检索结果-南通市图书馆

耦合模糊C均值聚类和贝叶斯网络的遥感影像后验概率空间变化向量分析

在线全文

学校读者我要写书评

暂无评论

自然资源遥感 2021年第4期33卷 82-88页

作者：李轶鲲杨洋杨树文王子浩兰州交通大学测绘与地理信息学院兰州730070 地理国情监测技术应用国家地方联合工程研究中心兰州730070 甘肃省地理国情监测工程实验室兰州730070

在遥感图像变化检测领域中,后验概率空间变化向量分析(change vector analysis in posterior probability space,CVAPS)方法具有诸多优点而被广泛应用。CVAPS法使用支持向量机(support vector machine,SVM)估计后验概率向量,但对中低分... 详细信息

在遥感图像变化检测领域中,后验概率空间变化向量分析(change vector analysis in posterior probability space,CVAPS)方法具有诸多优点而被广泛应用。CVAPS法使用支持向量机(support vector machine,SVM)估计后验概率向量,但对中低分辨率遥感影像分类时SVM无法有效处理同物异谱、异物同谱及混合像元问题,从而无法保证最终检测结果的精度。由此,文章针对混合像元问题采用模糊C均值聚类(fuzzy C-means,FCM)进行建模,并耦合简单贝叶斯网络(simple Bayesian network,SBN)以解决混合像元问题及估计后验概率向量,实现了一种新的后验概率空间变化向量分析方法。实验结果表明,本文算法的总体精度和Kappa系数均优于基于SVM的CVAPS算法,算法性能受训练样本的数量影响较小,且参数设置简单,耗时少。文章提出的算法有助于提高遥感图像变化检测的精度和效率。

关键词：遥感图像变化检测后验概率空间变化向量分析模糊C均值聚类简单贝叶斯网络

基于空间模糊C均值聚类和贝叶斯网络的抗噪声遥感图像变化检测

在线全文

学校读者我要写书评

暂无评论

自然资源遥感 2023年第4期35卷 96-104页

作者：王子浩李轶鲲李小军杨树文兰州交通大学测绘与地理信息学院兰州730070 地理国情监测技术应用国家地方联合工程研究中心兰州730070 甘肃省地理国情监测工程实验室兰州730070

目前,大部分遥感变化检测算法无法有效处理受高斯、椒盐和混合噪声污染的图像。为了解决这一问题,文章将能够在噪声污染条件下有效分解混合像元的5种基于邻域空间信息的模糊C均值聚类(FCM_S1,FCM_S2,KFCM_S1,KFCM_S2和FLICM)算法分别与... 详细信息

目前,大部分遥感变化检测算法无法有效处理受高斯、椒盐和混合噪声污染的图像。为了解决这一问题,文章将能够在噪声污染条件下有效分解混合像元的5种基于邻域空间信息的模糊C均值聚类(FCM_S1,FCM_S2,KFCM_S1,KFCM_S2和FLICM)算法分别与简单贝叶斯网络(simple Bayesian network,SBN)相结合,在后验概率空间变化向量分析(change vector analysis in posterior probability space,CVAPS)框架下,实现了5种能够较好地抗高斯、椒盐和混合噪声的遥感变化检测方法。对比实验证明,该文所提出的变化检测算法对高斯、椒盐和混合噪声具有较好的鲁棒性。

关键词：变化检测模糊C均值聚类简单贝叶斯网络后验概率空间变化向量分析

基于空间信息的后验概率空间遥感影像变化检测研究

在线全文

学校读者我要写书评

暂无评论

基于空间信息的后验概率空间遥感影像变化检测研究

作者：王子浩兰州交通大学

学位级别：硕士

变化检测作为对全球地表覆盖类型进行实时动态监测的技术手段,对相关领域有着非常重要的意义。由于高分辨率遥感影像能提供细节更加丰富的地物光谱和空间信息,因此基于高分影像的变化检测在考虑光谱信息的同时,也应该考虑影像空间信息... 详细信息

