高分辨率遥感影像的随机森林变化检测方法

被引：52

作者：

冯文卿 ^{[1
]}

眭海刚 ^{[1
]}

涂继辉 ^{[1
,2
]}

孙开敏 ^{[1
]}

黄伟明 ^{[3
]}

机构：

[1] 武汉大学测绘遥感信息工程国家重点实验室

[2] 长江大学电子信息学院

[3] 隆德大学自然地理和生态系统科学系

来源：

测绘学报 | 2017年 / 46卷 / 11期

基金：

国家重点研发计划;

关键词：

分割; 超像素; 特征; 随机森林; 变化检测;

D O I：

暂无

中图分类号：

TP751 [图像处理方法];

学科分类号：

081002 ;

摘要：

基于面向对象分析(OBIA)的遥感影像变化检测研究已取得显著的进展,代表了遥感影像变化检测的发展范式,未来是发展更加智能的解译分析方法。随机森林作为一种新的机器学习算法,其预测效果和性能稳定性要优于许多单预测器和集成预测方法。本文充分利用OBIA及随机森林机器学习算法的优势,提出了利用随机森林进行面向对象的遥感影像变化检测。首先基于熵率对影像进行超像素分割,通过最优超像素个数评价指数来获取最佳的影像分割结果,并提取每个超像素在前、后时相影像上的光谱特征和Gabor特征作为随机森林的特征输入数据,用于模型的训练。在初始像素级检测结果之上,自动进行分类样本选择并构建分类器模型,用训练好的模型来提取最终的变化区域。利用Quickbird、IKONOS、SPOT-5等3组多光谱影像进行试验,结果表明,本文方法在变化检测精度上要优于对比方法。

引用

页码：1880 / 1890

页数：11

共 12 条

[1] 利用随机森林的高分一号遥感数据进行城市用地分类 [J].

郭玉宝 ;

池天河 ;

彭玲 ;

刘吉磊 ;

杨丽娜 .

测绘通报, 2016, (05) :73-76

[2] 基于随机森林的地理要素面向对象自动解译方法 [J].

顾海燕 ;

闫利 ;

李海涛 ;

贾莹 .

武汉大学学报(信息科学版) , 2016, (02) :228-234

[3] 利用多尺度融合进行面向对象的遥感影像变化检测 [J].

冯文卿 ;

张永军 .

测绘学报, 2015, (10) :1142-1151

[4] 融合多特征的遥感影像变化检测方法 [J].

李亮 ;

舒宁 ;

王凯 ;

龚龑 .

测绘学报, 2014, (09) :945-953+959

[5] 一种高分辨率遥感影像的最优分割尺度自动选取方法 [J].

殷瑞娟 ;

施润和 ;

李镜尧 .

地球信息科学学报, 2013, 15 (06) :902-910

[6] 一种新的高分辨率遥感影像城区提取方法 [J].

陈洪 ;

陶超 ;

邹峥嵘 ;

于菲菲 .

武汉大学学报(信息科学版) , 2013, (09) :1063-1067

[7] 基于支持向量机的矿区土地覆盖变化检测 [J].

杜培军 ;

柳思聪 ;

郑辉 .

中国矿业大学学报 , 2012, (02) :262-267

[8] 高分辨率遥感影像土地利用变化检测方法研究 [J].

王琰 ;

舒宁 ;

龚龑 .

国土资源遥感, 2012, (01) :43-47

[9] Unsupervised change detection using fuzzy c-means and MRF from remotely sensed images [J].

Hao, Ming ;

Zhang, Hua ;

Shi, Wenzhong ;

Deng, Kazhong .

REMOTE SENSING LETTERS, 2013, 4 (12) :1185-1194

[10]

A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using SPOT-5 HRG imagery[J] . Dennis C. Duro,Steven E. Franklin,Monique G. Dubé.Remote Sensing of Environment . 2011

← 1 2 →