像素级和对象级高分辨率遥感图像变化检测分析

doi:10.13474/j.cnki.11-2246.2021.0044

测绘通报 ›› 2021, Vol. 0 ›› Issue (2): 59-63.doi: 10.13474/j.cnki.11-2246.2021.0044

像素级和对象级高分辨率遥感图像变化检测分析

赖正文¹, 夏小云²

1. 广州航海学院艺术设计学院, 广东广州 510725;
2. 嘉兴学院数理与信息工程学院, 浙江嘉兴 314001

收稿日期:2020-04-16 修回日期:2020-06-10 出版日期:2021-02-25 发布日期:2021-03-09
作者简介:赖正文(1974-),男,硕士,讲师,主要研究方向为数字图像处理技术。E-mail:45731689@qq.com
基金资助:
国家自然科学基金（61703183）

Analysis on change detection of high-resolution remote sensing image combining pixel level and object level

LAI Zhengwen¹, XIA Xiaoyun²

1. School of Art and Design, Guangzhou Navigation University, Guangzhou 510725, China;
2. School of Mathematics, Physics and Information Engineering, Jiaxing University, Jiaxing 314001, China

Received:2020-04-16 Revised:2020-06-10 Online:2021-02-25 Published:2021-03-09

摘要/Abstract

摘要： 高分辨率遥感图像具有丰富的纹理信息，而像素级变化检测方法主要分析图像的光谱信息，导致将像素级变化检测方法用于高分辨率遥感图像具有一定的局限性。因此，本文提出了一种像素级与对象级相结合的高分辨率遥感图像变化检测方法，解决了像素级与对象级变化检测方法中存在的椒盐现象、误检等问题。首先，结合高分辨率遥感图像的多维特征，构建遥感图像变化检测模型；其次，利用随机森林分类器对图像进行分类，得到像素级变化检测结果；最后，将像素级变化检测结果与图像对象分割结果进行融合，得到图像变化区域和不变区域。试验结果表明，该算法具有较高的准确率和检测精度。

关键词: 遥感图像, 变化检测, 随机森林, 像素级, 对象级

Abstract: High-resolution remote sensing images have rich texture information, and pixel-level change detection methods mainly analyze the spectral information of the image. Therefore, the use of pixel-level change detection methods for high-resolution remote sensing images has certain limitations. In view of this, a high-resolution remote sensing image change detection method combining pixel level and object level is proposed to solve the problems of salt and pepper and misdetection in the pixel level and object level change detection methods. First, combining the multi-dimensional features of high-resolution remote sensing images, a remote sensing image change detection model is constructed. Secondly, the random forest classifier is used to classify the image, and the pixel-level change detection result is obtained. Finally, the pixel-level change detection result and the image object segmentation result are fused to obtain the image change area and the invariant area. Experimental results show that the algorithm has high accuracy and detection accuracy.

Key words: remote sensing image, change detection, random forest, pixel level, object level

中图分类号:

P237

赖正文, 夏小云. 像素级和对象级高分辨率遥感图像变化检测分析[J]. 测绘通报, 2021, 0(2): 59-63.

LAI Zhengwen, XIA Xiaoyun. Analysis on change detection of high-resolution remote sensing image combining pixel level and object level[J]. Bulletin of Surveying and Mapping, 2021, 0(2): 59-63.

参考文献

[1] 冯文卿,张永军.利用多尺度融合进行面向对象的遥感影像变化检测[J].测绘学报,2015,44(10):1142-1151.
[2] ZOU W T, JING W P, CHEN G S, et al. A survey of big data analytic for smart forestry[J].IEEE Access,2019,7:46621-46636.
[3] 滕文秀,温小荣,王妮,等.基于迭代H-minima改进分水岭算法的高分辨率遥感影像单木树冠提取[J].激光与光电子学进展,2018,55(12):499-507.
[4] 张续,江涛,胡世明,等.迭代加权多元变化检测算法在高分辨率遥感影像变化检测中应用[J].计算机应用,2019,39(S1):177-181.
[5] HAO M, SHI W Z, ZHANG H, et al. A scale-driven change detection method incorporating uncertainty analysis for remote sensing images[J]. Remote Sensing, 2016, 8(9):745-752.
[6] 刘金丽,陈钊.Landsat 8多光谱数据辅助下的高分影像多尺度分割[J].测绘通报,2019(9):38-43.
[7] ESPINDOLA G M, CAMARA G, REIS I A, et al. Para-meter selection for region-growing image segmentation algorithms using spatial autocorrelation[J]. International Journal of Remote Sensing, 2006, 27(14):3035-3040.
[8] CELIK T. Unsupervised change detection in satellite images using principal component analysis and k-means clustering[J]. IEEE Geoscience & Remote Sensing Letters, 2009, 6(4):772-776.
[9] 梅树红,范城城,廖永生,等.结合光谱和纹理特征的林地变更检测[J].测绘通报,2019(8):140-143.
[10] WANG L Y, LI Y, WANG Y Q. Research on land use change detection based on an object-oriented change vector analysis method[J]. Journal of Geo-Information Science, 2014, 27(2):74-80.
[11] 李亮,王蕾,孙晓鹏,等.面向对象变化向量分析的遥感影像变化检测[J].遥感信息,2017,32(6):71-77.
[12] 卜丽静,李秀伟,张正鹏,等.条件生成对抗网络在遥感图像复原中的可行性[J].国土资源遥感,2020,32(1):27-34.
[13] 陈彦彤,李雨阳,陈伟楠,等.基于深度语义分割的遥感图像海面舰船检测研究[J].仪器仪表学报,2020,41(1):233-240.
[14] 杨蕴,李玉,赵泉华.基于多标记像素匹配的高分辨率遥感图像道路提取[J].交通运输系统工程与信息,2020,20(1):68-74.
[15] 张哲晗,方薇,杜丽丽,等.基于编码-解码卷积神经网络的遥感图像语义分割[J].光学学报,2020,40(3):46-55.

