-
建筑物作为城市的基本空间结构组成之一, 其空间变化分布对于城市规划、违规违建监测等方面具有非常重要的意义[1]。传统的建筑物变化检测需要大量的人工实地调查, 费时费力, 而且难以快速获取大范围建筑物变化。基于高分辨率遥感影像的建筑物变化检测能够快速识别其准确的大范围空间分布变化, 节省大量人力物力。高分影像上的建筑物呈现出了独特的边缘、形状、纹理、上下文等特征, 针对这些特征, 学者们分别设计了不同的算法[2-4], 例如文献[2]采用纹理与光谱特征进行建筑物变化检测, 文献[3]采用建筑物阴影与建筑物的空间关系进行损毁建筑物提取。但是上述方式仅从浅层的空间特征提取角度出发来识别建筑物变化情况, 对于复杂的建筑物几何结构或场景则难以达到较好的识别结果。通过引入其他空间数据, 如LiDAR等已有建筑物数据库, 虽然能够有效改善这一问题, 但是存在成本巨大、数据缺失等问题[1, 5]。文献[6]利用形态学变换方法提出了一种简单、高效的建筑物空间特征--形态学建筑物指数(morphology building index, MBI)进行复杂建筑物识别; 文献[7]基于MBI指数与光谱特征相结合, 通过人工设置阈值的方式来进行快速建筑物变化检测, 无需样本勾选, 取得了一定的效果。但是该种方式通过单个阈值设定难以准确描述全局变化情况, 算法从像元的角度出发, 不可避免地存在"椒盐"现象, 且得到的建筑物变化区域通常需要后续优化, 如通过长宽比、面积等形状特征对非建筑物变化区域进行过滤[8], 对于复杂形状的地物, 仍然难以有效去除。
近年来, 机器学习方法在高分辨率遥感影像变化检测中的应用较为广泛[8-10], 精度得到了很大的提升。但通常需要同时标注正负样本, 费时费力。文献[10]利用一种单分类器, 仅使用一类正样本进行训练预测, 并将其成功应用到Landsat 8等分辨率遥感影像土地变化调查中, 取得了较好的实验结果, 在一定程度上解决了需要正负样本同时参与训练的多类分类问题, 但是其特征组合方式仍然通过矢量叠加的方式进行, 高维特征有可能产生Huge现象, 即随着特征数目的增加, 分类精度反而降低。文献[11]提出一种利用Kernel集成的方式对光谱与空间特征进行有效的融合, 在高分辨率遥感影像分类中得到了成功的应用。通过对现有基于遥感影像的建筑物变化检测方法进行分析, 可以总结其存在以下问题:①对多个特征有效顾及存在一定不足; ②基于机器学习的建筑物变化检测需要正负样本同时参与; ③通常需要利用长宽比等形状特征去除非建筑物区域, 但是对于复杂形状地物难以去除, 例如环形道路等。
因此, 本文设计了一种正样本单分类框架下的高分辨率影像建筑物变化检测算法, 该算法具有以下优点:①引入一种新的多特征融合方式, 对光谱特征与形态学建筑物指数特征进行有效融合, 充分利用了各个特征的优势; ②无需负样本的选定即可利用机器学习方法进行建筑物变化检测; ③设计了一种新的形状描述算子, 对复杂地物形状描述更为准确, 提高了建筑物变化检测精度。
-
本文的实验流程如图 1所示, 首先从建筑物的特征挖掘角度出发, 引入一种形态学建筑物指数进行特征描述, 同时采用联合分割的手段完成地物的对象表达, 值得注意的是, 联合分割的波段选择是指两期影像叠加, 并同时进行分割, 该种方式可使分割后对象一致; 其次利用一种正样本单分类器基于核函数集成(下文统称Kernel集成)的方式得到变化区域判定, 并以众数规则的方式完成对象级建筑物变化检测; 最后利用一种新的形状特征对非建筑物区域进行有效去除, 得到最终变化检测结果。
图 1 建筑物变化检测实验流程
Figure 1. Flowchart of Building Change Detection
-
为了使变化检测结果更为精确, 首先对两期影像进行严格的几何配准预处理, 处理软件为ENVI5.3。高分辨率遥感影像上, 同谱异物、同物异谱现象相对于中低分辨率遥感影像的变化检测难度更大。针对这一问题, 学者们在特征提取方面开展了大量的研究, 挖掘空间特征, 改善了仅依靠光谱特征的不足, 如以纹理特征-灰度共生矩阵(gray level co-occurrence matrix, GLCM)等进行辅助影像分类[12]。尽管该类方法取得了一定的效果, 但是建筑物本身纹理呈现多样性, 难以用一种或者多种纹理算子进行简单的描述。MBI算子计算简单, 能够对影像上的建筑物区域进行灰度增强, 增大了建筑物与其他地物的差异性, 在建筑物识别等方面得到了广泛的应用[6-7]。因此本文采用该算子作为建筑物的空间特征描述。
