針對現(xiàn)有機器學習方法在高分辨率遙感影像建筑物識別等領域需要正負訓練樣本同時參與,提出了一種基于一類樣本、無需負樣本參與的單分類建筑物變化檢測算法。首先,提取影像的形態(tài)學建筑物指數(shù)特征;然后與光譜特征進行多特征融合,并基于該單類分類方法,從面向對象的角度出發(fā),得到對象級建筑物變化檢測結果;最后利用構建的一種新的形狀特征進行精化,得到最終的建筑物變化檢測結果。通過對多源高分辨率遙感影像開展實驗,驗證了該算法具有一定的魯棒性,且相比于現(xiàn)有建筑物變化檢測算法具有更優(yōu)的檢測精度。 

【文章來源】：武漢大學學報(信息科學版). 2020,45(10)北大核心EICSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

建筑物變化檢測實驗流程

Quick Bird實驗影像

圖2 Quick Bird實驗影像圖3中白色區(qū)域為變化建筑物檢測結果，從實驗結果來看，本文算法取得了相對較優(yōu)的視覺效果。為了更加準確地顯示不同算法的實驗效果，本文對圖2中矩形小區(qū)域進行了局部放大顯示，如圖4所示。

【參考文獻】：
期刊論文
[1]利用高分辨率光學遙感圖像檢測震害損毀建筑物[J]. 葉昕,秦其明,王俊,鄭小坡,王建華.  武漢大學學報(信息科學版). 2019(01)
[2]一種新的遙感影像變化檢測方法[J]. 賈永紅,謝志偉,呂臻,祝夢花,劉美娟.  武漢大學學報(信息科學版). 2016(08)
[3]結合機載LiDAR數(shù)據(jù)與航空可見光影像多層次規(guī)則分類建筑物變化檢測[J]. 鞏翼龍,閆利.  光譜學與光譜分析. 2015(05)
[4]結合LiDAR點云和航空影像的建筑物三維變化檢測[J]. 彭代鋒,張永軍,熊小東.  武漢大學學報(信息科學版). 2015(04)
[5]一種運用紋理和光譜特征消除投影差影響的建筑物變化檢測方法[J]. 袁修孝,宋妍.  武漢大學學報(信息科學版). 2007(06)



本文編號：3133337