精华内容
下载资源
问答
  • 遥感影像变化检测方法遥感影像变化检测方法遥感影像变化检测方法
  • 遥感影像变化检测

    2020-05-05 16:03:31
    该代码实现了遥感影像变化检测功能,另外也附上了适用图片供各位进行测试。 该代码实现了遥感影像变化检测功能,另外也附上了适用图片供各位进行测试。
  • 多波段信息融合的遥感影像变化检测
  • 提出了一种结合自适应空间与条件随机场(CRF)的新框架用于高分辨率遥感影像变化检测,解决了两幅影像配准误差造成的噪声和条件随机场产生的过平滑问题。通过加权自适应空间(WAS)获取差异图像消除了因配准误差造成...
  • 基于核函数度量相似性的遥感影像变化检测
  • 基于MSE模型的高分辨率遥感影像变化检测
  • 针对数字正射影像变化检测问题的复杂性,提出了一种基于 GIS知识引导的多维变化模板分析方法,探讨了由粗到细的四叉树变化检测模板生成方法和一些利用 GIS知识的专家打分方法。利用此方法,对一个实验区不同时期的数字...
  • 针对由实际遥感地物类型难以确定导致的多光谱遥感影像变化检测精度较低的问题,提出一种结合最小描述长度(MDL)准则的EM变化检测方法。首先,采用主成分变换与相关系数融合法相结合的方式构造差异影像;其次,利用...
  • 提出了一种基于时空关系的遥感影像变化检测及类型识别方法。该方法通过影像分割获取像斑,利用最大似然法(maximum likelihood method, ML)获取初始分类结果,通过地物的类别转移矩阵(class transition matrix, CTM)...
  • 本文是论文《多时相遥感影像变化检测方法综述》的阅读笔记。由于文章是中文的,强烈建议阅读原文,本文也尽可能用文章中的原话来描述问题。 一、变化检测简述 变化检测根据对同一物体或现象在不同时间的观测来确定...

    本文是论文《多时相遥感影像变化检测方法综述》的阅读笔记。由于文章是中文的,强烈建议阅读原文,本文也尽可能用文章中的原话来描述问题。

    一、变化检测简述

    变化检测根据对同一物体或现象在不同时间的观测来确定其不同的处理过程。遥感影像变化检测的研究目的是找出感兴趣的变化信息,滤除作为干扰因素的不相干的变化信息。

    现有绝大多数变化检测应用中,常用的方法仍然是目视解译和人工手动勾画,需要耗费大量人力及时间,处理效率低下。变化检测的方法和理论模型有很多,如代数法、分类法、面向对象法、时间序列分析法和可视化法等。现有的检测方法没有哪一种是适合所有场景的。变化检测没有通用的流程,但主要覆盖数据预处理、变化检测方法、阈值分割、精度评定等方面。

    二、变化检测的分类和发展历程

    按照不同的分类标准,变化检测的分类如下图所示。在监督变化检测中先验信息可以来源于训练好的模型、GIS矢量数据等。

    下图是变化检测方法发展的时间脉络图。初始发展期(20世纪80年代)主要以像元级统计方法为主;第一次高潮(20世纪90年代)主要是机器学习带来了生机;第二次高潮(2000 - 2009年)对象级变化检测引起了各种关注。伴随着高空间分辨率遥感影像的商业化,面向对象影像分析技术被引入高分辨率遥感影像分析中,变化检测的基本单元由像素逐渐过渡到对象;第三次浪潮(2010年以后)大数据和人工智能使变化检测进入新的热潮。

    三、变化检测的预处理

    几何配准误差是变化检测最主要的误差来源之一,因此许多变化检测方法,特别是像素级变化检测方法,都要求参与变化检测的多时相影像已完成高精度的配准;但对于不少特征级的变化检测方法,如面向对象法,由于对提取出的特性或目标进行比较时可采用顾及配准误差的缓冲区分析法,从而避免了过于苛刻的高精确配准要求。

