基于超像素的CD-BS遥感影像变化检测方法
2021-08-16赵子昕赫佳妮
赵子昕 赫佳妮
(辽宁师范大学地理科学学院,辽宁 大连 116000)
1 概述
基于对象的变化检测方法大致可以分为分类后比较法和直接比较法[1]。在缺少先验知识的情况下,基于对象的遥感影像变化检测方法获得的标记样本质量不高,结果精确度较低[2]。
2 一种新的距离度量方法
2.3 对集合LOS中每个像素进行加权平均,按式1)计算:
用所得的值XuOM替换LOS中对应位置像素,得到新的集合
3 实验结果及分析
3.1 实验数据
第一组遥感影像使用Landsat-7ETM+多光谱影像,分别在2001年7月30日和2006年6月26日获取于巴西地区,图1。第二组遥感影像使用Landsat-5 TM多光谱影像,分别在2000年7月15日和2006年7月16日获取于巴西地区,图2。
图1 dataset 1遥感影像及参考变化图
图2 dataset 2遥感影像及参考变化图
3.2 实验结果及分析
我们将本文的方法与三个竞争性的PCA-Kmeans[3]方法,CWNN[4]方法和GaborPCANet[5]方法得到的检测结果进行了比较。表1表2给出了4个方法在数据集1,2上的检测结果,由于PCA-Kmeans[3]方法采用了降维技术,引起了部分信息的丢失,从而获得了最低的分类结果93.29 %。在CWNN方法中,卷积神经网络的使用,使得该方法获得了最好的检测精度97%。同时卷积神经网络的高精度是以训练大量标记样本而耗费较多时间为代价的。虽然在GaborPCANet[5]方法中采用滤波技术和卷积神经网络技术,但PCA的使用仍然损失了部分信息,达到了94.96%。可视化的检测结果如图3,4所示。
表1 数据集1变化检测精度评价
表2 数据集2变化检测精度评价
图3 数据集1对比变化检测结果
图4 数据集2对比变化检测结果
4 结论
本文采用一种叠加超像素分割结果的方法自动获取高质量的标记样本。通过两组实验证明了本文方法的有效性和优越性。本文方法的优势在于,在没有任何先验知识的情况下,采用一种基于超像素的方法获取高精度的标记样本。充分利用了超像素的均质性和空间特征。