【摘要】：基于面向?qū)ο蠓治?OBIA)的遙感影像變化檢測研究已取得顯著的進展,代表了遙感影像變化檢測的發(fā)展范式,未來是發(fā)展更加智能的解譯分析方法。隨機森林作為一種新的機器學(xué)習(xí)算法,其預(yù)測效果和性能穩(wěn)定性要優(yōu)于許多單預(yù)測器和集成預(yù)測方法。本文充分利用OBIA及隨機森林機器學(xué)習(xí)算法的優(yōu)勢,提出了利用隨機森林進行面向?qū)ο蟮倪b感影像變化檢測。首先基于熵率對影像進行超像素分割,通過最優(yōu)超像素個數(shù)評價指數(shù)來獲取最佳的影像分割結(jié)果,并提取每個超像素在前、后時相影像上的光譜特征和Gabor特征作為隨機森林的特征輸入數(shù)據(jù),用于模型的訓(xùn)練。在初始像素級檢測結(jié)果之上,自動進行分類樣本選擇并構(gòu)建分類器模型,用訓(xùn)練好的模型來提取最終的變化區(qū)域。利用Quickbird、IKONOS、SPOT-5等3組多光譜影像進行試驗,結(jié)果表明,本文方法在變化檢測精度上要優(yōu)于對比方法。
[Abstract]:The research of remote sensing image change detection based on object oriented analysis (OBIA) has made remarkable progress, which represents the development paradigm of remote sensing image change detection, and will be a more intelligent interpretation and analysis method in the future. As a new machine learning algorithm, stochastic forest has better prediction effect and performance stability than many single predictors and integrated prediction methods. Based on the advantages of OBIA and stochastic forest machine learning algorithm, an object oriented remote sensing image change detection based on stochastic forest is proposed in this paper. Firstly, the image is segmented based on entropy rate, and the best image segmentation results are obtained by evaluating the optimal number of super-pixels, and each super-pixel is extracted before the image segmentation. Spectral features and Gabor features in post-temporal images are used as input data for model training. Based on the initial pixel level detection results, the classifier model is automatically selected and the trained model is used to extract the final change region. Three groups of multispectral images, such as Quickbird,IKONOS,SPOT-5, are used for experiments. The results show that the proposed method is superior to the contrast method in the accuracy of change detection.
【作者單位】： 武漢大學(xué)測繪遙感信息工程國家重點實驗室;長江大學(xué)電子信息學(xué)院;隆德大學(xué)自然地理和生態(tài)系統(tǒng)科學(xué)系;
【基金】：國家重點研發(fā)計劃(2016YFB0502603) 測繪遙感信息工程國家重點實驗室開放基金(16E01) 國家自然科學(xué)基金(41471354)~~
【分類號】：TP751

【相似文獻】

相關(guān)期刊論文 前10條

1 胡巖峰,劉波,李峰,李立鋼,丘江;一種基于統(tǒng)計分析的圖像變化檢測方法[J];光子學(xué)報;2005年01期

2 宋翠玉;李培軍;楊鋒杰;;運用多尺度圖像紋理進行城市擴展變化檢測[J];國土資源遙感;2006年03期

3 徐宏根;宋妍;;顧及陰影信息的高分辨率遙感圖像變化檢測方法[J];國土資源遙感;2013年04期

4 倪林,冷洪超;機場區(qū)域變化檢測研究[J];遙感技術(shù)與應(yīng)用;2002年04期

5 李小春,陳鯨;一種變化檢測的新算法[J];宇航學(xué)報;2005年03期

6 唐德可,付琨,王宏琦;基于光譜和空域信息的城區(qū)變化檢測方法研究[J];測繪科學(xué);2005年06期

7 鐘家強;王潤生;;一種基于線特征的道路網(wǎng)變化檢測算法[J];遙感學(xué)報;2007年01期

8 吳華;常艷玲;沙瑞;;基于Laplacian Eigenmap的圖像變化檢測虛警優(yōu)化技術(shù)[J];計算機工程與應(yīng)用;2007年32期

9 霍春雷;程健;盧漢清;周志鑫;;基于多尺度融合的對象級變化檢測新方法[J];自動化學(xué)報;2008年03期

10 李雪;舒寧;王琰;;利用向量相似性進行基于像斑的土地利用變化檢測[J];遙感信息;2009年06期

相關(guān)會議論文 前10條

1 邢帥;徐青;;高分辨率衛(wèi)星遙感影像變化檢測技術(shù)的研究[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2006年