    辐射校正是预处理的另一个重要环节。不同时期的光学遥感影像,如拍摄季节与日期不同、太阳高度角不同、成像角度不同、气象条件不同等,都会造成影像辐射值不同,显著地影响变化检测结果的精度,所以通常在变化检测之前需要进行辐射校正。常用的辐射校正方法包括绝对辐射校正和相对辐射校正两种类型。绝对辐射校正需要大量的成像及其他参数,因此相对辐射校正是一种更经常采用的方法。相对辐射校正方法将一幅影像作为参考影像,调整另一幅影像的辐射特性,使之与参考影像一致。但并非所有的变化检测方法都需要辐射校正,比如分类后变化检测方法是没必要进行辐射校正的。

    四、目前主流的变化检测方法

    1. 传统方法

    传统变化检测方法结果的精度对差异图的依赖很大,但生成差异图的过程会损失很多信息,导致检测结果精度不稳定。

    2. 基于深度学习的方法

    深度学习网络端对端的结构,使得我们能够直接从多时相遥感影像中获得变化检测结果。

    3. 基于面向对象影像分析的方法

    区别于像素级方法,对象级变化检测最重要的一个环节就是影像分割。影像对象较之单个像素包含了地物更多的整体信息,基于对象的影像分析方法更接近于人眼识别图像过程。根据变化检测策略的不同,对象级变化检测方法大致可以分为直接对象变化检测、同步分割后对象变化检测、分类后变化检测几个类型。分类后变化检测方法是比较经典的方法,对不同时相影像分别进行独立面向对象影像分类,然后再进行对象所属类别、几何形状及空间上下文信息等对比分析,获取变化区域及变化轨迹。

    4. 场景变化分析方法

    场景变化分析就是在语义层次分析多时相对应场景的语义类别是否发生变化以及发生了何种变化。

    5. 三维变化检测方法

    二维变化检测仅能检测平面上的变化,对高度上的变化则无能为力。三维变化检测方法的确定是三维数据获取的高成本及高难度,以及由于三维变化检测增加了新的数据维度,因此还将面临三维数据本身的不确定性问题。根据三维变化检测中三维信息使用的不同,三维变化检测方法大致可以分为几何信息直接比较的方法和几何信息与光谱信息相结合的方法。

    6. 时间序列变化检测方法

    时间序列变化检测方法主要针对长时间序列遥感影像的时间趋势分析。

    7. 混合方法

    混合方法是指综合运用上述方法中的两种或两种以上方法进行变化检测处理,包括两方面内容:一是在检测的不同阶段和步骤中使用不同的检测方法进行处理,即基于过程的混合方法;二是分别使用不同的变化检测方法对各自的结果进行综合分析,即基于结果的混合方法。

    五、精度评价

    根据变化检测的精度评估层次,可将变化检测的误差矩阵分为简单变化检测误差矩阵和分类变化检测误差
    矩阵。误差矩阵和Kappa系数评价方法是最成熟、最常用的变化检测精度评估方法。目前变化检测的精度评估主要是基于像素级的,误差矩阵是最常用、最成熟的精度评估方法。

    六、自己的理解

    说一点自己的理解。比如给定两张一年以前的卫星图像和一张一年后的卫星图像,一年前图像中的有些东西可能在一年后消失了,如被河水淹没的岛屿;也可能在一年后出现了新的东西,如新的建筑物。变化检测的目的就是找出这些发生了变化(消失或出现)的地方,并标注出来。标注图可以是一个二值图,1表示发生了变化,0表示没发生变化。

    最简单的方式就是两图做差,然后取绝对值。但是这样这样有个问题,比如都是草地,在不同时间拍摄得到的像素值可能是不同的,所以两张图做差后可能只是非常接近于0。而我们要得到的是一个二值图,一个简单的方法是设置一个阈值,小于该阈值的,就认为没发生变化,即在两张图中是相同的东西。还有一个方法就是先对两张图像中的物品进行分类,比如分成草地、河流、建筑物等等,然后将得到的分类图做差。

