RCVA 算法原理如下:基于影像 1 中的某个像元 x1(j,k)x1(j,k),在影像
2(j±ω,k±ω)(j±ω,k±ω)范围内求与 x1x1 亮度值差异最小的像元 x2x2,此时认为 x2x2 为
x1x1 的同名像点,并求取差值 xdifferent_axdifferent_a,表示通过亮度值求得的影像 1 中
(j,k)(j,k)点的变化强度值。同样,基于影像 2 求对应影像 1 中的同名像点,并求取差值
xdifferent_bxdifferent_b,表示通过亮度值求得的影像 2 中(j,k)(j,k)点的变化强度值,以
xdifferent_axdifferent_a 和 xdifferent_bxdifferent_b 较小者作为该点变化强度。
遍历影像,可得到所有像元的光谱变化强度值,进而得到考虑邻域信息的光谱变化强
度图。
1.2 纹理变化特征提取
纹理特征是反映图像中同质的一种视觉特征,它体现了物体表面的结构组织排列属
性,对于反映物体的表层特征变化具有重要利用价值。GLCM 是提取纹理的一种经典方
法,也是目前普遍使用且提取效果较好的纹理特征分析法
[16]
。已有的研究定义了 14 种标
量来进行纹理分析,其中最常用的有均值、方差、协同性、对比度、熵等 8 种。以方差为
标量研究纹理特征时,最能反应不同地物间的差异
[17-18]
。
得到两幅影像的方差特征值后,即可通过差值计算得到纹理变化强度图。
1.3 结合领域知识的训练样本优化
根据光谱变化和纹理变化强度图,通过设置不同阈值提取样本,可对样本进行不同程
度的划分。为保证样本的充分性,最大限度地选择到具有代表性的变化地物和未变化地物
样本,通过自定义阈值取并集的方式,分析得出合理的阈值组合,并选择该阈值组合下的
标记样本作为待优化样本。
阈值组合的选取如下:以光谱变化和纹理变化强度图为基准,在最小强度值和最大强
度值闭区间内,从小到大逐个设置阈值对样本进行标记;以参考变化结果为依据,对所有
阈值下的样本标记结果进行统计,计算其准确率;计算相邻阈值间的准确率增幅,由于准
确率反映了正负样本标记的正确程度,因此在准确率增幅趋于稳定前的节点处即可选定较
为合理的阈值;以相同的方法分别获得 RCVA 和 GLCM 下的合理阈值,即组成阈值组
合。通过变化强度区间逐个分析得到合理阈值的方式,对阈值的分析较细致,同样能够运
用于其他情景下的阈值分析。
高分辨率遥感影像中异常光谱值多,同时,由于影像获取时间和获取条件的不同,植
被季节性返青和建筑物阴影区等因素影响,造成了伪变化样本的大量出现。
1)形状特征知识。本文结合领域知识,引入面积(S)和形状复杂度(C)两种形状
特征指数作为过滤离散伪变化样本的优化策略。优化策略定义为:(1)S≥SminS≥Smin,
即所有变化样本组成的图斑,其面积均应大于等于最小定义图斑面积,若不满足,则将其
归并为未变化样本;(2)(C=P/s)≤CminC=P/s≤Cmin,PP 为待检测图斑周长,ss 为其
面积,当满足条件 Smax≥s≥SminSmax≥s≥Smin 时,CC 值越大说明图斑越复杂,是离散
评论0
最新资源