-
基于MBI特征, 增加了建筑物与其他地物的区分度, 但是同时也包含了部分非建筑物区域, 因此, 本文考虑融入光谱特征进行改善。文献[13]利用卡方变换算法对多特征进行融合, 以波段方差来确定权重, 该种方式简单有效, 但是其仍然会对空间信息造成一定的损失。本文引入Kernel集成的方式来对形态学建筑物指数特征与光谱特征进行融合, 能最大程度地保留特征信息, 同时发挥光谱与MBI特征的优势[11]。
基于Kernel的多特征融合的主要思想是通过核函数的方式对光谱与空间特征进行组合。核函数的选择为径向基核函数(radial basis function, RBF), 该核函数相比较于线性核等其他核函数, 对于高维特征不敏感, 其对空间与光谱特征进行组合的表达式为:
$$ k = {u_1}{k_1} + {u_2}{k_2} $$ (1) 式中, k1表示光谱特征核函数; k2表示形态学建筑物指数特征核函数; k表示新合成的核函数; u1和u2表示不同特征的合成权重, 其中, u2=1-u1。由于篇幅所限, 基于Kernel集成的多特征融合算法原理请详见文献[11]。
基于机器学习的建筑物变化检测通常需要人工选取正负样本, 样本比例与数量均会影响最终的检测结果。本文引入了一种只需正样本的分类器--支持向量数据描述(support vector data description, SVDD), 即仅需一类样本, 减少了人工干预, 且计算效率更高[10, 14]。基于SVDD的上述优点, 选取该分类器作为本文的正样本单分类器, 通过人工选取少量建筑物变化样本, 来完成建筑物变化检测。其中SVDD实现采用开源代码LIBSVM进行[15], 核函数选择为RBF核函数, 两个重要的参数C、g采用5倍交叉验证的方式对进行自动查找[16]。
本文的单分类框架下的Kernel多特征融合建筑物变化检测具体实现方式如下:
1) 分别提取两期影像的形态学建筑物指数特征和光谱特征;
2) 以变化向量分析的方式分别对两种特征进行单波段合成, 具体合成公式为:
$$ \left\{ {\begin{array}{*{20}{l}} {{\rm{Ban}}{{\rm{d}}_s} = \mathop \sum \limits_{i = 1}^n \left( {\left| {{B_{{\rm{a}}i}} - {B_f}_i} \right|} \right)}\\ {{\rm{Ban}}{{\rm{d}}_m} = \left| {{\rm{M}}{{\rm{B}}_{\rm{a}}} - {\rm{M}}{{\rm{B}}_f}} \right|} \end{array}} \right. $$ (2) 式中, ${\rm{Ban}}{{\rm{d}}_s}$与${\rm{Ban}}{{\rm{d}}_m}$分别表示合成后光谱与形态学建筑物指数特征; ${B_f}_i$与${B_{{\rm{a}}i}}$分别表示前后两期影像第i个光谱特征; n表示波段总数; ${\rm{M}}{{\rm{B}}_f}$与${\rm{M}}{{\rm{B}}_a}$分别表示前后两期影像的形态学建筑物指数特征。通过式(2), 两期影像分别得到两个特征波段, 即合成后光谱特征和形态学建筑物指数特征。
3) 在上述两个特征上, 目视选取建筑物变化区域, 基于SVDD算法进行训练、预测, 从而得到最终的变化区域判定。值得提出的是, 两种合成的特征波段所选取的变化样本区域是一致的。
-
§1.2中得到的变化检测结果是像元级检测结果, 对于高分辨率遥感影像, 容易产生"椒盐"现象[6]。目前, 基于面向对象的地物变化检测方法有效地改善了"椒盐"现象, 在高分影像上得到了较多应用[17-19]。但是变化对象的形成通常需要图像分割的手段进行实现, 为了得到更为准确的分割对象, 本文选取多尺度分割算法来实现[20](分割算法实现软件下载地址:http://www.piesat.com.cn/hangye_yy/PIE-SIAS.html)。
通过影像分割得到的对象, 对每个对象以众数规则的方式判定该对象是否为变化区域, 最大程度地减少"椒盐"与"空洞"现象。具体地, 对每个对象按照式(3)进行对象级变化检测:
