CN107992891A - 基于光谱矢量分析多光谱遥感图像变化检测方法 - Google Patents

基于光谱矢量分析多光谱遥感图像变化检测方法 Download PDF

Info

Publication number
CN107992891A
CN107992891A CN201711246727.8A CN201711246727A CN107992891A CN 107992891 A CN107992891 A CN 107992891A CN 201711246727 A CN201711246727 A CN 201711246727A CN 107992891 A CN107992891 A CN 107992891A
Authority
CN
China
Prior art keywords
remote sensing
disparity map
msub
sensing image
vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711246727.8A
Other languages
English (en)
Other versions
CN107992891B (zh
Inventor
张建龙
陈圆圆
高新波
卢毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201711246727.8A priority Critical patent/CN107992891B/zh
Publication of CN107992891A publication Critical patent/CN107992891A/zh
Application granted granted Critical
Publication of CN107992891B publication Critical patent/CN107992891B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明属于遥感图像处理技术领域，公开了一种基于光谱矢量分析多光谱遥感图像变化检测方法，输入同一地域不同时间经过预处理的两幅多光谱遥感图像，利用主成分分析方法对利用变化向量分析法构建的差异空间降维处理并取第一主成分得到第一幅差异图；求解双时相遥感图像光谱矢量之间夹角信息得到第二幅差异图；分别求解两幅差异图信息熵，进而通过计算得到融合权重，利用加权求和的方式融合得到更优差异图；进行空间特征描述；采用谱聚类方式进行聚类分析，得到变化检测结果。本发明有效抑制由于光照、辐射等因素对变化信息的干扰，有效抑制图像背景信息的同时大大增强感兴趣区域，提高检测准确率。

