本文關(guān)鍵詞：基于空間信息準(zhǔn)確性增強(qiáng)的遙感影像變化檢測方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：遙感變化檢測技術(shù)已成為一種有效的地表變化監(jiān)測手段。然而,由于自然環(huán)境本身的復(fù)雜性、與遙感波譜相互作用的復(fù)雜性以及傳感器本身的局限性,使得獲取的遙感影像中存在大量的混合像素、“同物異譜”和“同譜異物”等現(xiàn)象。此外,遙感影像預(yù)處理與變化檢測算法本身存在的不確定性也降低了變化檢測的精度。研究表明,光譜與空間信息結(jié)合的變化檢測方法可以在一定程度上解決上述問題,但多數(shù)方法對空間信息的描述和利用還不夠準(zhǔn)確。基于此,本文對現(xiàn)有變化檢測方法存在的不確定性進(jìn)行深入分析,研究配準(zhǔn)不確定性與變化檢測精度的關(guān)系,針對不同空間分辨率的遙感影像,分別基于像素級、對象級和特征級方法增強(qiáng)空間信息的準(zhǔn)確性,提出可靠的光譜與空間信息結(jié)合的變化檢測方法,降低遙感數(shù)據(jù)本身及變化檢測方法的不確定性對檢測結(jié)果的影響,提高變化檢測精度。研究成果將為結(jié)合光譜與空間信息的變化檢測提供新思路。具體研究工作與結(jié)論主要包括:(1)通過遙感影像變化檢測實(shí)驗(yàn)分析得出配準(zhǔn)不確定性引起的變化檢測錯(cuò)誤及其空間分布的規(guī)律:1)僅考慮配準(zhǔn)誤差時(shí),要保證變化檢測的正確率達(dá)到90%以上,配準(zhǔn)誤差至少要控制在0.6個(gè)像素以內(nèi);2)無論中分辨率還是高分辨率影像,由配準(zhǔn)誤差引起的虛檢像素基本分布在邊緣附近1個(gè)像素的范圍內(nèi);3)對于中分辨率影像,大約70%左右的漏檢像素發(fā)生在邊緣附近1個(gè)像素的范圍內(nèi);對于高分辨率影像,50%-60%的漏檢像素發(fā)生在邊緣附近1或2個(gè)像素的范圍內(nèi)。(2)針對遙感影像中存在的混合像素及模糊邊界問題,提出一系列新的基于主動(dòng)輪廓模型的變化檢測方法:1)在像素級層上,假設(shè)差分影像符合混合高斯分布,用EM算法估計(jì)未變化和變化像素的灰度平均值,并將其引入主動(dòng)輪廓模型中建立新的能量函數(shù),增強(qiáng)未變化和變化像素的區(qū)分程度,提高了變化檢測精度;2)在特征級層上,提出對小尺度和大尺度變化檢測圖進(jìn)行優(yōu)勢融合的策略,保留不同輪廓長度參數(shù)下變化檢測圖的優(yōu)勢,在一定程度上減弱了輪廓長度參數(shù)對變化檢測結(jié)果精度的影響;3)在對象級層上,以震前的GIS矢量數(shù)據(jù)提供的建筑物輪廓作為初始輪廓,利用主動(dòng)輪廓模型處理震后的高分辨率遙感影,檢測倒塌建筑物,避免了設(shè)置閾值帶來的不確定性,提高了檢測結(jié)果的精度和穩(wěn)定性。(3)在像素級層上,提出了基于空間鄰域信息準(zhǔn)確性增強(qiáng)的馬爾可夫隨機(jī)場變化檢測方法:1)通過空間引力模型將模糊C均值聚類算法計(jì)算得到的隸屬度信息引入到馬爾可夫隨機(jī)場中,增強(qiáng)了像素空間鄰域關(guān)系的準(zhǔn)確性,得到了更高精度的變化檢測結(jié)果;2)根據(jù)估計(jì)的變化和未變化類別的中心像素灰度值設(shè)置閾值T1和T2,將差分像分為未變化、不確定是否變化和變化三部分,并分別設(shè)計(jì)不同的空間信息權(quán)重計(jì)算策略,減弱了傳統(tǒng)方法對空間鄰域信息的過度利用,提高了變化檢測精度。(4)在對象級層上,通過充分考慮地物類的特點(diǎn),確定與不同地類變化相適應(yīng)的最佳分割尺度,提出了兩種利用對象的空間特征和多尺度信息進(jìn)行變化檢測的方法:1)利用SRM算法生成的分割結(jié)果對主動(dòng)輪廓模型生成的初始變化檢測結(jié)果進(jìn)行精化,減弱了分割尺度和主動(dòng)輪廓模型中輪廓長度參數(shù)的影響,提高了變化檢測結(jié)果的精度及穩(wěn)定性;2)將基于像素和面向?qū)ο蟮淖兓瘷z測結(jié)果結(jié)合,對分割結(jié)果存在的尺度不確定性進(jìn)行分析,利用更精細(xì)的分割結(jié)果對不確定是否變化的圖斑進(jìn)行后處理,減弱了分割不確定性對變化檢測結(jié)果的影響,提高了變化檢測精度。