    展开全文
  • 提出了一种基于GA-EM算法的高斯混合模型(GMM)遥感影像变化检测方法。该方法采用主成分分析(PCA)与传统差值法相结合的方式构造差异影像;然后使用N个成分的GMM对差异影像分布进行建模;再利用进化的迭代方法对模型...
  • 基于混合像元分解与EM 算法的中低分辨率遥感影像变化检测
  • Matlab 代码。遥感影像变化检测经典算法(IR-MAD、MAD、CVA、PCA)。 可直接运行。 有问题的可以交流。 感谢下载。
  • 文章根据多时相遥感影像变化检测流程对遥感影像的预处理、遥感影像变化信息的提取和精度评价等关键技术展开一些积极的探索和研究,旨在经过创新和改进,在一定程度上克服现有方法存在的困难,提高变化检测的精度和...
  • 提出了一种基于边缘特征匹配的遥感影像变化检测预处理方法,在进行不同时相遥感影像配准时,一并解求两期影像的辐射校正系数,同时实现两期影像的配准和辐射校正。实验表明,经预处理后,两期影像的色调基本一致,...
  • SemiCDNet: A Semisupervised Convolutional ...提出的VHR遥感影像变化检测数据集:password:8quw 项目github: (提供数据链接,无代码) 目录 SemiCDNet: A Semisupervised Convolutional Neural Network for Ch.

    SemiCDNet: A Semisupervised Convolutional Neural Network for Change Detection in High Resolution Remote-Sensing Images

    南京大学 2020

    提出的VHR遥感影像变化检测数据集: password:8quw

    项目github: (提供数据链接,无代码)


    目录

    SemiCDNet: A Semisupervised Convolutional Neural Network for Change Detection in High Resolution Remote-Sensing Images

     

     

    摘要:

    Introduction:

    BACKGROUND AND RELATED WORK

    PROPOSED SemiCDNet

    A. SemiCDNet Architecture

    B. Segmentation Network

    C. Discriminator Network

    D. Loss Functions

    IV. EXPERIMENTAL RESULTS AND DISCUSSION

    E. Discussion

    V. CONCLUSION


    摘要:

    变化检测(CD)是遥感的主要应用之一。随着深度学习的日益普及,CD方法的最新发展引入了深度学习技术的使用,以提高精度和自动化水平超过传统方法。

    然而,在使用supervised CD方法时,需要大量带标签的数据来训练数百万个参数的深度卷积网络。CD任务很难获得这些标记数据。为了解决这一问题,提出了一种基于生成对抗网络(GAN)的半监督卷积网络,SemiCDnet网络。首先,将标记数据和未标记数据输入分割网络,生成初始预测和熵图。然后,为了充分利用未标记数据的潜力,采用两种鉴别器来加强标记数据与未标记数据之间的分割图和熵图的特征分布一致性。在竞争训练过程中,利用未标记信息不断地对生成器进行正则化,从而提高生成器的泛化能力。在两个高分辨率遥感数据集上验证了本文方法的有效性和可靠性。大量的实验结果证明了该方法的优越性。

     

    Introduction:

    早期中低分辨率的图像,

    Pixel-based CD (PBCD):是通过比较不同日期获取的图像的像素光谱值或纹理值来实现的。(spectral or textual values of images),为了提取鲁棒性特征,使用图像变换方法,如PCA主成分分析,MAD多元变化检测。

    随着图像分辨率的增加,

    Object-based CD (OBCD) :利用对象特征或类成员关系来比较图像差异。

    在OBCD方法中,空间-上下文信息被包含,提取了对象的许多特征(如,纹理,形状,几何结构)用于改善CD的准确率和可靠性。

     

    前者可以使用无监督的方法,可以在无标记的数据中检测可能的变化,常用于中、低分辨率卫星图像的大规模监测。后者旨在通过监督模型检测特定变化,这些模型是从标记数据中学习的。简而言之,非监督CD方法通常检测变化的位置和扩展,而监督CD方法还可以识别变化的类型。

    VHR图像包含丰富的空间细节信息,不太可能去关注所有变换。由人类活动或自然灾害造成的刻意为之的变化是比其他重要的。通过标签信息,这些变化可以通过使用监督学习模型更容易地定义和学习。因此我们关注监督的方法,从VHR图像中提取特定的变化信息,检测的变化内容和类型由标记的ground truth决定。

     

    ‘’’

