没有合适的资源?快使用搜索试试~ 我知道了~
单类分类框架下的高分辨率遥感影像建筑物变化检测算法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 59 浏览量
2022-11-30
09:28:07
上传
评论
收藏 426KB DOCX 举报
温馨提示
试读
13页
单类分类框架下的高分辨率遥感影像建筑物变化检测算法.docx
资源推荐
资源详情
资源评论
建筑物作为城市的基本空间结构组成之一, 其空间变化分布对于城市规划、违规违建
监测等方面具有非常重要的意义
[1]
。传统的建筑物变化检测需要大量的人工实地调查, 费时
费力, 而且难以快速获取大范围建筑物变化。基于高分辨率遥感影像的建筑物变化检测能
够快速识别其准确的大范围空间分布变化, 节省大量人力物力。高分影像上的建筑物呈现
出了独特的边缘、形状、纹理、上下文等特征, 针对这些特征, 学者们分别设计了不同的
算法
[2-4]
, 例如文献[2]采用纹理与光谱特征进行建筑物变化检测, 文献[3]采用建筑物阴影与
建筑物的空间关系进行损毁建筑物提取。但是上述方式仅从浅层的空间特征提取角度出发
来识别建筑物变化情况, 对于复杂的建筑物几何结构或场景则难以达到较好的识别结果。
通过引入其他空间数据, 如 LiDAR 等已有建筑物数据库, 虽然能够有效改善这一问题, 但
是存在成本巨大、数据缺失等问题
[1, 5]
。文献[6]利用形态学变换方法提出了一种简单、高效
的建筑物空间特征--形态学建筑物指数(morphology building index, MBI)进行复杂建筑物识
别; 文献[7]基于 MBI 指数与光谱特征相结合, 通过人工设置阈值的方式来进行快速建筑物
变化检测, 无需样本勾选, 取得了一定的效果。但是该种方式通过单个阈值设定难以准确
描述全局变化情况, 算法从像元的角度出发, 不可避免地存在"椒盐"现象, 且得到的建筑物
变化区域通常需要后续优化, 如通过长宽比、面积等形状特征对非建筑物变化区域进行过
滤
[8]
, 对于复杂形状的地物, 仍然难以有效去除。
近年来, 机器学习方法在高分辨率遥感影像变化检测中的应用较为广泛
[8-10]
, 精度得到
了很大的提升。但通常需要同时标注正负样本, 费时费力。文献[10]利用一种单分类器, 仅
使用一类正样本进行训练预测, 并将其成功应用到 Landsat 8 等分辨率遥感影像土地变化
调查中, 取得了较好的实验结果, 在一定程度上解决了需要正负样本同时参与训练的多类
分类问题, 但是其特征组合方式仍然通过矢量叠加的方式进行, 高维特征有可能产生 Huge
现象, 即随着特征数目的增加, 分类精度反而降低。文献[11]提出一种利用 Kernel 集成的
方式对光谱与空间特征进行有效的融合, 在高分辨率遥感影像分类中得到了成功的应用。
通过对现有基于遥感影像的建筑物变化检测方法进行分析, 可以总结其存在以下问题:①对
多个特征有效顾及存在一定不足; ②基于机器学习的建筑物变化检测需要正负样本同时参
与; ③通常需要利用长宽比等形状特征去除非建筑物区域, 但是对于复杂形状地物难以去
除, 例如环形道路等。
因此, 本文设计了一种正样本单分类框架下的高分辨率影像建筑物变化检测算法, 该
算法具有以下优点:①引入一种新的多特征融合方式, 对光谱特征与形态学建筑物指数特征
进行有效融合, 充分利用了各个特征的优势; ②无需负样本的选定即可利用机器学习方法
进行建筑物变化检测; ③设计了一种新的形状描述算子, 对复杂地物形状描述更为准确, 提
高了建筑物变化检测精度。
1. 单分类框架下的建筑物变化检测
本文的实验流程如图 1 所示, 首先从建筑物的特征挖掘角度出发, 引入一种形态学建
筑物指数进行特征描述, 同时采用联合分割的手段完成地物的对象表达, 值得注意的是, 联
合分割的波段选择是指两期影像叠加, 并同时进行分割, 该种方式可使分割后对象一致; 其
次利用一种正样本单分类器基于核函数集成(下文统称 Kernel 集成)的方式得到变化区域判
定, 并以众数规则的方式完成对象级建筑物变化检测; 最后利用一种新的形状特征对非建
筑物区域进行有效去除, 得到最终变化检测结果。
图 1 建筑物变化检测实验流程
Figure 1. Flowchart of Building Change Detection
下载: 全尺寸图片 幻灯片
1.1 形态学建筑物指数特征提取
为了使变化检测结果更为精确, 首先对两期影像进行严格的几何配准预处理, 处理软
件为 ENVI5.3。高分辨率遥感影像上, 同谱异物、同物异谱现象相对于中低分辨率遥感影
像的变化检测难度更大。针对这一问题, 学者们在特征提取方面开展了大量的研究, 挖掘
空间特征, 改善了仅依靠光谱特征的不足, 如以纹理特征-灰度共生矩阵(gray level co-