$$ {\rm{Obj}} = \left\{ {\begin{array}{*{20}{c}} {1, {\rm{nu}}{{\rm{m}}_1} > {\rm{thresold}}}\\ {0, {\rm{nu}}{{\rm{m}}_1} < {\rm{thresold}}} \end{array}} \right. $$ (3) 式中, Obj表示最终的对象是否变化, 1表示变化, 0表示未变化; num1表示某个分割对象内变化的像素个数, 即为1的像元个数为了提高算法的自动化程度, thresold采用自动化的方法进行设置。即在某个对象内, 如果值为1的像元个数大于值为0的像元个数, 则判定该对象为变化对象。从理论上来分析, 基于众数规则的方式能够有效减少单一像素的存在, 即减少"椒盐"现象。
-
得到的对象级建筑物变化区域仍然会有部分非建筑物地物, 文献[7]首先采用8邻域方式对二值图像进行标记, 然后利用一种长宽比特征对道路网络过滤, 获得更为精确的建筑物变化区域, 但是该种方式对于长宽比类似的道路与建筑物等情况(如环形道路, 二值图像上倾斜的局部断裂道路段)仍然难以有效去除。针对这一问题, 本文提出了一种新的特征--填充度特征, 对非建筑物区域进行有效去除, 定义如下:
$$ T = \frac{{2 \times \sqrt {{\rm{ \mathsf{ π} }} \cdot A} }}{P} $$ (4) 式中, A表示标记图像中某一对象的所有像元个数; P表示该对象的周长。
-
为了验证单分类框架下建筑物变化检测算法的可行性, 本文设计了相关实验进行分析与讨论, 主要包括两个部分:第一是进行建筑物变化检测实验, 并与现有相关算法进行对比分析; 第二是对本文的算法参数进行敏感性分析。
本文采用定量的精度评价方法[7], 其中有4个重要的指标, 即正确率(correctness, CT)、虚检率(false alarms, FA)、漏检率(miss alarms, MA)、平均错误率(average error, AE)。正确率是指正确检测出的变化建筑物像元个数与所有建筑物变化像元个数的比值; 虚检率是指错误检测的建筑物像元个数与所有建筑物变化像元个数的比值; 漏检率是指遗漏的建筑物像元个数与所有建筑物变化像元个数的比值; 平均误差是指虚检率与漏检率的平均值。
-
通过选取两组不同空间分辨率的遥感影像进行实验, 验证算法的有效性与鲁棒性。在影像预处理阶段, 前后时相的影像均经过严格的几何校正与直方图匹配, 以满足两期影像处理需求。
由于本文所提算法为单分类算法, 只需一类样本, 但是本质上仍然为监督分类方法, 为了验证本文算法的有效性, 分别从以下3个角度进行算法对比分析:
1) 与传统的多类分类监督方法进行对比, 即同时选择正负样本, 验证单分类框架下建筑物变化检测的可行性。本文选择SVM(support vector machine)多类分类算法进行对比, 而且多类SVM算法建筑物变化样本与本文一类样本保持一致, 其目的也是为了更好地对比算法结果;
2) 与目前其他较优建筑物变化检测算法进行对比, 文献[7]同样利用了光谱与形态学建筑物指数特征进行建筑物变化检测, 因此具有较高可比性;
3) 与其他多特征融合变化检测算法进行对比, 验证本文多特征融合方法的有效性。文献[13]提出了一种基于卡方变换的建筑物多特征融合算法, 与本文的基于Kernel的多特征融合算法具有一定的可比性。
上述3种对比算法的两个实验参数见表 1。
表 1 对比算法与参数确定
Table 1. Comparison Methods and Parameter Setting
对比方法 实验1参数 实验2参数 是否需要
勾选样本对比目的 SVM多类分类算法 C、g参数通过5倍交叉验证自动获得最优 C、g参数通过5倍交叉验证自动获得最优 需要勾选正负两类样本 单分类与多分类变化检测效果比较 文献[7]算法 光谱判别阈值为0.2, MBI判别阈值为0.3, 长宽比阈值设定为10 光谱判别阈值为0.1, MBI判别阈值为0.1, 长宽比阈值设定为20 无需勾选样本 与目前较优算法进行对比, 验证本文方法有效性 文献[13]算法 特征融合权重, 形态学建筑物指数0.6, 光谱特征0.4 特征融合权重, 形态学建筑物指数0.75, 光谱特征0.25 无需勾选样本 与现有建筑物多特征融合算法进行对比, 验证本文多特征融合方法的有效性 -
实验数据为成都市的QuickBird影像, 时间分别为2010年11月与2012年10月, 空间分辨率为2.4 m, 影像大小为995×514。本文算法设置的参数如下:多尺度分割参数, 尺度为10, 紧致度为0.5, 形状因子为0.6。非建筑物区域过滤参数为0.2, 基于Kernel空谱特征融合参数为0.6, 勾选的正样本个数为真实建筑物变化的5%。原始影像与变化真值如图 2所示。