像素级和对象级高分辨率遥感图像变化检测分析

Analysis on change detection of high-resolution remote sensing image combining pixel level and object level

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	吕峥, 孙群, 温伯威, 马京振. 一种自身全局最优的道路网Stroke生成方法[J]. 测绘通报, 2022, 0(7): 93-99.
[2]	郁宗桥, 王育红, 刘文宋, 左雨芳, 冯锋. 顾及GF-3影像纹理特征的洪涝范围提取方法[J]. 测绘通报, 2022, 0(5): 26-31.
[3]	阮明浩, 卢永华, 刘玉贤, 汤圣君, 王伟玺, 张宇琦, 李游. 激光与倾斜点云精确配准与无缝融合[J]. 测绘通报, 2022, 0(4): 6-10.
[4]	窦世卿, 陈治宇, 徐勇, 郑贺刚, 苗林林, 宋莹莹. 基于多特征融合与典型降维方法的高光谱影像分类[J]. 测绘通报, 2022, 0(4): 32-36,50.
[5]	潘建平, 李鑫, 孙博文, 胡勇, 李明明. 基于注意力密集连接金字塔网络的新增建设用地变化检测[J]. 测绘通报, 2022, 0(3): 41-46,59.
[6]	冯志立, 肖锋, 卢小平, 郝波, 王如意, 朱睿. 基于随机森林特征优选的冬小麦分类方法[J]. 测绘通报, 2022, 0(3): 70-75.
[7]	王晓晓, 韩留生, 杨骥, 李勇, 张大富, 孙广伟, 范俊甫. Sentinel-2与Landsat 8数据组合下的多特征冬小麦面积提取[J]. 测绘通报, 2022, 0(3): 111-115.
[8]	杨景玉, 贾多科, 王阳萍. 基于超像素分割与CRF的高分辨率遥感影像变化检测[J]. 测绘通报, 2022, 0(2): 25-30,49.
[9]	乐颖, 夏元平. 基于比值法的多源多时相数据城区变化检测[J]. 测绘通报, 2022, 0(2): 56-61.
[10]	崔青林, 汪鸣泉, 黄永健. 融合随机森林模型和6种水体指数的上海市水体信息提取[J]. 测绘通报, 2022, 0(2): 106-109.
[11]	车子杰, 高飞, 吴兆福, 李振轩. 基于改进U-Net网络的多源遥感影像洪涝灾害信息提取与变化分析[J]. 测绘通报, 2022, 0(1): 26-32.
[12]	高雨, 胡召玲, 樊茹. 高分辨率影像融合算法对滨海湿地土地利用分类精度的影响[J]. 测绘通报, 2022, 0(1): 116-120.
[13]	周秀华, 李乃强. 基于多种相似度特征的道路实体融合方法[J]. 测绘通报, 2021, 0(8): 102-105,157.
[14]	李军, 桑潇, 张成业, 赵伟, 刘新华, 王宏鹏, 王金阳, 李佳瑶, 杨颖. 资源型城市长时间序列土壤含水量变化分析——以锡林浩特市为例[J]. 测绘通报, 2021, 0(7): 17-22,38.
[15]	苏艺凡, 党建武, 王阳萍, 杨景玉. 改进的区间二型模糊聚类遥感影像变化检测[J]. 测绘通报, 2021, 0(7): 44-51,58.