2 張鐵軍;;年度土地利用變更調(diào)查中遙感監(jiān)測圖斑提取方法淺析[A];福建省土地學(xué)會2012年年會論文集[C];2012年

3 劉志剛;李夕海;錢昌松;;遙感圖像變化檢測問題淺析[A];陜西地球物理文集（五）國家安全與軍事地球物理研究[C];2005年

4 劉翔;李萬茂;高連如;陶發(fā)達;倪金生;;基于遙感圖像變化檢測的投資項目搜索技術(shù)研究[A];中國遙感應(yīng)用協(xié)會2010年會暨區(qū)域遙感發(fā)展與產(chǎn)業(yè)高層論壇論文集[C];2010年

5 盛輝;廖明生;張路;;基于遙感衛(wèi)星圖像的城市擴展研究——以東營市為例[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2005年

6 歐陽峗;馬建文;戴芹;;動態(tài)貝葉斯網(wǎng)絡(luò)在遙感變化檢測中的應(yīng)用[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2005年

7 顧娟;張宏偉;;面向?qū)ο蟮木用竦胤诸愄崛『妥兓瘷z測方法[A];中國地理信息系統(tǒng)協(xié)會第四次會員代表大會暨第十一屆年會論文集[C];2007年

8 李杰;任競穎;;一種基于小波變換的SAR圖像多尺度融合變化檢測方法[A];2009年全國開放式分布與并行計算機學(xué)術(shù)會議論文集(上冊)[C];2009年

9 李全;李霖;;基于LANDSAT TM影像的城市變化檢測研究[A];中國地理學(xué)會2004年學(xué)術(shù)年會暨海峽兩岸地理學(xué)術(shù)研討會論文摘要集[C];2004年

10 王雪蓮;王仁禮;;基于K-L變換的遙感圖像變化檢測方法研究[A];第十三屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2001年

相關(guān)博士學(xué)位論文 前10條

1 郝明;基于空間信息準(zhǔn)確性增強的遙感影像變化檢測方法研究[D];中國礦業(yè)大學(xué);2015年

2 王凌霞;基于多尺度分析和自然進化優(yōu)化的遙感圖像配準(zhǔn)與變化檢測[D];西安電子科技大學(xué);2015年

3 雷震;隨機森林及其在遙感影像處理中應(yīng)用研究[D];上海交通大學(xué);2012年

4 李向軍;遙感土地利用變化檢測方法探討[D];中國科學(xué)院研究生院（遙感應(yīng)用研究所）;2006年

5 鄧小煉;基于變化矢量分析的土地利用變化檢測方法研究[D];中國科學(xué)院研究生院（遙感應(yīng)用研究所）;2006年

6 羅旺;遙感圖像的變化檢測與標(biāo)注方法研究[D];電子科技大學(xué);2012年

7 鄧湘金;基于模式識別知識的遙感圖像變化檢測研究[D];中國科學(xué)院研究生院（電子學(xué)研究所）;2003年

8 祝錦霞;高分辨率遙感影像變化檢測的關(guān)鍵技術(shù)研究[D];浙江大學(xué);2011年

9 鐘家強;基于多時相遙感圖像的變化檢測[D];國防科學(xué)技術(shù)大學(xué);2005年

10 張海濤;基于高分影像的滑坡提取關(guān)鍵技術(shù)研究[D];中國地質(zhì)大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 鄭凱航;基于大數(shù)據(jù)技術(shù)的隨機森林模型并行化設(shè)計及實現(xiàn)[D];太原理工大學(xué);2017年

2 姚明煌;隨機森林及其在遙感圖像分類中的應(yīng)用[D];華僑大學(xué);2014年

3 張家琦;遙感影像變化檢測方法及應(yīng)用研究[D];中國地質(zhì)大學(xué)(北京);2015年

4 李玲玲;基于NSCT和NSST的圖像變化檢測算法研究及應(yīng)用[D];新疆大學(xué);2015年

5 胡雪梅;基于MST的遙感圖像變化檢測研究[D];新疆大學(xué);2015年

6 施曉良;遙感圖像變化檢測方法研究[D];華東師范大學(xué);2016年

7 張一晨;基于NSCT域內(nèi)圖像融合與去噪算法的SAR遙感圖像變化檢測算法[D];新疆大學(xué);2016年

8 翟建峰;基于分層結(jié)構(gòu)的遙感影像變化檢測方法研究[D];西安電子科技大學(xué);2015年

9 趙娟娟;多光譜遙感圖像變化檢測的聚類算法研究[D];西安電子科技大學(xué);2015年

10 楚巖;基于深度神經(jīng)網(wǎng)絡(luò)的遙感圖像變化檢測[D];南京理工大學(xué);2017年

，

本文編號：2209997