(5)在特征級層上,提出了邊緣密度匹配指數(shù),同時(shí)引入了GLCM、Gabor和GMRF三種紋理特征,將這些特征與光譜信息組合,并利用小波變換對特征進(jìn)行分解,通過DS證據(jù)理論和優(yōu)勢融合策略提取變化信息。通過實(shí)驗(yàn)表明光譜、紋理、邊緣特征組合可以在提高變化檢測精度,且不同的特征組合對變化檢測精度的提高程度不同。此外,光譜、Gabor紋理和邊緣特征的融合方法比較穩(wěn)定且效果較好。
【關(guān)鍵詞】：遙感影像變化檢測 空間信息 準(zhǔn)確性增強(qiáng) 主動(dòng)輪廓 馬爾可夫隨機(jī)場 尺度不確定性 多特征融合
【學(xué)位授予單位】：中國礦業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP751
【目錄】：

• 致謝4-5
• 摘要5-7
• abstract7-10
• Extended Abstract10-26
• 變量注釋表26-28
• 1 緒論28-39
• 1.1 研究背景與意義28-29
• 1.2 國內(nèi)外研究進(jìn)展29-36
• 1.3 存在的問題36-37
• 1.4 研究內(nèi)容與章節(jié)安排37-39
• 2 配準(zhǔn)誤差對變化檢測結(jié)果的影響39-53
• 2.1 研究方法39-41
• 2.2 實(shí)驗(yàn)結(jié)果與分析41-51
• 2.3 本章小結(jié)51-53
• 3 基于主動(dòng)輪廓模型的遙感影像變化檢測53-82
• 3.1 主動(dòng)輪廓模型53-56
• 3.2 EM算法與主動(dòng)輪廓模型結(jié)合的變化檢測方法56-65
• 3.3 基于主動(dòng)輪廓模型的優(yōu)勢融合變化檢測方法65-74
• 3.4 利用主動(dòng)輪廓模型檢測由地震引起的倒塌建筑物74-80
• 3.5 本章小結(jié)80-82
• 4 基于馬爾可夫隨機(jī)場的遙感影像變化檢測82-98
• 4.1 模糊C均值聚類算法82-83
• 4.2 馬爾可夫隨機(jī)場模型83-85
• 4.3 基于模糊C均值聚類算法和馬爾可夫隨機(jī)場的變化檢測85-90
• 4.4 基于對比敏感Potts模型的自適應(yīng)馬爾可夫隨機(jī)場變化檢測90-96
• 4.5 本章小結(jié)96-98
• 5 面向?qū)ο蟮亩喑叨冗b感影像變化檢測98-129
• 5.1 SRM分割方法98-99
• 5.2 SRM與主動(dòng)輪廓模型結(jié)合的面向?qū)ο蟮淖兓瘷z測99-109
• 5.3 基于對象尺度不確定性分析的變化檢測109-127
• 5.4 本章小結(jié)127-129
• 6 融合多特征的遙感影像變化檢測129-159
• 6.1 遙感影像多特征提取129-137
• 6.2 遙感影像特征小波分解137-140
• 6.3 融合光譜、邊緣和紋理的遙感影像變化檢測方法140-143
• 6.4 實(shí)驗(yàn)結(jié)果與分析143-157
• 6.5 本章小結(jié)157-159
• 7 結(jié)論與展望159-162
• 7.1 研究結(jié)論159-160
• 7.2 論文創(chuàng)新點(diǎn)160-161
• 7.3 研究展望161-162
• 參考文獻(xiàn)162-175
• 作者簡歷175-178
• 學(xué)位論文數(shù)據(jù)集178

  本文關(guān)鍵詞：基于空間信息準(zhǔn)確性增強(qiáng)的遙感影像變化檢測方法研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：344493