图 2 QuickBird实验影像
Figure 2. QuickBird Images
根据上述实验参数, 不同算法的建筑物变化检测结果如图 3所示。
图 3 不同算法实验结果(实验1)
Figure 3. Results of Different Methods(Experiment 1)
图 3中白色区域为变化建筑物检测结果, 从实验结果来看, 本文算法取得了相对较优的视觉效果。为了更加准确地显示不同算法的实验效果, 本文对图 2中矩形小区域进行了局部放大显示, 如图 4所示。
图 4 不同算法局部区域对比(实验1)
Figure 4. Results of Local Area of Different Methods(Experiment 1)
从图 4可以看出, 文献[7]算法从像元的角度出发, 导致了"椒盐"与"空洞"现象, 且简单的阈值设定难以得到非常理想的实验结果。文献[13]算法有部分建筑物区域并没有识别出来。经典的SVM两类方法与本文方法均达到了较好的实验效果。
为了更好地验证不同方法对比结果, 定量对比精度结果如表 2所示。从表 2可以看出, 本文算法4个指标均取得了较优结果, 文献[13]算法由于漏识别部分较多, 因此漏检率较高, 从具体的算法原理来看, 其通过波段方差权重方式对多特征进行融合, 该种方式改变了特征的原始信息, 因此不能充分利用各个特征的优点。文献[7]从像元的角度出发, 实验结果产生较多的"空洞"与"椒盐"现象, 这是由于其以单个阈值的方式来判定全局的变化, 因此容易产生较多的误识别像元。从定量的结果来看, 本文的单分类方法达到了两分类算法的精度, 验证了在有偏数据下, 本文的单分类方法是可行的, 且具有较高的精度。
-
实验数据为中国湖南省长沙市某地区的WordView2高分辨率遥感影像, 其中获取时间分别为2011年4月与2015年11月, 空间分辨率均为1.2 m, 影像大小均为1 332×1 320。本文算法设置的相关参数如下:多尺度过分割参数, 尺度为15, 紧致度为0.5, 形状因子为0.3。非建筑物区域过滤参数为0.25, 基于Kernel空谱特征融合参数为0.68, 勾选的正样本个数为真实建筑物变化的5%。原始影像与变化真值如图 5所示。
图 5 WorldView-2实验影像
Figure 5. WorldView-2 Images
本文与其他对比算法实验结果如图 6所示。
图 6 不同算法实验结果(实验2)
Figure 6. Results of Different Methods(Experiment 2)
对图 6中选定的局部区域进行局部放大显示, 对比效果如图 7所示。
图 7 不同算法局部区域对比(实验2)
Figure 7. Results of Local Area of Different Methods(Experiment 2)
从图 6与图 7可以看出, SVM两分类算法与文献[13]算法的提取结果出现了"粘连"现象, 导致一定的误识别率。文献[7]算法有效解决了"粘连"现象, 但是出现了"空洞"现象, 这是由于像素级算法本身的局限性所致。本文算法对于建筑物变化边界保持较好, 视觉效果较为理想。
定量的精度评价结果如表 3所示。从表 3来看, SVM两分类算法、文献[13]算法与本文算法正确率较高, 在虚检率方面, 本文算法与文献[7]算法取得了较其他两种算法更优的结果, 在漏检率与平均误差方面, 本文算法与SVM两分类算法取得了相对较优的结果。
-
为了分析参数选择对精度的影响, 根据实验1进行参数敏感性分析, 由于主要参数选择为特征融合参数u1与非建筑物过滤参数T, 因此重点评价这两个参数对最终精度的影响, 精度分析结果如图 8和图 9所示。
图 8 参数T敏感性分析
Figure 8. Sensitivity Analysis of Parameter T
图 9 参数u1敏感性分析
Figure 9. Sensitivity Analysis of Parameter u1
从图 8可以看出, 随着T值不断增大, 正确率不断下降, 同时虚检率不断下降, 漏检率上升。这是由于过大的参数会去掉建筑物像元, 导致漏检率上升, 虚检率有效降低。综合来看, 需要确定一个相对较优参数来得到最优结果, 当T=0.2时, 能够得到一个相对较优值, 即正确率、虚检率、漏检率、平均误差达到一个相对较好的状态, 因此本文T值确定为0.2。
