一种新的融合空间信息的半监督变化监测方法

doi:10.13474/j.cnki.11-2246.2018.0009

测绘通报 ›› 2018, Vol. 0 ›› Issue (1): 50-54.doi: 10.13474/j.cnki.11-2246.2018.0009

一种新的融合空间信息的半监督变化监测方法

谢福鼎, 于珊珊, 杨俊

辽宁师范大学城市与环境学院, 辽宁大连 116029

收稿日期:2017-04-18 出版日期:2018-01-25 发布日期:2018-02-05
作者简介:谢福鼎(1965-),男,博士,教授,从事模式识别、空间数据挖掘、复杂网络、高光谱图像分类等方面的研究。E-mail:Xiefd@lnnu.edu.cn
基金资助:
国家自然科学基金（41771178；61772252）；广东省数学与交叉科学普通高校重点实验室开放课题

A New Semi-supervised Change Detection Method of Fusing Spatial Information

XIE Fuding, YU Shanshan, YANG Jun

College of Urban and Environment, Liaoning Normal University, Dalian 116029, China

Received:2017-04-18 Online:2018-01-25 Published:2018-02-05

摘要/Abstract

摘要：

基于改进的半监督FCM算法和马尔科夫随机场，提出了一种新的融合空间信息的半监督变化监测方法。首先将两幅遥感图像相减得到差值图像，并通过第4波段的差值给出了一种新的样本标记方法；然后，通过标记样本对差值图像利用半监督FCM算法进行聚类；最后，为了提高监测精度和去除聚类噪音点，利用像元点之间的空间邻接关系和马尔科夫随机场，通过更新后的隶属度矩阵得到了监测结果。为了验证本文方法的有效性，选取了两组TM遥感图像，监测了森林的变化。试验结果表明，改进的半监督FCM算法可以减少监测的漏检率，马尔科夫随机场方法可以很好地去除聚类过程中形成的噪声点，减少监测的虚检率。

关键词: 变化检测, 半监督FCM算法, 马尔科夫随机场, 遥感影像分类

Abstract:

Based on the improved semi-supervised fuzzy c-means (SSFCM) algorithm and Markov random field, this paper presents a new semi-supervised change detection method considering spatial information. The difference image is firstly obtained by subtracting two original remote sensing images, and a novel labelling method is introduced by the values of band 4. Then difference image is clustered by SSFCM and labeled samples. To find good monitoring result and remove noise points, this work considers the spatial information of pixels and markov random field. The final monitoring result is obtained by updating the membership matrix. In order to show the validity of the proposed method, two TM remote sensing images are chosen to feed our method to detect the change of forest. The experimental results indicate that the improved semi-supervised FCM algorithm can reduce the missed alarm rate, and Markov random field method can remove the noise points in the process of clustering and reduce the false alarm rate.

Key words: change detection, semi-supervised FCM algorithm, Markov random field, remote sensing image classification

中图分类号:

谢福鼎, 于珊珊, 杨俊. 一种新的融合空间信息的半监督变化监测方法[J]. 测绘通报, 2018, 0(1): 50-54.

XIE Fuding, YU Shanshan, YANG Jun. A New Semi-supervised Change Detection Method of Fusing Spatial Information[J]. 测绘通报, 2018, 0(1): 50-54.

参考文献

[1] 周启鸣. 多时相遥感影像变化检测综述[J]. 地理信息世界, 2011, 9(2):28-33.
[2] 贾彩杰. 基于模糊聚类算法的遥感图像变化检测的研究[D]. 西安:西安电子科技大学, 2013.
[3] 刘乐乐,汪云甲,陈国良,等.基于多源遥感数据的城市变化监测研究——以郑州市为例[J].地域研究与开发,2010,29(1):136-140.
[4] 韦玮,崔丽娟, 李胜男,等. 基于偏差平均值的乌梁素海湿地变化监测研究[J]. 林业科学研究, 2012, 25(6):719-725.
[5] 夏双,阮仁宗,颜梅春,等.洪泽湖区土地利用/覆盖变化分析[J].遥感信息,2013,28(1):54-59.
[6] 杜培军,柳思聪. 融合多特征的遥感影像变化检测[J]. 遥感学报, 2012, 16(4):663-677.
[7] YUAN Y, LV H, LU X. Semi-supervised Change Detection Method for Multi-temporal Hyperspectral Images[J]. Neurocomputing, 2015, 148:363-375.
[8] MISHRA N S, GHOSH S, GHOSH A.Fuzzy Clustering Algorithms Incorporating Local Information for Change Detection in Remotely Sensed Images[J]. Applied Soft Computing Jarnal, 2012, 12(8):2683-2692.
[9] 杨红磊,彭军还.基于马尔可夫随机场的模糊c-均值遥感影像分类[J].测绘学报,2012,41(2):213-218.
[10] 郝明. 基于空间信息准确性增强的遥感影像变化检测方法研究[D]. 徐州:中国矿业大学, 2015.
[11] 罗旺. 遥感图像的变化检测与标注方法研究[D]. 西安:电子科技大学, 2012.
[12] PEDRYCZ W,WALETZKY J.Fuzzy Clustering with Partial Supervision[J].IEEE Transactions on Systems Man,and Cybernetics,1997,27(5):787-795.
[13] 谢福鼎,李壮.基于改进的半监督FCM算法的高光谱遥感影像分类[J].测绘通报,2016(9):60-62.
[14] SHAO P, SHI W, HE P, et al. Novel Approach to Unsupervised Change Detection Based on a Robust Semi-supervised FCM Clustering Algorithm[J]. Remote Sensing, 2016, 8(3):264.
[15] SUBUDHI B N, BOVOLO F, GHOSH A, et al. Spatio-contextual Fuzzy Clustering with Markov Random Field Model for Change Detection in Remotely Sensed Images[J].Optics & Laser Technology,2014,57(1):284-292.
[16] GONG Maoguo, LI Yu, JIAO L,et al.SAR Change Detection Based on Intensity and Texture Changes[J].ISPRS Journal of Photogrammetry and Remote Sensing,2014,93(93):123-135.

一种新的融合空间信息的半监督变化监测方法

A New Semi-supervised Change Detection Method of Fusing Spatial Information

PDF

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]	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.
[2]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	刘海飞, 杨敏华, 王晶, 徐刚, 陈杰. 利用结构面对象的高分遥感影像建筑物变化检测[J]. 测绘通报, 2021, 0(6): 16-20.
[9]	张伟良, 刘琦, 吴长彬, 杨光迪. 基于孪生神经网络的土地利用现状年度变化检测[J]. 测绘通报, 2021, 0(3): 91-95,104.
[10]	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.
[11]	韩建平. 青海省地震灾后地物变化的快速识别[J]. 测绘通报, 2021, 0(11): 120-123.
[12]	韩建平. 基于遥感影像的青海省环境变化监测[J]. 测绘通报, 2021, 0(10): 123-126,145.
[13]	聂倩, 赵艳福. 结合IR-MAD与均值漂移算法的密集城区遥感影像变化检测[J]. 测绘通报, 2020, 0(6): 57-62.
[14]	刘霞, 郭亚男. 基于随机森林的遥感影像变化检测[J]. 测绘通报, 2020, 0(5): 16-20.
[15]	万冉冉, 陈娟, 廖明伟, 刘异, 庞超. 基于Siamese卷积神经网络的影像瓦片变化检测技术[J]. 测绘通报, 2020, 0(4): 96-100,129.