Description

基于光谱矢量分析多光谱遥感图像变化检测方法
技术领域
本发明属于遥感图像处理技术领域，尤其涉及一种基于光谱矢量分析多光 谱遥感图像变化检测方法。
背景技术
随着遥感技术的飞速发展，各种高、中、低轨道相结合；大、中、小卫星 相互协同；高、中、低分辨率互补的全球对地观测***，能更快、更及时提供 多种空间分辨率、时间分辨率和光谱分辨率的对地观测海量数据，通过对图像 数据进行进一步的分析、处理及解译，可以将经遥感技术获得的图像数据转化 为有用的信息，服务于国民经济的各个领域。多光谱遥感图像是遥感图像的一 个重要分支，利用多波段成像设备获得多波段影像，经彩色合成后形成假彩色 相片，提供比单波段更为丰富的遥感信息，通常利用可见光和近红外波段，且 集二者各自的优点，在国民经济发展起到了至关重要的推动作用。多光谱遥感 图像变化检测技术是遥感图像研究的重要组成部分，采用图像处理和模式识别 等手段，从同一地域不同时期的遥感数据中定量分析和确定地表变化的特征与 过程，应用于军事研究领域、遥感气象服务、灾害动态监测、环境污染检测以 及城市规划等方面。遥感图像变化检测一般流程是先获得两幅相同地点不同时 间图像的差异图像，再对差异图像进行处理，将变化检测问题转化为一个无监 督的二聚类问题，即变化和无变化两类。一般的多光谱遥感图像变化检测通常 采用CVA(Change Vector Analysis)方法获得差异图，进而采用如最大类间方差、 OTSU等阈值分割法或者如模糊C均值、K-means等聚类得到变化检测结果。 SAM(Spectral Angle Mapper)作为一种有效度量光谱矢量差异的方法在目前多光 谱图像变化检测技术中往往被忽略，SAM和CVA分别从光谱矢量方向和大小 两个角度度量变化，在实际应用中，由于光照、辐射等影响会导致同一地物的 光谱矢量大小发生变化，但是光谱矢量方向未发生变化，若仅仅采用CVA的方 法会造成该情况被错分为变化类别，因此造成较高的虚警，所以引入SAM可有 效降低由于光照、辐射等原因造成的虚警，进而提高变化检测精度。并且传统 的CVA构建的差异空间存在着信息冗余，以及感兴趣区域即变化区域表现不明 显，采用主成分分析的方法可有效降低信息冗余并且增强变化信息抑制非变化 信息，提高检测精度。
发明内容
针对现有技术存在的问题，本发明提供了一种基于光谱矢量分析多光谱遥 感图像变化检测方法。
本发明是这样实现的，一种基于光谱矢量分析多光谱遥感图像变化检测方 法，所述基于光谱矢量分析多光谱遥感图像变化检测方法包括：输入同一地域 不同时间经过预处理的两幅多光谱遥感图像，利用主成分分析方法对利用变化 向量分析法计算，降维并取第一主成分得到差异图；求解双时相遥感图像光谱 矢量之间夹角信息得到差异图；分别求解差异图信息熵，得到权重，利用加权 求和的方式对融合得到更优差异图；进行空间特征描述；对谱聚类进行聚类分 析，得到变化检测结果。
进一步，所述预处理具体包括：经过预处理的两个时相的多光谱图像X1和 X2，光谱矢量角度差异度量方式公式如下：
其中b表示多光谱图像波段数，本发明采用的多光谱数据包含红、绿、蓝及 近红外四个波段。
进一步，利用主成分分析方法对利用变化向量分析法计算，降维并取第一 主成分得到差异图公式为：
多维差异空间XD构建公式如下：
XD＝X1-X2；
XD的协方差矩阵记作A：
A＝cov(XD)＝E[(XD-E[XD])(XD-E[XD])]T；
对协方差矩阵A进行特征分解得到：
V＝[v1,v2,v3,v4]
E[XD]表示XD的期望，V表示特征值由大到小排列所对应的特征向量的集合；
取特征向量v1求解XD第一主成分I1，公式为：
I1＝XD·v1。
进一步，所述基于光谱矢量分析多光谱遥感图像变化检测方法包括：
