的局部搜索,从而获取最优解;随后,将其作为FCM算法的初始聚类中心,进行差异图的聚类分析,生成最终的变化检测结果。在高分一号数据集上进行了充分的实验与分析,结果证实了所提算法可实现真实地物变化的准确检测。