从图 9可以看出, 当u1值取0.6时, 正确率、虚检率、漏检率、平均误差达到相对最优, 因此本文u1值确定为0.6, 这是由于过大或者过小的特征融合参数均会影响其他特征的贡献程度, 导致精度出现一定偏差, 因此需要确定一个相对最优值, 才能得到较为理想的建筑物变化检测结果。
-
本文针对现有基于机器学习的建筑物变化检测算法存在的需要人工标注正负样本等问题, 引入了一种单分类器, 无需负样本的选取即可完成建筑物变化检测, 减少了人工干预, 通过Kernel集成的方式对多特征进行更为有效的融合, 实验表明本文方法具有更高的精度。针对非建筑物变化区域, 本文设计了一种新的形状特征进行过滤, 提高了最终的提取精度, 但是对于与建筑物地物较为相似的地物, 如圆形罐等地物类型, 仍然存在不足, 下一步将深入挖掘地物的形状差异, 构建更为通用的增强算子。对于建筑物局部变化区域, 本文方法仍然存在漏检测问题, 这是由于分割算法存在的局限性, 无法将建筑物局部变化区域分割开, 下一步将探索更为有效的分割算法, 使地物边界分割更为准确、有效。从算法实现的角度来看, 本文仍然需要人工选取正样本, 下一步将通过形状特征约束的方式来自动获取正样本, 从而完成全自动的高精度建筑物变化检测。
High-Resolution Remote Sensing Image Building Change Detection Based on One-Class Classifier Framework
-
摘要: 针对现有机器学习方法在高分辨率遥感影像建筑物识别等领域需要正负训练样本同时参与, 提出了一种基于一类样本、无需负样本参与的单分类建筑物变化检测算法。首先, 提取影像的形态学建筑物指数特征; 然后与光谱特征进行多特征融合, 并基于该单类分类方法, 从面向对象的角度出发, 得到对象级建筑物变化检测结果; 最后利用构建的一种新的形状特征进行精化, 得到最终的建筑物变化检测结果。通过对多源高分辨率遥感影像开展实验, 验证了该算法具有一定的鲁棒性, 且相比于现有建筑物变化检测算法具有更优的检测精度。Abstract: In view of the existing machine learning methods in the field of high-resolution remote sensing image building extraction and the like, which requires positive and negative training samples to participate at the same time, a one-class building change detection algorithm based on one-class samples without the need for negative samples is proposed. Firstly, it extracts the morphological building index features of the image, and fuse multi-features with the spectral features. Secondly, based on the one-class classification method proposed in this paper, from the object-based perspective, it gets the object-level building change detection results. Finally, it constructs a new shape feature which is refined to obtain the final building change detection result. Through experiments on multi-source high-resolution remote sensing images, it is verified that our proposed algorithm is robust and has better detection accuracy than existing building change detection algorithms.