步骤一，输入同一地域不同时间经过预处理的两幅多光谱遥感图像X1和X2；
步骤二，构建差异空间XD，并进行主成分分析，公式如下：
多维差异空间XD构建公式如下：
XD＝X1-X2；
XD的协方差矩阵记作A：
A＝cov(XD)＝E[(XD-E[XD])(XD-E[XD])]T；
对协方差矩阵A进行特征分解得到：
V＝[v1,v2,v3,v4]
E[XD]表示XD的期望，V表示特征值由大到小排列所对应的特征向量的集合；
取特征向量v1求解XD第一主成分I1，公式为：
I1＝XD·v1；
步骤三，对于不同时相的多光谱图像X1和X2计算对应光谱矢量夹角信息， 公式如下：
步骤四，求解差异图X1和X2的信息熵H1和H2，得到权重：
利用加权求和的方式对I1和I2融合得到更优差异图I＝ω1I1+ω2I2；
步骤五，对得到的差异图I进行特征描述，得到对应的特征描述矩阵IS， 差异图中每个像素点的l层邻域像素特征矩阵，其中l≥3，且l为奇数；将提取的 邻域特征像素矩阵展开成列，得到像素点特征描述列向量；
步骤六，利用采样谱聚类对特征空间进行聚类。
进一步，所述步骤六包括：
(1)利用各列向量的欧氏距离度量相似度，构造对应的相似度矩阵W，根 据L＝D-W，其中D为度矩阵，采用归一化割进行拉普拉斯矩阵的归一化 对拉普拉斯矩阵进行特征分解输出其特征向量f；
(2)输出的特征向量f进行聚类，得到像素聚类结果，按照差异图I对应 像素的排列顺序，恢复为原始图像的尺寸，得到最终的变化检测结果图，输出 结果。
进一步，所述(2)具体包括：
1)适当选择k个类的初始中心；
2)在第i次迭代中，对任意一个样本，求其到k个中心的距离，样本归到距 离最短的中心所在的类；
3)利用均值等方法更新该类的中心值；
4)对于所有的k个聚类中心，利用2)和3)的迭代法更新后，值保持不变， 则迭代结束，否则继续迭代；原始数据的集合为(x1,x2,…,xn)，并且每个xi为d维 的向量，在给定分类组数k的条件下，其中k≤n，将原始数据分成k类 S＝{S1,S2,…,Sk}，目标函数为：
本发明的另一目的在于提供一种应用所述基于光谱矢量分析多光谱遥感图
多光谱遥感图像的变化主要体现于同一地域不同时间两幅图像之间相同像 元对应的光谱矢量在方向及大小上的差异性，如图7所示，另外实际光谱矢量 具有四个维度，在此用二维向量模型进行简单描述：
图(a)表示两向量之间在大小和方向上均存在差异，图(b)表示两向量 之间仅仅在大小上存在差异，以上两种情况利用传统的CVA方法均可检测出来， 但图(c)表示两向量仅仅在方向上存在差异，这种情况的变化利用CVA方法 是无法检测出来的，所以考虑引入SAM算法，从光谱矢量的夹角变化来增强变 化信息的表示，进而提高变化检测的精度。
本发明基于光谱矢量间方向和大小的差异信息提取进行多光谱图像的变化 检测；本发明从光谱矢量的实际物理意义出发，利用CVA方法构建的差异空间 中的第一主成分作为第一张差异图，充分考虑不同时相图像光谱矢量大小之间 的差异；利用SAM法从光谱矢量夹角差异来度量变化信息，作为第二张差异图， 并将二者融合，有效抑制由于光照、辐射等因素对变化信息的干扰。本发明基 于变化矢量空间的主成分分析过程降低了利用CVA方法产生的差异空间中信息 的冗余，有效抑制图像背景信息的同时大大增强感兴趣区域，提高检测准确率。
本发明在差异图I的构造时不仅考虑到光谱矢量的大小变化，引入光谱矢量 夹角信息来度量变化信息，有效避免由于光照、辐射等造成的伪变化；本发明 在原始CVA构建的差异空间进行主成分分析，与利用光谱矢量角测度产生的差 异图采用基于信息熵进行不等权重的加权融合，有效增强感兴趣信息、抑制背 景信息，实现多光谱遥感图像变化信息的分析和准确标注。
