论文部分内容阅读
随着航空航天技术、传感器技术、计算机技术及其相关学科的迅猛发展，现代卫星遥感技术已经能够获取多分辨率、多角度、多传感器图像，图像几何分辨率从几公里到几十厘米，光谱分辨率从几百纳米到十几纳米，重访周期从几十天一次到一天多次，大量不同精度的遥感图像数据能够满足不同层次不同应用的需求，大大扩展了遥感图像的应用场景，遥感图像变化检测是其中重要的应用之一。传统变化检测框架是通过获取两幅或多幅同地域不同时间图像的基本差异图，再对其进行聚类分析等处理的过程。海量数据的出现，使得传统的变化检测方法面临巨大的挑战。近些年来，矩阵分解受到越来越多的关注，为遥感图像处理提供了新的思路。 论文首先根据遥感图像成像特点，获取不同模式的时相序列差异图，将提取的差异图的邻域信息作为特征描述；然后分别采用两种矩阵特征融合方法实现遥感图像变化检测。一种是非负矩阵分解特征融合方法，另外一种是基于相似度矩阵权重优化的谱聚类方法。 本文具体工作总结如下： 1.提出了基于非负矩阵分解特征融合的遥感图像变化检测方法，针对传统的基于像素的变化检测方法因图像数据的高维特性而导致性能下降的问题，利用非负矩阵分解的非负物理可解释性和数据降维特性，提出了基于非负矩阵分解特征融合方法。首先获取多模式差异图，在对其进行特征描述的基础上，使用矩阵拼接的方式实现多通道特征矩阵的组合，再利用非负矩阵分解的迭代逼近实现多特征矩阵融合，获得最终的遥感图像的变化检测结果。该方法在有效的压缩数据提高效率的同时，融合了各特征矩阵的优点，提高了变化检测的精度。 2.提出了基于相似度矩阵权重优化的变化检测方法，针对传统谱聚类算法的聚类效果过度依赖于相似矩阵的构造，且因图像数据维度过高导致其运行速度降低和聚类性能变差的问题，提出了一种基于 AANMSC（ Affinity Aggregation for Spectral Clustering Using Nytr?m method）算法的变化检测框架。使用多模式差异图及其多相似度描述子构造样本数据相似度子矩阵，相似度子矩阵线性叠加构成谱聚类的相似度矩阵，利用拉格朗日算子优化方法学习最优化权重比，实现不等权重的特征融合方式，提高了变化检测的准确度和效率，为变化检测在实时性场景中的应用提供了新的思路。