变化检测作为对全球地表覆盖类型进行实时动态监测的技术手段,对相关领域有着非常重要的意义。由于高分辨率遥感影像能提供细节更加丰富的地物光谱和空间信息,因此基于高分影像的变化检测在考虑光谱信息的同时,也应该考虑影像空间信息。为了更好的利用影像中的空间信息,已有大量的研究工作基于随机场模型在变化检测中引入空间信息,如条件随机场(Conditional Random Field,CRF)。CRF可灵活设置的势能函数,能够以多种方式引入空间信息,提高变化检测精度。目前大多数基于CRF的变化检测方法主要使用变化向量分析法(Change Vector Analysis,CVA)生成的变化强度图作为观察场。但是,CVA变化强度图中不同变化类型的变化幅度不同,对基于CRF的变化检测精度造成了不利的影响。由于后验概率空间变化向量分析(Change Vector Analysis in Posterior Probability Space,CVAPS)法生成的变化强度图中,不同变化类型的变化幅度范围一致,因此将CVAPS与CRF相结合,很可能提高变化检测精度。此外,目前影响遥感变化检测精度的另一个重要因素是遥感影像中的噪声污染,比如椒盐噪声、高斯噪声、及两者的混合噪声。因此,在CVAPS变化检测框架中引入抗噪声算法可以一定程度地削弱噪声干扰,保证后验概率空间变化向量的估计精度,进一步提高CVAPS变化检测的抗噪声能力。针对变化检测算法如何有效利用高分影像的空间信息以提高检测精度,本文将混合条件随机场(Hybrid Conditional Random Field,HCRF)与FCM-SBN-CVAPS算法耦合,提高了高分辨率遥感影像的变化检测精度。在此基础上,通过使用空间FCM算法提高了变化检测算法的抗噪声能力。论文研究内容与成果如下:(1)研究并提出了基于模糊C均值聚类和简单贝叶斯网络的混合条件随机场(FCM-SBN-CVAPS-HCRF)变化检测方法。针对高分辨率遥感影像的丰富空间信息、CRF可以灵活地引入空间上下文信息,减少复杂地物结构和高光谱差异性对变化检测性能的不利影响。其中,HCRF在引入邻域的空间信息的同时,还考虑到了对象级地物空间信息对变化像素的影响。但是HCRF的观察场和标签场都是建立在CVA生成的变化强度图的基础上。而CVA变化强度图中不同变化类型的变化幅度不同,难以保证HCRF模型的变化检测精度。针对光谱变化幅度不一致的问题,FCM-SBN-CVAPS算法作为一种基于CVAPS框架的变化检测算法,可以通过FCM和SBN对影像的同物异谱和异物同谱现象建模,精确地估算多时相影像的后验概率空间变化向量,并根据变化强度判断像素是否发生变化。由于不同变化类型的后验概率变化强度的幅度一致,后验概率空间变化强度图更适合作为HCRF的观察场和标签场,能较好的保证HCRF模型的变化检测精度。实验结果表明FCM-SBN-CVAPS-HCRF变化检测算法较好地考虑到高分辨率遥感影像光谱信息和空间信息,减少同物异谱、同谱异物、复杂地物结构和高光谱差异性对变化检测的不利影响,与CVA-MRF和CVA-HCRF相比,其变化检测精度更高。(2)基于已有研究,扩充完成了基于空间模糊C均值聚类和简单贝叶斯网络(空间FCM-SBN-CVAPS)的中低分辨率遥感影像抗噪声变化检测。针对中低分辨率遥感影像,FCM对噪声较为敏感,无法有效地分解混合像元,导致FCM-SBN-CVAPS无法准确估计后验概率空间变化向量。本文将能够在噪声污染条件下有效分解混合像元的5种空间模糊C均值聚类(FCM＿S1、FCM＿S2、KFCM＿S1、KFCM＿S2和FILCM)算法分别与简单贝叶斯网络(Simple Bayesian Network,SBN)相结合,在CVAPS框架下,实现了5种能够较好地抗高斯、椒盐、和混合噪声的遥感变化检测方法。对比实验证明,空间FCM-SBN-CVAPS算法对中低分辨率遥感影像中的高斯、椒盐和混合噪声具有较好的抗噪性。(3)研究了基于空间模糊C均值聚类和简单贝叶斯网络的混合条件随机场(空间FCM-SBN-CVAPS-HCRF)高分辨率遥感影像抗噪声变化检测算法。对于高分辨率遥感影像噪声污染问题,本文将空间FCM-SBN-CVAPS与HCRF相结合。通过空间FCMSBN-CVAPS建立后验概率空间变化强度图来减弱噪声干扰。同时,HCRF也能通过引入空间信息进一步减少噪声干扰。实验结果表示空间FCM-SBN-CVAPS-HCRF(FCM＿S1-SBN-CVAPS-HCRF、FCM＿S2-SBN-CVAPS-HCRF、KFCM＿S1-SBN-CVAPSHCRF、KFCM＿S2-SBN-CVAPS-HCRF和FLICM-SBN-CVAPS-HCRF)对高分辨率

关键词：变化检测模糊C均值聚类后验概率空间变化向量分析条件随机场

基于空间模糊C均值聚类和贝叶斯网络的高分一号遥感影像变化检测

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

测绘与空间地理信息 2023年第4期46卷 34-37,42页

作者：杨洋李轶鲲杨树文宋嘉鑫兰州交通大学测绘与地理信息学院甘肃兰州730070 地理国情监测技术应用国家地方联合工程研究中心甘肃兰州730070 甘肃省地理国情监测工程实验室甘肃兰州730070

在目前经典的变化检测算法中,后验概率空间变化向量分析(CVAPS)方法广泛用于遥感影像的变化检测。然而,基于支持向量机(SVM)的CVAPS法无法有效处理高分一号影像中等分辨率遥感影像中的混合像元问题,且难以有效保证变化检测的精度。因此... 详细信息

在目前经典的变化检测算法中,后验概率空间变化向量分析(CVAPS)方法广泛用于遥感影像的变化检测。然而,基于支持向量机(SVM)的CVAPS法无法有效处理高分一号影像中等分辨率遥感影像中的混合像元问题,且难以有效保证变化检测的精度。因此,本文通过引入空间信息,使用空间模糊C均值聚类(Spatial Fuzzy C Means, SFCM)有效地实现高分一号影像混合像元的分解,并结合简单贝叶斯网络(SBN),提出一种新的后验概率空间变化向量分析法SFCM-SBN-CVAPS。实验结果表明,本文算法的总体精度和Kappa系数均高于基于普通模糊C均值聚类(Fuzzy C Means, FCM)的CVAPS算法,且耗时更短,本文所提出的算法有助于提高遥感影像变化检测的精度和效率。

关键词：遥感影像变化检测空间模糊C均值聚类模糊C均值聚类简单贝叶斯网络后验概率空间变化向量分析