基于超像素的CD-BS遙感影像變化檢測(cè)方法

趙子昕 赫佳妮

（遼寧師范大學(xué)地理科學(xué)學(xué)院，遼寧 大連 116000）

1 概述

基于對(duì)象的變化檢測(cè)方法大致可以分為分類(lèi)后比較法和直接比較法[1]。在缺少先驗(yàn)知識(shí)的情況下，基于對(duì)象的遙感影像變化檢測(cè)方法獲得的標(biāo)記樣本質(zhì)量不高，結(jié)果精確度較低[2]。

2 一種新的距離度量方法

2.3 對(duì)集合LOS中每個(gè)像素進(jìn)行加權(quán)平均，按式1）計(jì)算：

用所得的值XuOM替換LOS中對(duì)應(yīng)位置像素，得到新的集合

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

第一組遙感影像使用Landsat-7ETM+多光譜影像，分別在2001年7月30日和2006年6月26日獲取于巴西地區(qū)，圖1。第二組遙感影像使用Landsat-5 TM多光譜影像，分別在2000年7月15日和2006年7月16日獲取于巴西地區(qū)，圖2。

圖1 dataset 1遙感影像及參考變化圖

圖2 dataset 2遙感影像及參考變化圖

3.2 實(shí)驗(yàn)結(jié)果及分析

我們將本文的方法與三個(gè)競(jìng)爭(zhēng)性的PCA-Kmeans[3]方法，CWNN[4]方法和GaborPCANet[5]方法得到的檢測(cè)結(jié)果進(jìn)行了比較。表1表2給出了4個(gè)方法在數(shù)據(jù)集1，2上的檢測(cè)結(jié)果，由于PCA-Kmeans[3]方法采用了降維技術(shù)，引起了部分信息的丟失，從而獲得了最低的分類(lèi)結(jié)果93.29 %。在CWNN方法中，卷積神經(jīng)網(wǎng)絡(luò)的使用，使得該方法獲得了最好的檢測(cè)精度97%。同時(shí)卷積神經(jīng)網(wǎng)絡(luò)的高精度是以訓(xùn)練大量標(biāo)記樣本而耗費(fèi)較多時(shí)間為代價(jià)的。雖然在GaborPCANet[5]方法中采用濾波技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，但PCA的使用仍然損失了部分信息,達(dá)到了94.96%。可視化的檢測(cè)結(jié)果如圖3，4所示。

表1 數(shù)據(jù)集1變化檢測(cè)精度評(píng)價(jià)

表2 數(shù)據(jù)集2變化檢測(cè)精度評(píng)價(jià)

圖3 數(shù)據(jù)集1對(duì)比變化檢測(cè)結(jié)果

圖4 數(shù)據(jù)集2對(duì)比變化檢測(cè)結(jié)果

4 結(jié)論

本文采用一種疊加超像素分割結(jié)果的方法自動(dòng)獲取高質(zhì)量的標(biāo)記樣本。通過(guò)兩組實(shí)驗(yàn)證明了本文方法的有效性和優(yōu)越性。本文方法的優(yōu)勢(shì)在于，在沒(méi)有任何先驗(yàn)知識(shí)的情況下，采用一種基于超像素的方法獲取高精度的標(biāo)記樣本。充分利用了超像素的均質(zhì)性和空間特征。