随着航空航天技术的快速推进和发展,遥感影像的数据源越来越丰富,遥感影像变化检测已经应用到社会中的各行各业。传统的遥感影像变化检测算法已经无法满足遥感影像变化检测的实际需求。在遥感影像变化检测领域中,后验概率空间变化向量分析法(Change Vector Analysis in Posterior Probability Space,简称CVAPS)因以下优势而受到关注:1.解决分类后比较法(Post Classification Comparison,简称PCC)易受累积分类误差影响的问题;***不需要良好的辐射校正,在检测不同类型地物变化时不需要使用不同的阈值。然而,CVAPS法使用支持向量机(Support Vector Machine,简称SVM)来估计后验概率向量,而SVM没有针对中高分辨率遥感影像的同物异谱、异物同谱及混合像元等现象建模,使得最终的检测结果无法完全满足要求。针对这一问题,本文以提高中高分辨率遥感影像变化检测性能为研究目标,将五种模糊C均值聚类(Fuzzy C-Means,简称FCM)算法与简单贝叶斯网络(Simple Bayesian Network,简称SBN)耦合,在此基础上提出CVAPS框架下的新变化检测算法,提高了中高分辨率遥感影像变化检测的精度和效率。论文的主要工作和创新的如下:(1)针对中高分辨率的遥感影像中的混合像元现象,本文使用FCM将遥感影像像元与不同信号类联系起来,有效实现混合像元的分解。由于所提取的信号类与影像中的地物经常为多对多的对应关系,所以本文使用SBN建立信号类和地物间多对多的随机链接。在使用FCM和SBN精确估计后验概率向量的基础上,提出FCM-SBNCVAPS算法,计算基于CVAPS的变化强度图,并通过相关阈值算法找到最优全局阈值,从而获得更高精度的遥感影像变化检测结果。(2)针对FCM-SBN-CVAPS算法在变化检测过程中没有考虑到遥感影像空间信息,因而无法有效分解混合像元的问题,本文引入四种空间信息模糊聚类算法:简化邻域项的模糊聚类算法(Simplified Neighborhood Items Fuzzy C Means,简称FCM＿S1(均值滤波)、FCM＿S2(中值滤波))、基于模糊局部信息C均值聚类算法(Fuzzy Local Information C Means,简称FLICM)和引入空间信息的模糊C均值聚类算法(Fuzzy C Means based on Spatial Information,简称SFCM);并将四种算法分别与SBN结合提出四种变化检测算法(FCM＿S1-SBN-CVAPS、FCM＿S2-SBN-CVAPS、FLICM-SBN-CVAPS、SFCMSBN-CVAPS),提高了变化检测的精度。为了验证本文算法的有效性,文中分别选取了Landsat8和GF-1的两幅不同时相遥感影像进行了两组遥感影像的变化检测实验。通过FCM-SBN-CVAPS估计的后验概率向量比SVM-CVAPS算法更准确,因此FCM-SBN-CVAPS算法具有比SVM-CVAPS算法更高的变化检测性能。本文提出的五种算法中,由于SFCM-SBN-CVAPS算法能更好的利用空间信息进行混合像元分解,其总体精度和Kappa系数最优,比其他四种算法具有更好的精度和实用性。
暂无评论