附图说明
图1是本发明实施例提供的基于光谱矢量分析多光谱遥感图像变化检测方 法流程图。
图2是本发明实施例提供的基于光谱矢量分析多光谱遥感图像变化检测方 法实现流程图。
图3是本发明实施例提供的使用数据集1参考图和本发明对数据集1进行 多光谱遥感图像变化检测的结果对比图。
图4是本发明实施例提供的使用数据集2参考图和本发明对数据集2进行 多光谱遥感图像变化检测的结果对比图。
图5是本发明实施例提供的数据集1采用CVA算法、CCVA(Compress Change VectorAnalysis)变化检测算法模型与本发明中变化检测模型的结果对比。
图6是本发明实施例提供的数据集2采用CVA算法、CCVA变化检测算法模型 与本发明中变化检测模型的结果对比。
图7是本发明实施例提供的光谱矢量在方向及大小上的差异性示意图；
图中:(a)表示两向量之间在大小和方向上均存在差异；(b)表示两向量 之间仅仅在大小上存在差异，以上两种情况利用传统的CVA方法均可检测出来； (c)表示两向量仅仅在方向上存在差异，这种情况的变化利用CVA方法是无 法检测出来的，所以考虑引入SAM算法，从光谱矢量的夹角变化来增强变化信 息的表示，进而提高变化检测的精度。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例， 对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以 解释本发明，并不用于限定本发明。
本发明不仅分析双时相多光谱图像中光谱矢量大小差异，考虑到了光谱矢 量之间的夹角信息，采用信息熵方式实现了不等权重的高效融合，可用于多光 谱遥感图像变化信息的分析和标注。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示，本发明实施例提供的基于光谱矢量分析多光谱遥感图像变化 检测方法包括以下步骤：
S101：输入同一地域不同时间经过预处理的两幅多光谱遥感图像，利用主 成分分析方法对利用变化向量分析法计算，进行降维并取第一主成分得到差异 图；
S102：求解双时相遥感图像光谱矢量之间夹角信息得到差异图；分别求解 差异图信息熵，得到权重，利用加权求和的方式对融合得到更优差异图；进行 空间特征描述；
S103：对谱聚类进行聚类分析，得到变化检测结果。
下面结合附图对本发明的应用原理作进一步的描述。
如图2所示，本发明实施例提供的基于光谱矢量分析多光谱遥感图像变化 检测方法包括以下步骤：
步骤一，输入同一地域不同时间经过预处理的两幅多光谱遥感图像X1和X2；
步骤二，利用传统CVA方法构建差异空间XD，并采用PCA进行主成分分 析，公式如下：
多维差异空间XD构建公式如下：
XD＝X1-X2；
XD的协方差矩阵记作A：
A＝cov(XD)＝E[(XD-E[XD])(XD-E[XD])]T；
对协方差矩阵A进行特征分解得到：
V＝[v1,v2,v3,v4]
E[XD]表示XD的期望，V表示特征值由大到小排列所对应的特征向量的集合；
取特征向量v1求解XD第一主成分I1，公式为：
I1＝XD·v1；
步骤三，对于不同时相的多光谱图像X1和X2计算对应光谱矢量夹角信息， 公式如下：
步骤四，求解差异图X1和X2的信息熵H1和H2，得到权重：
利用加权求和的方式对I1和I2融合得到更优差异图I＝ω1I1+ω2I2；
步骤五，对得到的差异图I进行特征描述，得到对应的特征描述矩阵IS， 描述步骤如下：差异图中每个像素点的l层邻域像素特征矩阵，其中l≥3，且l为 奇数；将提取的邻域特征像素矩阵展开成列，得到该像素点特征描述列向量；
步骤六，利用采样谱聚类对特征空间进行聚类，步骤如下：
