基于频域显著性方法和ELM的遥感影像变化检测

发布时间：2021-07-21 22:48

　　提出一种基于频域显著性（FDS）方法和极限学习机（ELM）方法进行遥感影像变化检测的方法.首先,对利用变化矢量分析方法（CVA）获取不同时相遥感影像的光谱特征差异图及纹理特征（灰度共生矩阵法）差异图进行融合获得差异影像（DI）;然后,利用频域显著性方法获取差异影像的显著性图,采用模糊c均值（FCM）聚类算法对显著性图选取阈值得到的粗变化检测图进行预分类（变化像素、未变化像素、待定像素）;最后,从光谱及纹理特征影像上提取变化像素和未变化像素的邻域特征作为可靠样本进行ELM训练,并利用训练好的ELM分类器对粗变化检测图进行变化检测,得到最终的变化检测图.通过对高分辨率遥感影像数据实验结果表明本方法的变化检测精度及性能优于其他对比方法. 

【文章来源】：华中科技大学学报(自然科学版). 2020,48(05)北大核心EICSCD

【文章页数】：6 页

【部分图文】：

实验影像数据集

通过本研究方法获得三组影像数据集的DI．通过SSIM计算，Quick bird和SPOT5数据集分别选取同质性、同质性获得的GLCM纹理特征．为了证明本研究构造DI的优越性，与CVA直接获得两时像的DI作比较，实验结果如图2所示．通过图2可以看到：CVA方法获得的DI凸显变化区域的效果不明显，并且部分变化区域没有凸显．而本研究方法构造的DI不仅使变化区域较未变化区域更凸显，而且可以凸显CVA方法没有凸显的变化区域(图2中橙色矩形区域)．通过上述实验可以看到：本研究方法在选择影像特征较少的情况下，可以有效凸显变化区域，从而避免数据冗余，影响后续的分类精度．

通过图3可以看到：DI显著性图中的显著区域的形状和位置与DI相似，而DI显著性图通过阈值获得粗变化检测图基本包含参考变化影像中的变化区域．通过这种方式不仅可以缩小选取训练样本的空间，而且能更准确地提取可靠训练样本，还可以避免非显著性区域对后续分类方法的影响．2.3 最终变化检测图


本文编号：3295913