    三类CD方法的局限性:FB-DLCD,PB-DLCD,IB-DLCD

    基于特征表示的方法,提取特征做差分图(DIs)。用阈值分割得到最后的变化图(change map)。但是DIs生成过程中的特征表示和相似度度量误差必然会传播到最终的CMs中。

    ‘’’

     

    对于RS CD任务,开放注释的数据集很少,从而限制了DL模型,特别是FCNs模型的实际应用。一种方法是数据增强,然而,所有的增强方法都没有使用未标记数据,放大后的数据只能看作是对已有标记数据的插值。这使得该模型在未知的测试图像上表现不佳。

     

    不依赖于弱注释,半辅助学习(semi-supervised learning (SSL) )能够利用可用的未标记图像的鉴别特征,从而提高模型泛化性能,并使使用小标记数据集训练模型成为可能。

     

    为了解决上述提到的问题,我们提出一个用于VHR遥感影像的先进的半监督的变化检测网络SemiCDNet。

    首先使用Unet++模型产生最初的变化结果(CMs),为了有效利用多层次特征,还为Unet++引入了Attention机制,产生VHR图像更精细的变化结果。其次,为了挖掘未标记数据的潜力,采用了两个判别器,增强了标记数据与未标记数据之间CMs和熵图的特征分布一致性,从而提高最终CD结果。

    本文的贡献有以下两方面:

    1. 针对半监督CD任务,提出了一种新的端到端SemiCDNet。为了提高分割性能,在UNet++网络中嵌入了一个轻量级注意模块。为了充分发挥未标记数据的潜力,通过结合分割对抗损失和熵对抗损失,部署一个生成对抗网络(GAN)。
    2. 利用VHR卫星图像构建具有挑战性的数据集,已公开。

    https://github.com/daifeng2016/Change-Detection-Dataset-for-High-Resolution-Satellite-Imagery

    BACKGROUND AND RELATED WORK

    1. Semantic Segmentation (省去)
    2. Semisupervised Learning(SSL)

    一个数据集D被分为labeled 数据集,包含M个有标注的数据,和unlabeled 数据集,包含N个无标注的数据,通常N>M。设神经网络为F,它的网络参数为,它要学习解决的优化问题为:

     

    第一项是通过有标注的数据计算的监督损失。第二项是用无标注的数据计算的半监督损失。注意,半监督损失可以看作一个正则项,从而引入无监督正则化效果,提高模型泛化能力。

    SSL方法已在语义分割领域取得了一定的成功。Hung et al. [56]提出一个基于GAN的半监督语义分割方法

    通过将对抗性损失与交叉熵损失相结合,可以提高语义分割的准确率。通过发现预测结果的高可信度区域来利用未标记的图像,从而增强分割模型。

    Mondal et al. [58]提出使用Cyclegan进行半监督语义分割。利用循环一致性来学习未配对图像与分割任务之间的双向映射,作为一种无监督的正则化,提高了分割性能。

    [56] W.-C. Hung, Y.-H. Tsai, Y.-T. Liou, Y.-Y. Lin, and M.-H. Yang, “Adversarial learning for semi-supervised semantic segmentation,” 2018, arXiv:1802.07934. [Online]. Available: http://arxiv.org/abs/1802.07934

    [58] A. K. Mondal, A. Agarwal, J. Dolz, and C. Desrosiers, “Revisiting CycleGAN for semi-supervised segmentation,” 2019, arXiv:1908.11569. [Online]. Available: http://arxiv.org/abs/1908.11569

    PROPOSED SemiCDNet

    A. SemiCDNet Architecture

    SemiCDNet‘s architecture

     

    包含两个判别器,一个生成器。

    在G和Ds的竞争训练中,无标记的数据的预测结果yˆu的特征分布会逐渐与ground truth yl相似,因此可以改善无标记数据的预测结果。另外,在无标记数据上的预测有很大的不确定性。为了抑制这种不确定性,我们引入了第二个判别器De,进行entropy对抗学习。目标是通过对齐特征分布,促使entropy map eu和el相似。

