针对在遥感大数据时代背景下，传统变化检测方法的精度和自动化程度难以满足实际应用需求，提出一种联合光谱特征、对象特征和时间特征的遥感影像变化检测方法。在提取遥感影像多种特征的基础上，利用双向长短期记忆网络，提取光谱-对象-时间特征，实现双时相影像变化信息的有效提取。基于双时相中分辨率遥感影像的实验结果表明：本方法的总体精度超过0.9，Kappa系数达到0.84。相较于传统的变化检测方法，可以有效提高变化检测的精度和自动化程度。
曹州
,
刘士彬
,
马勇
,
姚武韬
,
姜丽媛
. 一种联合光谱-对象-时间特征的遥感影像变化检测方法[J]. 中国科学院大学学报, 2022
, 39(1)
: 102
-109
.
DOI: 10.7523/j.ucas.2020.0005
According to the fact that traditional change detection methods are difficult to meet the needs of practical applications in the era of big data of remote sensing, this paper proposes a method by combining spectral-object-temporal features to solve this problem. On the basis of extracting various features of remote sensing images, the Bi-LSTM network is used to extract the joint spectrum-temporal-object feature to obtain the effective information of changes in bi-temporal images. Experimental results based on bi-temporal medium-resolution remote sensing images show that the overall accuracy of this method is greater than 0.9, and the Kappa coefficient reaches 0.84. Compared to traditional methods, the proposed method effectively improves the accuracy and degree of automation of change detection.
[1] Lu D, Mausel P, Brondízio E, et al. Change detection techniques[J]. International Journal of Remote Sensing, 2004, 25(12):2365-2401.
[2] 李德仁. 利用遥感影像进行变化检测[J]. 武汉大学学报·信息科学版, 2003, 28(S1):7-12.
[3] Radke R J, Andra S, Al-Kofahi O, et al. Image change detection algorithms:a systematic survey[J]. IEEE Transactions on Image Processing:a publication of the IEEE Signal Processing Society, 2005, 14(3):294-307.
[4] 眭海刚, 冯文卿, 李文卓, 等. 多时相遥感影像变化检测方法综述[J]. 武汉大学学报·信息科学版, 2018, 43(12):1885-1898.
[5] 张良培, 武辰. 多时相遥感影像变化检测的现状与展望[J]. 测绘学报, 2017, 46(10):1447-1459.
[6] 周启鸣. 多时相遥感影像变化检测综述[J]. 地理信息世界, 2011, 9(2):28-33.
[7] Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural Computation, 1997, 9(8):1735-1780.
[8] 陈迪, 郭锐, 刘士彬, 等. 基于长短期记忆网络模型的中分辨率遥感影像变化检测研究[J]. 地理与地理信息科学, 2019, 35(6):25-30.
[9] Lyu H B, Lu H, Mou L C. Learning a Transferable Change Rule from a Recurrent Neural Network for Land Cover Change Detection[J]. Remote Sensing, 2016, 8(6):506.
[10] Mou L C, Bruzzone L, Zhu X X. Learning spectral-spatial-temporal features via a recurrent convolutional neural network for change detection in multispectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(2):924-935.
[11] 徐俊峰, 张保明, 郭海涛, 等. 一种多特征融合的面向对象多源遥感影像变化检测方法[J]. 测绘科学技术学报, 2015, 32(5):505-509.
[12] 郝睿, 徐俊峰, 王庆宝, 等. 基于BP神经网络的多特征融合变化检测方法[J]. 海洋测绘, 2016, 36(1):79-82.
[13] 王文杰, 赵忠明, 朱海青. 面向对象特征融合的高分辨率遥感图像变化检测方法[J]. 计算机应用研究, 2009, 26(8):3149-3151.
[14] 吴漾, 高波. 结合指数特征和SVM算法的遥感影像土地利用变化检测[J]. 测绘技术装备, 2013, 15(4):58-62.
[15] 杨安妮, 许亚辉, 苏红军. 结合建筑指数的城市建筑用地提取与变化检测分析[J]. 测绘与空间地理信息, 2014, 37(8):30-34.
[16] 马红, 刘浩. 一种多特征自适应组合的遥感影像变化检测方法[J]. 首都师范大学学报(自然科学版), 2018, 39(3):85-90.
[17] 杜子涛, 占玉林, 王长耀. 基于NDVI序列影像的植被覆盖变化研究[J]. 遥感技术与应用, 2008, 23(1):47-50, 125.
[18] 刘桂林, 张落成, 刘剑, 等. 基于Landsat TM影像的水体信息提取[J]. 中国科学院大学学报, 2013, 30(5):644-650.
[19] 梁珊, 刘荣, 祖帅, 等. 基于多光谱遥感影像的城市建设用地提取及扩张分析[J]. 测绘与空间地理信息, 2018, 41(6):74-78.
[20] Schuster M, Paliwal K K. Bidirectional recurrent neural networks[J]. IEEE Transactions on Signal Processing, 1997, 45(11):2673-2681.
