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-CSDN文库

版权申诉

59 浏览量 2022-11-30 09:28:07 上传评论收藏 426KB DOCX 举报

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

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

表示光谱特征核函数; k

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

和 u

表示不同特征的合成权重, 其中, u

=1-u

。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

评论收藏

内容反馈

版权申诉

罗伯特之技术屋

粉丝: 3588
资源: 1万+

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

一种高分辨率遥感影像建筑物自动检测方法.docx

ADLinkNet：一种高分辨率遥感影像建筑物自动提取网络.docx

一种基于Cascade R-CNN的遥感影像建筑物自动检测方法.docx

一种高效的高分辨率遥感影像飞机目标检测方法.docx

高分辨率遥感卫星影像图购买参数介绍.docx

全连接条件随机场高分辨率遥感影像面状地物交互提取.docx

一种基于矢量边界提取的遥感影像无效像元剔除算法.docx

基于随机森林的遥感影像雪冰云信息检测方法.docx

基于FlowS-Unet的遥感图像建筑物变化检测.docx

改进Wallis模型的高分辨率遥感影像阴影自动补偿方法.docx

全局关系注意力引导场景约束的高分辨率遥感影像目标检测.docx

一种顾及多特征的建筑物变化检测方法.docx

课程设计-磁盘调度算法.docx

一种高分辨率遥感影像道路提取方法.docx

异源遥感影像特征匹配的深度学习算法.docx

基于不变特征的多源遥感图像舰船目标检测算法.docx

顾及空间信息与全卷积神经网络的高分辨率遥感影像分类方法.docx

一种基于矢量数据的遥感影像变化检测方法.docx

图像处理之霍夫变换圆检测算法.docx

相关实用应用程序（Windows可用）

免费可用的ChatGPT网页版.zip

ChatGPT使用总结：150个ChatGPT提示词模板（完整版）

chromedriver-win64.zip

全国计算机二级WPSoffice精选350道选择题题库（含答案）.pdf

哈尔滨工业大学-ChatGPT调研报告-2023.3.6-94页.pdf

农村公交与异构无人机协同配送优化

李飞飞自传 我看见的世界 The World I see

4个亲测好用的ChatGPT4渠道

2023泛娱乐社交出海手册-ZEGO即构科技

最新资源

李飞飞自传我看见的世界 The World I see