發(fā)布時間：2021-07-21 22:48

　　提出一種基于頻域顯著性（FDS）方法和極限學習機（ELM）方法進行遙感影像變化檢測的方法.首先,對利用變化矢量分析方法（CVA）獲取不同時相遙感影像的光譜特征差異圖及紋理特征（灰度共生矩陣法）差異圖進行融合獲得差異影像（DI）;然后,利用頻域顯著性方法獲取差異影像的顯著性圖,采用模糊c均值（FCM）聚類算法對顯著性圖選取閾值得到的粗變化檢測圖進行預分類（變化像素、未變化像素、待定像素）;最后,從光譜及紋理特征影像上提取變化像素和未變化像素的鄰域特征作為可靠樣本進行ELM訓練,并利用訓練好的ELM分類器對粗變化檢測圖進行變化檢測,得到最終的變化檢測圖.通過對高分辨率遙感影像數據實驗結果表明本方法的變化檢測精度及性能優(yōu)于其他對比方法. 

【文章來源】：華中科技大學學報(自然科學版). 2020,48(05)北大核心EICSCD

【文章頁數】：6 頁

【部分圖文】：

實驗影像數據集

通過本研究方法獲得三組影像數據集的DI．通過SSIM計算，Quick bird和SPOT5數據集分別選取同質性、同質性獲得的GLCM紋理特征．為了證明本研究構造DI的優(yōu)越性，與CVA直接獲得兩時像的DI作比較，實驗結果如圖2所示．通過圖2可以看到：CVA方法獲得的DI凸顯變化區(qū)域的效果不明顯，并且部分變化區(qū)域沒有凸顯．而本研究方法構造的DI不僅使變化區(qū)域較未變化區(qū)域更凸顯，而且可以凸顯CVA方法沒有凸顯的變化區(qū)域(圖2中橙色矩形區(qū)域)．通過上述實驗可以看到：本研究方法在選擇影像特征較少的情況下，可以有效凸顯變化區(qū)域，從而避免數據冗余，影響后續(xù)的分類精度．

通過圖3可以看到：DI顯著性圖中的顯著區(qū)域的形狀和位置與DI相似，而DI顯著性圖通過閾值獲得粗變化檢測圖基本包含參考變化影像中的變化區(qū)域．通過這種方式不僅可以縮小選取訓練樣本的空間，而且能更準確地提取可靠訓練樣本，還可以避免非顯著性區(qū)域對后續(xù)分類方法的影響．2.3 最終變化檢測圖


本文編號：3295913