    G:label data 二值交叉熵损失;和两个D网的对抗损失。

    D:segmentation adversarial loss LDs and entropy adversarial loss LDe

    分割网络G和Ds,De交替训练。

    B. Segmentation Network

    Unet ++具有嵌套的密集跳跃连接,这极大地促进了多尺度特征的提取和增强,从而减轻了空间信息的退化。

    Unet++的两处局限性:1. 在解码阶段,仅使用直接级联来组合高级和低级功能。高层特征和低层特征存在语义鸿沟,直接融合后的网络会产生一些差异和混淆。2. 并不是所有的组合特征都对网络有用,因此会产生冗余信息。

    因此,我们采用了一种注意机制来重新加权特征并有效地整合它们。

    编码阶段,5个卷积单元,进行5次下采样,提取多尺度特征。解码阶段,采用密集跳跃连接,注意力单元被加到每一次拼接操作后面,这样可以有效地结合不同的特征。最后sigmoid层产生最后的分割图。

    为了避免梯度消失问题,卷积单元还采用了残差策略。

    Attention模块,为了捕捉不同的线索,从而产生更精细的通道注意力,采用平均池和最大池两种方法,沿行和列维度聚合空间信息。

    C. Discriminator Network

    D网包括一个编码模块,一个全局平均池化层,一个全连接层,一个sigmoid层。

    D. Loss Functions

    G网通过三种损失训练:weighted binary cross-entropy loss,  segmentation adversarial loss, and entropy,adversarial loss.

    1. weighted binary cross-entropy loss (yl_true,yl_predict)

    为了克服CD中变化像素和不变像素之间的样本偏差问题,采用简单的加权二值交叉熵损失。这是一种标准的监督的像素级的分割损失,仅对标记数据产生其分割预测,可以表示为:

    β:未变化像素的权重,1-β变化像素的权重

    2.  segmentation adversarial loss

    Ds用于判断分割图是来自无标记的样本的预测,还是来自有标注的groundtruth。促使生成器G预测的G(xu)的特征分布与有标注样本的groundtruth yl特征分布对齐。受CGAN的启发,输入图像和标签图像的堆叠后送入Ds。因此,分割对抗损失被计算为:

    ⊕是拼接操作,LD是二值交叉熵损失。其中G网使用以下对抗损失进行优化:

    3. Entropy Adversarial Loss

    一般情况下,生成器G倾向于对标记数据进行低熵高确定性的预测,而对未标记数据进行的预测具有高熵低确定性。因此可以对无标记数据进行低熵值的约束。本文采用香农熵来计算熵图,熵图(Entropy map)定义为:

    •表示点积的操作。De来判断熵图是来自有标记数据还是无标记,可以对齐E(xu) 和E(xl )之间的特征分布,还可以抑制无标记数据熵图的高不确定性。De输入也是将熵图和它对应的图片堆叠在一起。

    G网的优化:

    G网总共通过三个损失函数进行优化:

    训练过程:G和D(Ds,De)交替训练。

    IV. EXPERIMENTAL RESULTS AND DISCUSSION

    1. Descriptions of Data Sets

    为了验证提出的方法,两个变化检测集在实验中被使用:WHU building data

    Set和Google data set,都包含了大量的成对的VHR影响用于CD任务。

    1. WHU Building Data Set

    数据集包含了两对分别拍摄于2012,2016年的新西兰的克赖斯特彻奇的同样区域。每张图片大小32 507×15 345,0.075 m的分辨率,主要的变化是建筑物:如下图所示。由于GPU内存的限制,将图像对裁剪成至少包含有一小部分改变像素的256×256个不重叠的图像块,生成1922对图像。然后通过随机抽样生成训练数据集和测试数据集。为了避免过拟合,我们通过随机变换和缩放,90◦旋转,180和270,水平和垂直翻转来扩大训练数据。

     

    2) Google Data Set

    这些图像采集于2006年至2019年期间,覆盖了中国广州市的郊区,在过去十年城市化进展很迅速。

    通过Google Earth 的BIGEMAP软件,收集了19对季节变化的VHR图像,分辨率为0.55m。图像大小范围从1006×1168 到 4936×5224 pixels。图像里包含了许多变化,由于VHR图像的复杂性,不可能标记全部种类。只标记了建筑物,代表了城市化引起的主要变化。

    使用ArcGIS 和 eCognition两个软件进行人工标记。前者是通过仔细的视觉解读来检测建筑的变化,后者是通过基于对象的分析来标记变化。(??)