-
图 4 不同算法局部区域对比(实验1)
Figure 4. Results of Local Area of Different Methods(Experiment 1)
图 7 不同算法局部区域对比(实验2)
Figure 7. Results of Local Area of Different Methods(Experiment 2)
表 1 对比算法与参数确定
Table 1. Comparison Methods and Parameter Setting
对比方法 实验1参数 实验2参数 是否需要
勾选样本对比目的 SVM多类分类算法 C、g参数通过5倍交叉验证自动获得最优 C、g参数通过5倍交叉验证自动获得最优 需要勾选正负两类样本 单分类与多分类变化检测效果比较 文献[7]算法 光谱判别阈值为0.2, MBI判别阈值为0.3, 长宽比阈值设定为10 光谱判别阈值为0.1, MBI判别阈值为0.1, 长宽比阈值设定为20 无需勾选样本 与目前较优算法进行对比, 验证本文方法有效性 文献[13]算法 特征融合权重, 形态学建筑物指数0.6, 光谱特征0.4 特征融合权重, 形态学建筑物指数0.75, 光谱特征0.25 无需勾选样本 与现有建筑物多特征融合算法进行对比, 验证本文多特征融合方法的有效性 
下载: 导出CSV
-
[1] 袁修孝, 宋妍.一种运用纹理和光谱特征消除投影差影响的建筑物变化检测方法[J].武汉大学学报·信息科学版, 2007, 32(6): 489-493 doi: 10.3321/j.issn:1671-8860.2007.06.005 Yuan Xiuxiao, Song Yan. A Building Change Detection Method Considering Projection Influence Based on Spectral Feature and Texture Feature[J]. Geomatics and Information Science of Wuhan University, 2007, 32(6):489-493 doi: 10.3321/j.issn:1671-8860.2007.06.005 [2] 叶昕, 秦其明, 王俊, 等.利用高分辨率光学遥感图像检测震害损毁建筑物[J].武汉大学学报·信息科学版, 2019, 44(1):128-134 http://www.cnki.com.cn/Article/CJFDTotal-WHCH201901017.htm Ye Xin, Qin Qiming, Wang Jun, et al. Detecting Damaged Buildings Caused by Earthquake from Remote Sensing Image Using Local Spatial Statistics Method[J]. Geomatics and Information Science of Wuhan University, 2019, 44(1):128-134 http://www.cnki.com.cn/Article/CJFDTotal-WHCH201901017.htm [3] Tong X, Lin X, Feng T, et al. Use of Shadows for Detection of Earthquake-Induced Collapsed Buildings in High-Resolution Satellite Imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 79(5):53-67 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=0357eae6c32fb6312085c536eab2396d [4] Qin R. An Object-Based Hierarchical Method for Change Detection Using Unmanned Aerial Vehicle Images[J]. Remote Sensing, 2014, 6(9):7 911-7 932 doi: 10.3390/rs6097911 [5] 彭代锋, 张永军, 熊小军.结合LiDAR点云和航空影像的建筑物三维变化检测[J].武汉大学学报·信息科学版, 2015, 40(4):462-468 doi: 10.13203/j.whugis20130325 Peng Daifeng, Zhang Yongjun, Xiong Xiaojun. 3D Building Change Detection by Combining LiDAR Point Clouds and Aerial Imagery[J]. Geomatics and Information Science of Wuhan University, 2015, 40(4):462-468 doi: 10.13203/j.whugis20130325 [6] Huang X, Zhang L. Morphological Building/Shadow Index for Building Extraction from High-Resolution Imagery over Urban Areas[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012, 5(1):161-172 doi: 10.1109/JSTARS.2011.2168195 [7] Huang X, Zhang L, Zhu T. Building Change Detection from Multitemporal High-Resolution Remotely Sensed Images Based on a Morphological Building Index[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 7(1):105-115 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=0a944f2fcaf02818b35dba01ab26cb34 [8] Hou B, Wang Y, Liu Q. A Saliency Guided Semi-Supervised Building Change Detection Method for High Resolution Remote Sensing Images[J]. Sensors, 2016, 16(9):1 377 doi: 10.3390/s16091377 [9] 巩翼龙, 闫利.结合机载LiDAR数据与航空可见光影像多层次规则分类建筑物变化检测[J].