(1)利用各列向量的欧氏距离度量其相似度，构造对应的相似度矩阵W， 根据L＝D-W，其中D为度矩阵，采用归一化割方式，首先进行拉普拉斯矩阵 的归一化然后对拉普拉斯矩阵进行特征分解输出其特征向量f；
(2)使用k-means聚类方法将输出的特征向量f进行聚类，将得到的像素 聚类结果，按照差异图I对应像素的排列顺序，恢复为原始图像的尺寸，得到最 终的变化检测结果图，输出结果。该算法接受参数k，以空间中k个点为中心进 行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的 值，直至得到最好的聚类结果。假设要把样本集分为k个类别，算法描述如下： (a)适当选择k个类的初始中心(b)在第i次迭代中，对任意一个样本，求其 到k个中心的距离，将该样本归到距离最短的中心所在的类(c)利用均值等方 法更新该类的中心值(d)对于所有的k个聚类中心，如果利用(b)(c)的迭代 法更新后，值保持不变，则迭代结束，否则继续迭代。如原始数据的集合为 (x1,x2,…,xn)，并且每个xi为d维的向量，K-means聚类的目的就是，在给定分类 组数k的条件下，其中k≤n，将原始数据分成k类S＝{S1,S2,…,Sk}，其目标函数如 下：
下面结合仿真对本发明的应用效果作详细的描述。
1、仿真条件，在AMD Athlon(tm)P340 Dual-Core Processor 2.20GHz Windows8.1***下，Matlab 2014a运行平台上，完成仿真实验。
2、仿真实验内容
1)图3和图4为本发明所使用数据集参考图和本发明进行多光谱遥感图像 变化检测的结果对比图；
2)图5和图6采用CVA算法、CCVA(Compress Change VectorAnalysis)变化 检测算法模型与本发明中变化检测模型的结果对比。。
本实验选择了两个数据集做变化检测结果的验证，数据集1中图像的大小 为301×301，数据集2图像的大小为189×192。
3、仿真实验结果及分析
图3(b)和图4(b)分别是本发明提出方法在所给出了两个数据集上的变化检 测结果，图5和图6分别给出采用CVA算法、CCVA(Compress Change Vector Analysis)变化检测算法模型与本发明中变化检测模型的结果对比。表1和表2 分别给出了两个数据集上对比试验结果。
表1数据集1上基于CVA和CCVA以及本发明方法变化检测结果
方法 FP FN PCC Kappa
CVA 2828 1088 0.9568 0.8906
CCVA 5170 1648 0.9247 0.8140
本发明方法 1648 569 0.9755 0.9376
表2数据集2上基于CVA和CCVA以及本发明方法变化检测结果
方法 FP FN PCC Kappa
CVA 93 751 0.9767 0.6337
CCVA 124 825 0.9371 0.5331
本发明方法 247 318 0.9844 0.8054
实验过程中对于CVA和CCVA方法均采用与本发明一样的基于谱聚类 方法进行二聚类。通过对比表1和表2可以发现本发明中所采用方法的变化检 测漏警率和误警率相对CVA和CCVA方法都有着明显的降低，并且准确率PCC和一 致性评价Kappa参数也有着较大幅度的提升。
根据以上结果可知，本发明的方法操作更简单，对于多光谱遥感图像变化检 测更有效。总体来说，本发明方法明显提高了多光谱遥感图像变化检测的准确 率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发 明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明 的保护范围之内。