occurrence matrix, GLCM)等进行辅助影像分类
[12]
。尽管该类方法取得了一定的效果, 但是
建筑物本身纹理呈现多样性, 难以用一种或者多种纹理算子进行简单的描述。MBI 算子计
算简单, 能够对影像上的建筑物区域进行灰度增强, 增大了建筑物与其他地物的差异性, 在
建筑物识别等方面得到了广泛的应用
[6-7]
。因此本文采用该算子作为建筑物的空间特征描
述。
1.2 单分类框架下建筑物变化信息提取
基于 MBI 特征, 增加了建筑物与其他地物的区分度, 但是同时也包含了部分非建筑物
区域, 因此, 本文考虑融入光谱特征进行改善。文献[13]利用卡方变换算法对多特征进行融
合, 以波段方差来确定权重, 该种方式简单有效, 但是其仍然会对空间信息造成一定的损
失。本文引入 Kernel 集成的方式来对形态学建筑物指数特征与光谱特征进行融合, 能最大
程度地保留特征信息, 同时发挥光谱与 MBI 特征的优势
[11]
。
基于 Kernel 的多特征融合的主要思想是通过核函数的方式对光谱与空间特征进行组
合。核函数的选择为径向基核函数(radial basis function, RBF), 该核函数相比较于线性核
等其他核函数, 对于高维特征不敏感, 其对空间与光谱特征进行组合的表达式为:
k=u1k1+u2k2k=u1k1+u2k2
(1)
式中, k
1
表示光谱特征核函数; k
2
表示形态学建筑物指数特征核函数; k 表示新合成的
核函数; u
1
和 u
2
表示不同特征的合成权重, 其中, u
2
=1-u
1
。由于篇幅所限, 基于 Kernel 集
成的多特征融合算法原理请详见文献[11]。
基于机器学习的建筑物变化检测通常需要人工选取正负样本, 样本比例与数量均会影
响最终的检测结果。本文引入了一种只需正样本的分类器--支持向量数据描述(support
vector data description, SVDD), 即仅需一类样本, 减少了人工干预, 且计算效率更高
[10, 14]
。基于 SVDD 的上述优点, 选取该分类器作为本文的正样本单分类器, 通过人工选取
少量建筑物变化样本, 来完成建筑物变化检测。其中 SVDD 实现采用开源代码 LIBSVM 进
行
[15]
, 核函数选择为 RBF 核函数, 两个重要的参数 C、g 采用 5 倍交叉验证的方式对进行
自动查找
[16]
。
本文的单分类框架下的 Kernel 多特征融合建筑物变化检测具体实现方式如下:
1) 分别提取两期影像的形态学建筑物指数特征和光谱特征;
2) 以变化向量分析的方式分别对两种特征进行单波段合成, 具体合成公式为:
⎧⎩⎨⎪⎪Bands=∑i=1n(∣∣Bai−Bfi∣∣)Bandm=|MBa−MBf|{Bands=∑i=1n(|Bai−Bfi|)Bandm=|MBa−MBf|
(2)
式中, BandsBands 与 BandmBandm 分别表示合成后光谱与形态学建筑物指数特
征; BfiBfi 与 BaiBai 分别表示前后两期影像第 i 个光谱特征; n 表示波段总数; MBfMBf 与
MBaMBa 分别表示前后两期影像的形态学建筑物指数特征。通过式(2), 两期影像分别得到
两个特征波段, 即合成后光谱特征和形态学建筑物指数特征。
3) 在上述两个特征上, 目视选取建筑物变化区域, 基于 SVDD 算法进行训练、预测,
从而得到最终的变化区域判定。值得提出的是, 两种合成的特征波段所选取的变化样本区
域是一致的。
剩余12页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3588
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- python开心麻花影视作品分析程序+源码.zip
- pythonExcel数据分析师程序+源码.zip
- PlatformUI.jar 支持RCP控件环境插件
- 基于BP神经网络的回归分析,基于优化动量因子的BP神经网络,基于优化学习率的BP神经网络,基于优化隐藏层神经元的bp神经网络
- python读取excel数据Python-file-reading-master.zip
- STC15单片机串口2使用程序例子
- 读取日志的excel生成周报 用python3开发weekplan-master.zip
- python 读取excel数据导入dbimport-data-master.zip
- K折交叉验证BP神经网络,多输入多输出BP神经网络(代码完整,数据齐全)
- B07训练原图.zip
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功