光谱学与光谱分析, 2015(5):1 325-1 330 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=gpxygpfx201505040 Gong Yilong, Yan Li. Building Change Detection Based on Multi-Level Rules Classification with Airborne LiDAR Data and Aerial Images[J]. Spectroscopy and Spectral Analysis, 2015(5):1 325-1 330 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=gpxygpfx201505040 [10] Xu Z, Mountrakis G, Quackenbush L J. Impervious Surface Extraction in Imbalanced Datasets: Integrating Partial Results and Multi-Temporal Information in an Iterative One-Class Classifier[J]. International Journal of Remote Sensing, 2017, 38(1):43-63 doi: 10.1080/01431161.2016.1259677 [11] Fauvel M, Chanussot J, Benediktsson A. A SpatialSpectral Kernel-based Approach for the Classification of Remote-Sensing Images[J]. Pattern Recognition, 2012, 45(1):381-392 http://www.sciencedirect.com/science/article/pii/S0031320311002019 [12] Chaudhuri B, Sarkar N. Texture Segmentation Using Fractal Dimension[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1995, 17(1):72-77 doi: 10.1109/34.368149 [13] 贾永红, 谢志伟, 吕臻, 等.一种新的遥感影像变化检测方法[J].武汉大学学报·信息科学版, 2016, 41(8): 1 001-1 006 doi: 10.13203/j.whugis20150025 Jia Yonghong, Xie Zhiwei, Lv Zhen, et al. A New Change Detection Method of Remote Sensing Image[J]. Geomatics and Information Science of Wuhan University, 2016, 41(8):1 001-1 006 doi: 10.13203/j.whugis20150025 [14] Wu M, Ye J. A Small Sphere and Large Margin Approach for Novelty Detection Using Training Data with Outliers[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 31(11):2 088 doi: 10.1109/TPAMI.2009.24 [15] Chang C, Lin C. LIBSVM: A Library for Support Vector Machines[J]. ACM Transactions on Intelligent Systems and Technology, 2011, 2(3):27 http://dl.acm.org/citation.cfm?id=1961199 [16] Lin S, Lee Z, Chen C, et al. Parameter Determination of Support Vector Machine and Feature Selection Using Simulated Annealing Approach[J]. Applied Soft Computing, 2008, 8(4):1 505-1 512 doi: 10.1016/j.asoc.2007.10.012 [17] Blaschke T, Hay G, Kelly M, et al. Geographic Object-Based Image Analysis: Towards a New Paradigm[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 87(100):180-191 https://www.sciencedirect.com/science/article/abs/pii/S0924271613002220 [18] Ma L, Fu T, Li M. Active Learning for Object-Based Image Classification Using Predefined Training Objects[J]. International Journal of Remote Sensing, 2018, 39(9):2 746-2 765 doi: 10.1080/01431161.2018.1430398 [19] Melville B, Lucieer A, Aryal J. Object-based Random Forest Classification of Landsat ETM+ and WorldView-2 Satellite Imagery for Mapping Lowland Native Grassland Communities in Tasmania, Australia[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 66 http://adsabs.harvard.edu/abs/2018IJAEO..66...46M [20] Hu Z, Qian Z, Qin Z, et al. Stepwise Evolution Analysis of the Region-Merging Segmentation for Scale Parameterization[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 7(11):2 461-2 472 http://ieeexplore.ieee.org/document/8370056/ -
点击查看大图
图(9) / 表(3)
计量
- 文章访问数: 724
- HTML全文浏览量: 192
- PDF下载量: 71
- 被引次数: 0