    训练过程也是切成了至少包含有一小部分改变像素的256×256个不重叠的图像块。生成了1067对图像,后面也采取了数据增强。

    相比与WHU数据集,我们的数据集更有挑战性:1) 大型建筑形状和尺寸变化,建筑更加复杂和多样化,从大型工业和住宅到小型移动式住宅;2)高层建筑透视投影引起的大位移。

    B. Training Details (省去)

    C. Comparative Methods and Evaluation Metrics

    Metric-评价指标:F1-score (F1), overall accuracy (OA) and Kappa coefficient (Kappa)

    (1) WHU DATASET

     

    其他方法存在漏检,和误警。SemiCDNet的检测结果与GT更一致。比如和Baseline UNet++_att相比,SemiCDNet减少了漏检情况,如漏掉的建筑物或孔洞。

    性能提升原因:

    1. 通过增强分割图和熵映射的分布一致性约束,充分利用了未标记信息,提高了检测真实变化和抑制不确定变化的能力。
    2. 通过生成器和判别器的竞争训练,提升了生成器的泛化能力和鲁棒性。

    (2) Change Dataset(Google data)

    不同方法在不同数据集上花费的时间对比:

    提出的方法加不加注意力机制,F1,KAPPA对比。

    E. Discussion

    (1)注意力机制的有效性

    计算不同层次的特征图权重,从而突出有用的特征并抑制冗余信息。

    (2)对抗损失的有效性

    消融实验:

    加不加Ds,De对结果F1的影响。

    这证实了利用未标记信息来规范生成模型的重要性。

    (3)Direct Entropy Minimization Versus Entropy Adversarial Learning

    直接的熵最小化与熵对抗学习

           包括1) direct entropy minimization (DEM) and 2) entropy adversarial learning (EAL).

    DEM在计算熵损失时独立地处理每个像素,从而忽略了局部结构信息。相反,在EAL中,通过增强未标记和标记熵映射之间的特征分布一致性,较好地考虑了局部结构一致性,间接地最小化了熵。

    (4)FCN Discriminator Versus FC Discriminator:

    FCN鉴别器比FC鉴别器在输出空间产生更多的信息。鉴别器的不合理引导,会导致生成器的性能下降。

    V. CONCLUSION

    提出SemiCDNet变化检测网络包括一个生成器和两个判别器(分割判别,熵图判别),一个用于鼓励分割输出特征分布的一致性,另一个用于抑制未标记样本变化映射的不确定区域。

    只需要较少的labeled data (10%,20%),加上判别器可以探索无标记数据的潜能。

    生成器是加了注意力机制的UNet++

    通过对抗训练,生成器逐渐从标记和无标记样本中学习到信息,从而产生更精细的变化图。

     

    SSL能够引入非监督正则化来改进监督学习,从而使使用有限数量的标记数据训练模型成为可能。由于SSL在利用未标记信息方面的强大能力,它在解决CD问题方面引起了越来越多的关注。

     

     

     

    展开全文
  • 遥感影像变化检测技术用于检测同一地点在一段时间内所发生的变化情况,具有重要的应用价值,而基于合成孔径雷达(synthetic aperture radar,SAR)影像的变化检测由于其传感器具有不受时间段、天气情况等条件的影响的...

