多尺度分割框架下的面向对象高分辨率遥感影像变化检测

发布时间：2020-08-25 20:09

【摘要】：变化检测是遥感技术应用研究热点之一,随着遥感平台的飞速发展,影像分辨率已达到亚米级,利用传统基于像元的影像分析方法进行高分辨率遥感影像变化检测时,检测结果出现严重的斑点现象。面向对象影像分析技术的出现为解决上述难题提供了契机,但是仍存在多个制约变化检测精度的问题,具体包括:影像分割尺度难以确定;影像对象差异性度量方法过于简单,检测效果较差;利用单一特征进行变化检测无法顾及影像地物“同物异谱”特性;单一尺度检测结果难以顾及不同尺寸地物的差异性。针对上述问题,本文通过探讨现有的面向对象影像分析方法和变化检测方法,在面向对象影像分析框架下,开展多尺度分割的最优尺度研究,并引入相似性测度来度量对象差异性。在此基础上,提出光谱-纹理特征自适应融合方法,构建多尺度投票机制,实现多尺度多特征融合的面向对象变化检测。具体研究内容如下:(1)提出了一种基于灰度共生矩阵(Grey Level Co-occurrence Matrix,GLCM)纹理特征的最优尺度选取方法,利用灰度共生矩阵提取影像的纹理均值,通过纹理均值与分割尺度间的变化关系确定最优尺度,实现了联合纹理和光谱特征的最优尺度提取。不同场景下与现有最优尺度选取方法的对比实验结果表明,基于GLCM的纹理均值法对不同场景影像的适用性更强,提取的最优尺度下分割结果精度也更高。(2)将相似性度量方法引入面向对象变化检测中,利用相似性测度来度量不同时期影像对象之间的差异性,实现了基于相似性测度的面向对象变化检测。结合传统的差值法开展对比实验,结果表明,基于相似性测度的面向对象变化检测方法在不同场景下的检测精度均比差值法更高,对于较复杂的影像场景检测精度提升幅度更大。(3)提出了一种特征自适应融合方法,实现了融合光谱特征和纹理特征的变化检测方法。在此基础上,结合多值逻辑规则和多数投票原理,构建了多尺度融合机制,实现了最优尺度集检测结果的投票融合。实验结果表明:在不同场景下,特征融合的检测精度均比单特征变化检测结果的精度高,多尺度融合结果精度也比单尺度检测结果精度高,且两种方法在复杂场景下精度提升更明显。
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：P237
【图文】：

图 2-1 影像独立分割示意图后套合一时相影像(T1)进行分割，获取具有对象的边界信息的分割结果时相影像(T2)套合分割。此方法能够保证前后时相分割对象的一含 T1 影像信息，缺乏 T2 影像信息。图 2-2 影像先分割后套合示意图

西南交通大学硕士研究生学位论文 图 2-1 影像独立分割示意图后套合一时相影像(T1)进行分割，获取具有对象的边界信息的分割结果时相影像(T2)套合分割。此方法能够保证前后时相分割对象的一含 T1 影像信息，缺乏 T2 影像信息。

含 T1 影像信息，缺乏 T2 影像信息。图 2-2 影像先分割后套合示意图割变化前后时相影像进行波段组合，得到包含两个时相影像所有该数据进行影像分割。波段组合后分割方法不仅保证了两时相，而且分割结果同时顾及了两时相影像信息。

【相似文献】

相关期刊论文 前10条

1 眭海刚;冯文卿;李文卓;孙开敏;徐川;;多时相遥感影像变化检测方法综述[J];武汉大学学报(信息科学版);2018年12期

2 谢馨娴;岳彩荣;霍鹏;;森林变化检测方法比较[J];四川林业科技;2018年03期

3 王娜;张景发;;SAR图像变化检测技术方法综述[J];地壳构造与地壳应力文集;2016年01期

4 宋英旭;牛瑞卿;张景发;李永生;罗毅;冯时;陈艳;;遥感影像变化检测方法对比[J];地壳构造与地壳应力文集;2016年02期

5 李强;张景发;;变化检测技术在震害信息提取中的应用[J];地理空间信息;2014年02期

6 龙玄耀;李培军;;基于图像分割的城市变化检测[J];地球信息科学;2008年01期

7 于跃龙,卢焕章;以统计变化检测为基础的实时分割视频对象新方法[J];中国图象图形学报;2005年01期

8 孙扬;朱凌;修田雨;;基于国产卫星影像的协同分割变化检测[J];北京建筑大学学报;2018年04期

9 王鑫;;聚类分析观点下的分散式最快变化检测[J];南京理工大学学报;2014年02期

10 沈壁川;毛期俭;吕翊;;基于巴氏距离的视频流场景变化检测(英文)[J];重庆邮电大学学报(自然科学版);2009年01期

相关会议论文 前10条

1 刘元波;;环境遥感变化探测研究中的若干问题：辐射校正方法与变化检测算法及其理论关系[A];中国地理学会2007年学术年会论文摘要集[C];2007年

2 毛卫华;;时态遥感数据对象级变化检测方法研究[A];2016年度浙江省测绘与地理信息学会优秀论文集[C];2016年

3 林丽群;舒宁;肖俊;;MODIS影像自动变化检测[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年