Claims (6)

1.一种基于光谱矢量分析多光谱遥感图像变化检测方法，其特征在于，所述基于光谱矢量分析多光谱遥感图像变化检测方法包括：输入同一地域不同时间经过预处理的两幅多光谱遥感图像，利用主成分分析方法对利用变化向量分析法构建的多维差异空间降维处理并取第一主成分得到第一幅差异图；求解双时相遥感图像光谱矢量之间夹角信息得到第二幅差异图；分别求解两幅差异图信息熵，进而通过计算得到融合权重，利用加权求和的方式融合得到更优差异图；进行空间特征描述；采用谱聚类方式进行聚类分析，得到变化检测结果。
2.如权利要求1所述的基于光谱矢量分析多光谱遥感图像变化检测方法，其特征在于，所述利用主成分分析方法对利用变化向量分析法构建的多维差异空间降维处理并取第一主成分得到第一幅差异图，
多维差异空间XD构建公式如下：
XD＝X1-X2；
XD的协方差矩阵记作A：
A＝cov(XD)＝E[(XD-E[XD])(XD-E[XD])]T；
对协方差矩阵A进行特征分解得到：
V＝[v1,v2,v3,v4]
E[XD]表示XD的期望，V表示特征值由大到小排列所对应的特征向量的集合；
取特征向量v1求解XD第一主成分I1，公式为：
I1＝XD·v1。
3.如权利要求1所述的基于光谱矢量分析多光谱遥感图像变化检测方法，其特征在于，所述求解两个时相的多光谱图像X1和X2中像元的光谱矢量之间夹角信息得到第二幅差异图，光谱矢量角度差异度量方式公式如下：
其中，分别表示多光谱图像X1和X2第m个波段中i行j列像元对应的光谱矢量，b表示多光谱图像波段总数，包含红、绿、蓝及近红外4个波段。
4.如权利要求1所述的基于光谱矢量分析多光谱遥感图像变化检测方法，其特征在于，所述基于光谱矢量分析多光谱遥感图像变化检测方法包括：
步骤一，输入同一地域不同时间经过预处理的两幅多光谱遥感图像X1和X2；
步骤二，构建差异空间XD，并进行主成分分析，公式如下：
XD＝X1-X2；
XD的协方差矩阵记作A：
A＝cov(XD)＝E[(XD-E[XD])(XD-E[XD])]T；
对协方差矩阵A进行特征分解得到：
V＝[v1,v2,v3,v4]
E[XD]表示XD的期望，V表示特征值由大到小排列所对应的特征向量的集合；
取特征向量v1求解XD第一主成分I1，公式为：
I1＝XD·v1；
步骤三，对于不同时相的多光谱图像X1和X2计算对应像元的光谱矢量夹角信息，公式如下：
进而将θ归一化[0,255]以内得到第二幅差异图I2；
步骤四，求解差异图X1和X2的信息熵H1和H2，得到权重：
<mrow> <msub> <mi>&amp;omega;</mi> <mn>1</mn> </msub> <mo>=</mo> <mfrac> <msub> <mi>H</mi> <mn>2</mn> </msub> <mrow> <msub> <mi>H</mi> <mn>1</mn> </msub> <mo>+</mo> <msub> <mi>H</mi> <mn>2</mn> </msub> </mrow> </mfrac> <mo>,</mo> <msub> <mi>&amp;omega;</mi> <mn>2</mn> </msub> <mo>=</mo> <mfrac> <msub> <mi>H</mi> <mn>1</mn> </msub> <mrow> <msub> <mi>H</mi> <mn>1</mn> </msub> <mo>+</mo> <msub> <mi>H</mi> <mn>2</mn> </msub> </mrow> </mfrac> <mo>;</mo> </mrow>
利用加权求和的方式对I1和I2融合得到更优差异图I＝ω1I1+ω2I2；
步骤五，对得到的差异图I进行特征描述，得到对应的特征描述矩阵IS，差异图中每个像素点的l层邻域像素特征矩阵，其中l≥3，且l为奇数；将提取的邻域特征像素矩阵展开成列，得到像素点特征描述列向量；
步骤六，利用采样谱聚类对特征空间进行聚类。
5.如权利要求4所述的基于光谱矢量分析多光谱遥感图像变化检测方法，其特征在于，所述步骤六包括：
(1)利用各像素对应特征描述向量的欧氏距离度量相似度，构造对应的相似度矩阵W，根据L＝D-W，其中D为度矩阵，采用归一化割进行拉普拉斯矩阵的归一化对拉普拉斯矩阵进行特征分解输出其特征向量f；
(2)输出的特征向量f进行聚类，得到像素聚类结果，按照差异图I对应像素的排列顺序，恢复为原始图像的尺寸，得到最终的变化检测结果图，输出结果。
6.如权利要求5所述的基于光谱矢量分析多光谱遥感图像变化检测方法，其特征在于，所述(2)具体包括：
1)适当选择k个类的初始中心；
2)在第i次迭代中，对任意一个样本，求其到k个中心的距离，样本归到距离最短的中心所在的类；
3)利用均值等方法更新该类的中心值；
4)对于所有的k个聚类中心，利用2)和3)的迭代法更新后，值保持不变，则迭代结束，否则继续迭代；原始数据的集合为(x1,x2,…,xn)，并且每个xi为d维的向量，在给定分类组数k的条件下，其中k≤n，将原始数据分成k类S＝{S1,S2,…,Sk}，目标函数为：
CN201711246727.8A 2017-12-01 2017-12-01 基于光谱矢量分析多光谱遥感图像变化检测方法 Active CN107992891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711246727.8A CN107992891B (zh) 2017-12-01 2017-12-01 基于光谱矢量分析多光谱遥感图像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711246727.8A CN107992891B (zh) 2017-12-01 2017-12-01 基于光谱矢量分析多光谱遥感图像变化检测方法