    遥感影像变化检测技术用于检测同一地点在一段时间内所发生的变化情况,具有重要的应用价值,而基于合成孔径雷达(synthetic aperture radar,SAR)影像的变化检测由于其传感器具有不受时间段、天气情况等条件的影响的优良特性,在今年内受到了广泛的关注。
    由于变化检测技术可以检测出遥感影像的局部纹理变化以及辐射值,在资源和环境监测方面,可以监测出土地利用率以及土地覆盖状况、森林以及植被的覆盖率、城市扩张状况等。
    SAR利用脉冲压缩技术和合成孔径原理,使得距离向分辨率和方位分辨率分别加以提高,进而获得大面积的高分辨率的遥感影像。由于SAR传感器的成像原理特殊,因此可以全天时全天候拍摄,对地表的穿透能力强,对地理纹理特征及金属目标探测能力强,同时具有多波段多极化的散射特征。
    SAR影像变化检测的基本算法
    比值算子、对数比算子、均值比算子
    早期的差异图生成算法主要采用最简单的差值差异法,即直接将2副SAR图像相减。但是SAR在成像机制上与光学影像有较大的差异,许多研究人员已经证实其固有的相干斑噪声的模型为乘性随机噪声,差值法无法有效抑制相干斑噪声,所以常规变化检测方法直接应用到SAR影像上并不能取得很好的效果。
    近些年热点算法
    差异图生成热点算法、阈值法分析差异图热点算法、聚类法分析差异图热点算法、图切法分析差异图热点算法、水平集法分析差异图热点算法
    :文章选自《合成孔径雷达影像变化检测研究进展》公茂果等

    展开全文
  • 提出了一种基于核函数度量相似性的遥感影像变化检测算法。该算法通过比较两个时相特征向量的概率密度进行变化判别,将概率密度的比较转化成核函数的形式,利用核函数的相似度量功能进行变化判别,通过指定的核函数...
  • 通过分析面向对象高分辨率影像变化检测面临的问题,从影像对象多特征选择与利用入手来提高其变化检测的性能。提出了一种面向对象的非监督特征优选的变化检测方法,首先利用面向对象的分割方法对原始影像进行分割得到...
  • 针对大面积区域的多时相遥感影像变化检测的需求,提出了一种基于最小噪声分离(MNF)的Canny边缘检测提取影像变化信息的检测方法。对多时相影像采用多种变换组合成具有多维波段信息的影像,采用最小噪声分离法分离...
  • 基于遥感影像的地物变化检测一直是土地利用、资源普查等方面的研究热点与重点。本文基于Landsat TM影像,以某地区两期不同地区的影像为研究区域,基于主成分变换设计了一种有效的快速变化检测方法。首先,本文提取...
  • 提出了一种基于快速EM(expectation maximization)算法和模糊融合的多波段遥感影像无监督变化检测方法.该方法首先对各波段差异影像采用基于直方图分析的快速EM迭代算法获取变化分类阈值和变化信息,随后对各波段的变化...
  • 行业分类-物理装置-基于密集连接和几何结构约束的遥感影像变化检测方法.zip
  • ENVI实验教程(7)实验七、遥感影像变化检测

    千次阅读 多人点赞 2019-11-27 17:36:24
    熟悉遥感影像变化检测的主要方法 熟练ENVI遥感影像变化检测流程和主要步骤 掌握ENVI 常用变化检测工具 二、实验基本要求 认真阅读和掌握本实验的程序。 上机操作本模块的运行和应用。 保存与记录实验结果,并进行...

    一、实验目的

    1. 熟悉遥感影像变化检测的主要方法
    2. 熟练ENVI遥感影像变化检测流程和主要步骤
    3. 掌握ENVI 常用变化检测工具

    二、实验基本要求

    1. 认真阅读和掌握本实验的程序。
    2. 上机操作本模块的运行和应用。
    3. 保存与记录实验结果,并进行分析总结。
    4. 实验报告中要求有清晰的步骤及相应结果(图或表等)。

    三、实验时间和地点

    1. 地点:
    2. 时间:

    四、实验条件

    1. 硬件:PC电脑(Windows 10操作系统)
    2. 软件:ENVI 5.1
    3. 参考资料:《ENVI遥感图像处理方法》第12章
    4. 使用数据:…\第12章 遥感动态监测

    五、实验内容

    1. 图像直接比较法
    2. 分类后比较法
    3. 流程化动态监测工具

    六、注意事项

    1、直接比较法中变化阈值的确定(自动阈值选择法与感兴趣统计分析法)
    2、变化检测前的预处理操作(影像匹配和辐射校正)