4 刘志刚;李夕海;钱昌松;;遥感图像变化检测问题浅析[A];陕西地球物理文集（五）国家安全与军事地球物理研究[C];2005年

5 王长海;陈文静;;基于遥感影像分类的城镇建成区变化检测方法研究[A];国家安全地球物理丛书（十三）——军民融合与地球物理[C];2017年

6 蒋汾龙;王善峰;公茂果;马晶晶;张明阳;武越;;基于降噪耦合卷积神经网络的多源遥感影像变化检测[A];第五届高分辨率对地观测学术年会论文集[C];2018年

7 郑安明;罗健;康薇薇;;基于遥感影像的流域下垫面变化检测[A];环境变化与水安全——第五届中国水论坛论文集[C];2007年

8 陈宇;唐伟成;;基于北京一号小卫星遥感数据的徐州东矿区土地利用/覆盖变化检测方法研究[A];第十七届中国遥感大会摘要集[C];2010年

9 李全;李霖;;基于LANDSAT TM影像的城市变化检测研究[A];中国地理学会2004年学术年会暨海峡两岸地理学术研讨会论文摘要集[C];2004年

10 欧阳峗;马建文;戴芹;;动态贝叶斯网络在遥感变化检测中的应用[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年

相关重要报纸文章 前2条

1 本报记者 孙楠 徐文彬;提高我国在气候变化检测归因领域的国际影响力[N];中国气象报;2016年

2 通讯员 孙爱华　张向峰;区域气候变化检测研讨会召开[N];中国气象报;2009年

相关博士学位论文 前10条

1 郑耀国;基于结构化表示学习的遥感图像分类及变化检测[D];西安电子科技大学;2016年

2 苏临之;基于像素信息和深度学习的遥感图像变化检测技术[D];西安电子科技大学;2016年

3 贾璐;基于核理论的遥感影像变化检测算法研究[D];西安电子科技大学;2016年

4 李瑜;基于特征学习的SAR图像变化检测方法研究[D];西安电子科技大学;2016年

5 李振轩;基于差分测度的高分辨率遥感影像可靠性变化检测方法研究[D];中国矿业大学;2018年

6 刘博宇;时序NDVI数据集螺线型构建及多形状参数变化检测[D];吉林大学;2018年

7 李胜;联合领域知识和深度学习的城市地表覆盖变化检测方法[D];武汉大学;2018年

8 赵金奇;多时相极化SAR影像变化检测方法研究[D];武汉大学;2018年

9 刘嘉;多目标演化深度神经网络模型与应用[D];西安电子科技大学;2018年

10 庞世燕;三维信息辅助的建筑物自动变化检测若干关键技术研究[D];武汉大学;2015年

相关硕士学位论文 前10条

1 杨彬;基于深度学习的高分辨率遥感影像变化检测[D];中国矿业大学;2019年

2 郭欣;光学与SAR图像像素级融合的水体变化检测[D];中国矿业大学;2019年

3 张玉沙;基于主动集成学习和不确定性分析的遥感影像变化检测[D];中国矿业大学;2019年

4 刘陆洋;基于双差异图的SAR图像变化检测研究[D];新疆大学;2019年

5 娄雪梅;基于SAR图像的变化检测算法研究[D];新疆大学;2019年

6 丁永;高分辨率遥感影像结合地表覆盖矢量数据的变化检测方法研究[D];武汉大学;2017年

7 许竞轩;面向对象的高分辨率遥感影像变化检测方法研究[D];战略支援部队信息工程大学;2018年

8 孙扬;基于超像素协同分割的遥感影像变化检测方法[D];北京建筑大学;2019年

9 唐文博;基于卷积神经网络的高分辨率多光谱遥感图像上的城区建筑物变化检测技术[D];浙江大学;2019年

10 庄姊琪;基于Siamese卷积神经网络的高分影像城市地物变化检测[D];武汉大学;2018年

本文编号：2804139