论文部分内容阅读
遥感图像变化检测技术在自然灾害监测、国土资源规划管理、军事目标打击评估等众多军民领域都有重要的应用价值。虽然遥感图像变化检测研究已经取得了很大的进步，但仍然处于探索阶段，遥感图像变化检测技术还很不成熟。特别是近年来对遥感图像变化检测应用需求的日益增长，传统的变化检测方法远远不能满足实际的应用需求。因此，有必要对遥感图像变化检测技术做进一步的深入研究。
本文对现有的变化检测方法进行了系统地综述，分析和总结了遥感图像变化检测中存在的问题和困难。针对遥感图像变化检测技术的研究现状和存在的问题，本文以马尔可夫随机场分析方法为理论基础，对遥感图像变化检测的关键技术进行了深入的研究与探讨。本文的主要工作和贡献包含以下几个方面：
(1)提出了一种基于马尔可夫随机场融合的无监督合成孔径雷达(synthetic aperture radar(SAR))图像变化检测方法。该方法通过马尔可夫融合策略，有效地缓解了合成孔径雷达图像噪声去除和纹理保护之间的矛盾，既能保持检测结果的平滑性，又能保护图像原有的细节信息，提高检测精度。
(2)提出了一种基于图割理论(graph cuts)的无监督合成孔径雷达图像变化检测方法。该方法把合成孔径雷达图像的变化检测转化为马尔可夫随机场能量函数最小化问题，针对现有马尔可夫随机场能量函数最小化算法易陷于局部极值的缺点，将图割理论应用到基于马尔可夫随机场模型的合成孔径雷达图像变化检测中，实现对能量函数的求解，提高了变化检测的精度。
(3)提出了一种基于自适应马尔可夫随机场的光学图像变化检测方法。针对高分辨率遥感图像丰富的颜色信息和纹理信息，该方法根据不同区域颜色和纹理特征的差异，构造以区域为单位的马尔可夫空间上下文模型，自适应地选取马尔可夫能量函数的邻域阶数和平滑权重系数，实现对输入待检图像的更加精确建模。该方法能较准确地保持检测结果的边缘细节。
(4)提出了一种基于多视角协作策略的遥感图像变化检测方法。在总结了遥感图像变化检测中三种多视角协作情况的基础上，一方面，为了克服传统最大期望(EM)算法容易收敛于局部值的缺点，将变分贝叶斯思想引入到遥感图像变化检测，提出了一种基于概率推荐的变分多视角协作的变化检测框架；另一方面，将高斯过程(GaussianProcess)分类器与co-training算法相结合，扩展传统的co-EM方法到co-GP框架，提出了一种多视角协作(multi-View learning)的高斯过程方法，并应用于高分辨率遥感图像变化检测。
(5)提出了一种多视角协作的马尔可夫随机场变化检测方法。该方法把遥感图像变化检测问题转化为马尔可夫随机场下多个视角的联合能量最小化问题，一方面充分地利用了图像有限的特征，另一方面定量地给出了多视角图像变化检测的计算方法。该方法还第一次将两幅图像的分割问题和变化检测问题统一到了一个框架下。在该框架下，基于两个时相的遥感图像分割问题成为变化检测问题的一个特例。