    七、实验主要步骤

    1.图像直接比较法
    (1) 将两时相影像同时打开,july_00_quac.img和july_06_quac.img。
    (2) 在Toolbox中,单击/Change Detection/Change Detection Difference Map,分别选择前一时相影像july_00_quac.img一个波段,这里选择第四波段,选择后一时相影像july_06_quac.img的一个波段,这里选择第四波段。
    (3) 在Compute Difference Map Input Parameters面板中。
    (4) 选择一个路径输出。
    (5) 结果查看和统计。显示结果,在ToolBox中,打开/Classification/Post Classification/Class Statistics,统计各个变化。

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    在这里插入图片描述

    2.分类后比较法
    (1) 打开两个时相的分类结果图ag_08_maxlike.img和ag_09_maxlike.img。
    (2) 在Toolbox中,打开/Change Detection/Change Detection Statistics,选择ag_08_maxlike.img作为前时相分类图(Initial State),ag_09_maxlike.img作为后时相分类图(Final State)。
    (3) 在Define Equivalent Class面板中,如果两个时相的分类图命名规则一致,则会自动将两时相上的类别关联;否则需要在Initial State Class和Final State Class列表中手动选择相对应的类别,点击Ok按钮。
    (4) 在结果输出面板中,选择统计类型:像素(Pixels)、百分比(Percent)和面积(Area),选择路径输出结果。
    (5) 结果以二维表格和图像形式展现

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    在这里插入图片描述

    在这里插入图片描述
    3 流程化动态监测工具
    3.1 Image Change Workflow直接比较法工具
    第一步、启动Image Change Workflow
    第二步、变化信息检测
    第三步、变化信息提取
    第四步、输出变化信息
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    3.2Thematic Change Workflow分类后比较法工具
    (1) 打开ag_08_maxlike.img和ag_09_maxlike.img。
    (2) 在Toolbox中,打开/Change Detection/Thematic Change Workflow,在Thematic Change 面板中,分别为Time1 Classicfication Image File选择ag_08_maxlike.img和Time2 Classicfication Image File选择ag_09_maxlike.img,
    (3) 选择Input Mask选项,在The Thematic Change Mask 对话框中,选择mask.shp文件作为掩膜文件,单击Next按钮。
    (4) 在Thematic Change对话框中,只选择"Only Include Areas That Have Changed",只获得变化的区域。选择Preview选项,可以预览结果。单击Next按钮。
    (5) 在Smoothing和Aggregation中设置合适的值去除噪声和合并小斑块,在这里按照默认,平滑核为3,最小聚类值为9,单击Next按钮进入下一步。
    (6) 在Thematic Change Export对话框中,分别将结果以图像和矢量格式输出,还可以输出变化统计文件。

    在这里插入图片描述
    在这里插入图片描述

    在这里插入图片描述

    在这里插入图片描述

    八、实验具体要求
    1、图像直接比较法(使用july_00_quac.img和july_06_quac.img数据)
    2、分类后比较法(使用ag_08_maxlike.img和ag_09_maxlike.img数据)
    3、Thematic Change Workflow工具(ag_08_maxlike.img和ag_09_maxlike.img)
    (详细过程见第七步)
    九、实验分析总结
    对同一区域,应用多时相遥感影像变化检测是遥感应用领域的一个热点问题,本次实验是对以前所学遥感影像分类知识的巩固和提升, 从提取出的变化的范围, 可以看出,图中的数据也在一定程度上反映了社会经济的发展程度,我学习到了很多以前没有接触过的知识,在实验的过程中遇到了比较多的问题,感谢老师的细心指导。

    展开全文
  • 本文研究了联合SAR影像强度与相干信息的多阈值融合变化检测技术。针对SAR影像强度和相干信息各自统计分布特点,首先通过选定合适的统计分布模型分别对强度和相干信息进行统计分布拟合,并以Jeffrey距离为差异度量获取...
  • 行业分类-物理装置-一种基于跨层连接卷积神经网络的遥感影像变化检测方法.zip
  • 本文是论文《SemiCDNet: A Semisupervised Convolutional Neural Network for Change Detection in High Resolution Remote-Sensing Images...提出的VHR遥感影像变化检测数据集: password:8quw 项目github: (提供数据

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 9,445
精华内容 3,778
关键字:

影像变化检测