Publications (2)

Publication Number Publication Date
CN107992891A true CN107992891A (zh) 2018-05-04
CN107992891B CN107992891B (zh) 2022-01-25

Family

ID=62035005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711246727.8A Active CN107992891B (zh) 2017-12-01 2017-12-01 基于光谱矢量分析多光谱遥感图像变化检测方法

Country Status (1)

Country Link
CN (1) CN107992891B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214302A (zh) * 2018-08-13 2019-01-15 湖南志东科技有限公司 一种基于多光谱的物质识别方法
CN109446894A (zh) * 2018-09-18 2019-03-08 西安电子科技大学 基于概率分割及高斯混合聚类的多光谱图像变化检测方法
CN109583487A (zh) * 2018-11-21 2019-04-05 新疆大学 一种sar图像变化检测方法及装置
CN110163294A (zh) * 2019-05-29 2019-08-23 广东工业大学 基于降维操作和卷积网络的遥感图像变化区域检测方法
CN110427997A (zh) * 2019-07-25 2019-11-08 南京信息工程大学 面向复杂遥感影像背景的改进cva变化检测方法
CN111079635A (zh) * 2019-12-12 2020-04-28 南京大学 一种基于变化向量的有林地变化检测方法
CN111207838A (zh) * 2020-03-11 2020-05-29 中南大学 一种基于特殊红外光谱波段的铁水测温装置
CN111783865A (zh) * 2020-06-23 2020-10-16 西北工业大学 基于空谱邻域嵌入和最优相似图的高光谱分类方法
CN112329565A (zh) * 2020-10-26 2021-02-05 兰州交通大学 一种基于高分遥感影像的道路建设监管方法及***
CN113177979A (zh) * 2021-06-04 2021-07-27 江苏南大五维电子科技有限公司 一种基于多光谱图像的水污染区域识别方法和***
CN114510971A (zh) * 2022-01-26 2022-05-17 太原科技大学 基于关联离群知识的类星体光谱并行化交叉证认方法
CN117592004A (zh) * 2024-01-19 2024-02-23 中国科学院空天信息创新研究院 Pm2.5浓度卫星监测方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2212738A2 (en) * 2007-10-23 2010-08-04 Elta Systems Ltd. A stereo-image registration and change detection system and method
CN103226832A (zh) * 2013-05-07 2013-07-31 西安电子科技大学 基于光谱反射率变化分析的多光谱遥感影像变化检测方法
CN103456018A (zh) * 2013-09-08 2013-12-18 西安电子科技大学 基于融合和pca核模糊聚类的遥感图像变化检测方法
CN104463881A (zh) * 2014-12-12 2015-03-25 西安电子科技大学 一种基于光谱反射率邻域差异图和邻域概率融合的多光谱遥感影像变化检测方法
US9047678B2 (en) * 2005-04-15 2015-06-02 Mississippi State University Research And Technology Corporation Change analyst
CN105405133A (zh) * 2015-11-04 2016-03-16 河海大学 一种遥感影像变化检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9047678B2 (en) * 2005-04-15 2015-06-02 Mississippi State University Research And Technology Corporation Change analyst
EP2212738A2 (en) * 2007-10-23 2010-08-04 Elta Systems Ltd. A stereo-image registration and change detection system and method
CN103226832A (zh) * 2013-05-07 2013-07-31 西安电子科技大学 基于光谱反射率变化分析的多光谱遥感影像变化检测方法
CN103456018A (zh) * 2013-09-08 2013-12-18 西安电子科技大学 基于融合和pca核模糊聚类的遥感图像变化检测方法
CN104463881A (zh) * 2014-12-12 2015-03-25 西安电子科技大学 一种基于光谱反射率邻域差异图和邻域概率融合的多光谱遥感影像变化检测方法
CN105405133A (zh) * 2015-11-04 2016-03-16 河海大学 一种遥感影像变化检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HUIFU ZHUANG 等: "Strategies Combining Spectral Angle Mapper and Change Vector Analysis to Unsupervised Change Detection in Multispectral Images", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 *
SARTAJVIR SINGH 等: "Review on Different Change Vector Analysis Algorithms Based Change Detection Techniques", 《2013 IEEE SECOND INTERNATIONAL CONFERENCE ON IMAGE INFORMATION PROCESSING (ICIIP-2013)》 *
吴柯 等: "基于PCA与EM算法的多光谱遥感影像变化检测研究", 《计算机科学》 *
蒋俊霄: "基于光谱反射率的多光谱遥感图像变化检测方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
黄维 等: "基于PCA的变化向量分析法遥感影像变化检测", 《国土资源遥感》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214302A (zh) * 2018-08-13 2019-01-15 湖南志东科技有限公司 一种基于多光谱的物质识别方法
CN109446894A (zh) * 2018-09-18 2019-03-08 西安电子科技大学 基于概率分割及高斯混合聚类的多光谱图像变化检测方法
CN109446894B (zh) * 2018-09-18 2021-10-22 西安电子科技大学 基于概率分割及高斯混合聚类的多光谱图像变化检测方法
CN109583487A (zh) * 2018-11-21 2019-04-05 新疆大学 一种sar图像变化检测方法及装置
CN110163294A (zh) * 2019-05-29 2019-08-23 广东工业大学 基于降维操作和卷积网络的遥感图像变化区域检测方法
CN110427997A (zh) * 2019-07-25 2019-11-08 南京信息工程大学 面向复杂遥感影像背景的改进cva变化检测方法
CN111079635A (zh) * 2019-12-12 2020-04-28 南京大学 一种基于变化向量的有林地变化检测方法
CN111207838B (zh) * 2020-03-11 2021-02-19 中南大学 一种基于特殊红外光谱波段的铁水测温装置
CN111207838A (zh) * 2020-03-11 2020-05-29 中南大学 一种基于特殊红外光谱波段的铁水测温装置
CN111783865B (zh) * 2020-06-23 2022-03-15 西北工业大学 基于空谱邻域嵌入和最优相似图的高光谱分类方法
CN111783865A (zh) * 2020-06-23 2020-10-16 西北工业大学 基于空谱邻域嵌入和最优相似图的高光谱分类方法
CN112329565A (zh) * 2020-10-26 2021-02-05 兰州交通大学 一种基于高分遥感影像的道路建设监管方法及***
CN113177979A (zh) * 2021-06-04 2021-07-27 江苏南大五维电子科技有限公司 一种基于多光谱图像的水污染区域识别方法和***
CN114510971A (zh) * 2022-01-26 2022-05-17 太原科技大学 基于关联离群知识的类星体光谱并行化交叉证认方法
CN114510971B (zh) * 2022-01-26 2024-03-26 太原科技大学 基于关联离群知识的类星体光谱并行化交叉证认方法
CN117592004A (zh) * 2024-01-19 2024-02-23 中国科学院空天信息创新研究院 Pm2.5浓度卫星监测方法、装置、设备及介质
CN117592004B (zh) * 2024-01-19 2024-04-12 中国科学院空天信息创新研究院 Pm2.5浓度卫星监测方法、装置、设备及介质

