基于分层极限学习机影像转换的多源影像变化检测方法
为提高现有多源影像无监督变化检测方法存在的检测结果易受噪声影响和计算效率低等问题,本文提出了一种基于分层极限学习机影像转换的多源影像变化检测方法.分层极限学习机(Hierarchical Extreme Learning Machine,HELM)通过多层前向编码获得丰富的特征表示,且当特征提取完成即可确定网络参数.本文方法首先通过对合成孔径雷达(Synthetic Ap-erture Radar,SAR)影像进行对数转换,以获得与光学影像相同的影像噪声分布,并利用影像平滑减少影像噪声对变化检测结果的影响;然后分别对多源影像进行聚类分析,通过对比两时相影像的聚类图获得初始变化检测图,选取初始变化检测图中的未变化区域的像元作为初始训练样本,构建训练样本修正模型修正初始训练样本以提高训练样本的准确性;引入HELM以实现多源影像特征空间转换,获取多时相空间转换影像,提高了算法效率;最后通过对比原始影像和多时相空间转换影像获取变化信息.两组多源影像(Google Earth和哨兵1号影像)的实验结果表明:与现有方法相比,本文方法的Kappa系数分别至少提高了 6.19%和8.94%,证明了本文方法对多源影像变化检测的有效性.
分层极限学习机、影像转换、多源影像、变化检测、噪声分布、训练样本、修正模型
24
TP391.41;S;TN958
国家重点研发计划;国家自然科学基金;湖南省自然科学基金项目
2023-01-03(万方平台首次上网日期,不代表论文的发表时间)
共13页
2212-2224