Also Published As

Publication number Publication date
CN107992891B (zh) 2022-01-25

Similar Documents

Publication Publication Date Title
CN107992891A (zh) 基于光谱矢量分析多光谱遥感图像变化检测方法
Xu et al. Joint reconstruction and anomaly detection from compressive hyperspectral images using Mahalanobis distance-regularized tensor RPCA
Zhao et al. Superpixel-based multiple local CNN for panchromatic and multispectral image classification
CN110135267A (zh) 一种大场景sar图像细微目标检测方法
CN104376330B (zh) 基于超像素散射机制的极化sar图像舰船目标检测方法
CN109145992A (zh) 协作生成对抗网络和空谱联合的高光谱图像分类方法
CN108846426A (zh) 基于深度双向lstm孪生网络的极化sar分类方法
CN109766858A (zh) 结合双边滤波的三维卷积神经网络高光谱影像分类方法
CN106503739A (zh) 联合光谱和纹理特征的高光谱遥感影像svm分类方法及***
CN103440505B (zh) 空间邻域信息加权的高光谱遥感图像分类方法
CN110084159A (zh) 基于联合多级空谱信息cnn的高光谱图像分类方法
CN106919952A (zh) 基于结构稀疏表示和内部聚类滤波的高光谱异常目标检测方法
CN111353531B (zh) 基于奇异值分解和空谱域注意力机制高光谱图像分类方法
CN103208011B (zh) 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法
CN103258324B (zh) 基于可控核回归和超像素分割的遥感图像变化检测方法
CN104751185B (zh) 基于均值漂移遗传聚类的sar图像变化检测方法
CN108229551B (zh) 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法
CN104778482B (zh) 基于张量半监督标度切维数约减的高光谱图像分类方法
Jia et al. A two-stage feature selection framework for hyperspectral image classification using few labeled samples
CN109389080A (zh) 基于半监督wgan-gp的高光谱图像分类方法
CN105868793A (zh) 基于多尺度深度滤波器的极化sar图像分类方法
CN104299232B (zh) 一种基于自适应窗方向波域和改进fcm的sar图像分割方法
CN105718942A (zh) 基于均值漂移和过采样的高光谱图像不平衡分类方法
CN112949738B (zh) 基于eecnn算法的多类不平衡高光谱图像分类方法
CN106097290A (zh) 基于nmf图像融合的sar图像变化检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant