遥感图像变化检测

遥感图像变化检测方法(简称变化检测)根据处理目标要求可以分为三类:特定类目标的变化检测,如机场、桥梁、港口、导弹基地等目标的变化检测;线性体目标的变化检测,如道路、机场、桥梁和一般建筑物等目标的变化检测;大面积目标的变化检测,如某地域的植被变化、城市的发展、洪水灾害评估等。本文系统地研究了基于模式识别知识检测特定类目标、线性体目标和大面积目标变化的变化检测方法。

为了实现对特定类目标的变化检测,本文提出了一种基于目标检测的变化检测方法。该变化检测法的工作流程为:多时相图像配准、特定类目标建模、检测特定类目标、确定特定类目标的位置、比较特定类目标在参考图像和检测图像中的位置、报告变化情况。本文提到的特定类目标建模,是对某类特定目标的共同属性进行建模,即一般模型,而不是针对某个具体目标进行详细的状态描述。本论文提出的机场检测法在试验中达到了100%的正确检测率。确定了检测图像中的机场位置后,就可以将检测结果与参考图像中的机场位置进行比较,从而实现机场位置变化的检测。

对于检测线性体目标的变化,本论文提出了一种基于边缘检测的变化检测方法。该变化检测法的工作流程为:多时相图像配准、图像标准化、提取参考图像及检测图像的边缘、匹配边缘图像中的边缘并获得边缘差分图像、标注变化情况。边缘检测算子的性能直接影响变化检测结果。本论文提出了一种全新的边缘检测算子—正弦算子。本论文详细分析了边缘算子的三个性能准则:检测性能、定位性能和响应唯一性,在此基础上提出了正弦算子。正弦算子不但具有较好的容噪能力,并且能够检测到灰度变化较小的边缘。理论结果和试验结果都证明正弦算子是一个性能卓越的边缘检测算子。

本文提出了一种中高分辨率遥感图像的聚类方法。该聚类方法的过程分为两部分:学习过程和识别过程。学习过程为:选取图像特征、使用已知类别的特征训练BPC网络;识别过程为:输入待分类图像、预处理滑动窗口中图像、计算滑动窗口的图像特征、使用BPC网络判断滑动窗口中心像素的类别、在图像中逐点移动滑动窗口、完成整个图像的分类。试验结果表明,本文的特征提取法和图像聚类法能获得较好的图像聚类精度。

遥感图像数据获取系统近期发展的主要方向是提高空间和时间分辨率,这使遥感图像数据量有了巨大的增加。大量的数据和有限的人工分析员必将导致有很多图像无法被浏览。而在实际中,我们却非常需要分析员浏览相关图像。如果我们知道需要浏览的具体图像和图像中的具体目标,这个问题就很容易解决了。然而,大多数情况下,我们并不知道哪个图像中包含了我们需要寻找的信息。但是,我们可以利用数字图像的许多性质,通过计算机浏览所有的图像并把我们的注意力引导至相关的图像。实现这一目的主要有两个方法:使用计算机对图

像内容进行理解(例如,图像理解),或确定这些图像中哪些图像在一定的时间间隔中发生了变化。本文只关心后一种方法:遥感图像中的变化检测。

变化检测是通过不同时间的观察进而识别一个物体或现象的状态差异的过程。本文中的术语“变化检测”主要是指对两幅或多幅数字图像进行的变化检测。它检测的变化包括目标的位置和范围的变化及目标种类属性的变化。

基于模式识别知识的常用变化检测法有后分类比较法、直接多时相图像分类法、统计检测法、边缘检测法等。

按照广义的定义,模式是一些供模仿用的、完美无缺的标本。模式识别就是识别出特定客体所模仿的标本,广义的模式识别涉及哲学、政治学、生物学、心理学和生理学等范畴。本文研究的模式识别是指用计算机识别某种特定客体模仿的目标。这是一种狭义的定义:模式是对某些感兴趣的客体的定量或结构的描述、模式类是具有某些共同特征的模式的集合。模式识别是研究一种自动技术,依靠这种技术,机器将自动地(或人尽量少地干涉)把待识别模式分配到各自地模式类中去。

一个图像识别系统可分为三个主要部分，其框图如图2.1所示。第一部分是图像信息的获取，它相当于对被研究对象的调查和了解，从中得到数据和材料，对图像识别来说就是在整个图像中寻找并获取感兴趣区域中需要识别的图像，以备后续处理。第二去部分是信息的加工与处理。它的作用在于把调查了解到的数据材料进行加工、整理、分析、归纳以去伪存真，去粗取精，抽出能反映事物本质的特征。当然，抽取什么特征，保留多少特征与采用何种判决有很大关系。第三部分是判决或分类。这相当于人们从感性认识上升到理性认识而做出结论的过程。第三部分与特征抽取的方式密切相关。它的复杂程度也依赖于特征的抽取方式。

识别的简化框图

为了实现对特定类目标的变化检测，本章提出了一种基于目标检测的变化检测方法。该变化检测法的工作流程为:配准多时相图像、对特定类目标建模、检测特定类目标、确定特定类目标的位置、比较特定类目标在参考图像中和检测图像中的位置、报告变化情况。本章提到的特定类目标建模，只利用某类特定目标的共同属性进行建模，即通用模型，而不是针对某个具体目标进行详细的状态描述。对于基于目标检测法的变化检测，我们以SPOT(地球观测系统)图像中的机场变化检测为具体实例进行说明。在该变化检测方法中，论文重点讨论了机场模型的建立、机场检测和机场位置的确定。在两幅大幅面图像(北京地区和上海地区的两幅图像)中，本论文提出的机场检测法可以达到100%的正确检测率。确定了检测图像中的机场位置后，就可以将检测结果与参考图像中的机场位置进行比较，从而实现机场位置变化的检测。

机场检测原理和工作流程

我们的目标是研究一个能够辅助遥感图像解译人员检测机场的系统，要求在图像解译人员的干预下有效地检测出机场的存在并确定其存在的区域。机场检测方法是在大幅面的SPOT图像中检测机场，是实现机场检测和识别的第一步工作。

实现原理:飞机跑道的存在意味着机场的存在，本论文就是通过检测飞机跑道来发现机场。根据飞机跑道在SPoT图像中的特征(几何性质、灰度性质等)可以建立机场跑道通用模型，并通过机场跑道的通用模型来检测机场存在与否，再使用ROI算法可以初步地确定机场存在的区域，也就是ROI，最后通过人机交互方式修正不精确区域、结果是机场存在的区域。

机场检测流程图

工作流程:参见图所示的机场检测流程图，从输入SPOT图像数据到输出机场区域需要经过三个模块的处理。在第一个模块中输入图像数据和相关参数，利用机场跑道通用模型在图像中进行搜索，得到机场跑道的检测结果。利用第二个模块:ROI算法可以在机场跑道图像中初步确定机场存在的区域。由于在实际的算法研究中，机场跑道通用模型难于完全精确地描述，初检结果中可能有一些不精确区域甚至误检或漏检机场跑道区域。为此在程序中插入第三个模块，以人机交互操作方式来得到有效的机场区域输出结果。

机场跑道通用模型

SPOT图像中机场跑道通用模型可以用6个特性来描述，其中4个描述跑道的几何特性，2个描述跑道的图像灰度。在机场跑道通用模型数学表达式中，G(x,y)表示sPoT数字图像中点(x,y)的灰度值。

特性1:跑道部分在图像中的灰度值较高，其数学表达式为:

∑G(x i，y i)-------Maximum

式中，(x i，y i)是跑道上的点。

特性2:跑道表面具有相近的灰度值，也就是说沿着跑道方向(有多个跑道时具有多个方向)在

一定的距离内，图像灰度值基本保持恒定。

特性3:跑道的长度在一定范围内。

特性4:跑道的宽度在一定范围内。

特性5:跑道的长度远远大于跑道的宽度。

特性6:当机场跑道数大于一个时，可能相交或平行。

基于SPOT图像的机场跑道通用模型是对上述6个特性进行综合后形成的。

机场跑道通用模型中的特性层次

机场跑道通用模型由上述6个特性综合而成，但这6个特性并不是一种并列关系。特性1描述的是机场跑道的单点图像表现特性;特性2描述的是跑道点集的统计特性;特性4一6描述的是跑道的几何表现特性。

跑道通用模型中6个特性的层次如下图所示。该跑道通用模型的工作原理如下:首先对整个图像中符合特性1的点不做任何改变，而对不符合特性1的点的灰度值赋为零;第二步是对满足特性2的非零值点不做任何改变，而对不符合特性2的非零值点的灰度值赋为零;最后是对非零值区域的几何表现特性做出判断，如果某个非零值区域中的几何表现符合特性3、4、5和特性6，则不对该区域做任何改变，否则，把该区域内的非零值点的灰度值赋为零。上述处理时，每一步的输入数据都是上一步处理后的结果。最后，得到的非零值区域就是机场跑道。

机场跑道通用模型中的特性层次图

机场区域的定位

机场区域的定位是指确定用上述方法检测到的机场在图像中位置的过程。本文使用ROI算法实现这个定位过程。ROI算法是在机场跑道图像中确定机场存在区域的一种计算方法。在机场跑道图像中，跑道部分的像素值为非零，而其他像素值为零。在机场区域定位过程中，我们把图像的左上顶点作为坐标原点，x轴方向水平向右，y轴方向竖直向下，刻度单位为像素。

ROI算法示意图

机场检测实验结果

遥感变化监测 流程

多时相土地利用/覆盖变化监测研究 方法及数据选取 土地是一个综合的自然地理概念，它处于地圈-生物圈-大气圈相互作用的界面，是各种自然过程和人类活动最为活跃的场所。地球表层系统最突出的景观标志就是土地利用和土地覆盖( Land Use and Land Cover)。由于土地利用和土地覆盖与人类的生活、生产息息相关，而人类活动正以空前的速度、幅度和空前规模改变着陆地环境。人类对土地资源的利用引起的土地利用和土地覆盖的变化是全球环境变化的重要因素之一，也是地球表面科学研究领域中的一个重要分支。因此，土地利用和土地覆盖的动态监测（Land Use and Land Cover Monitoring）是国内外研究的热点，也是当前全球变化研究计划的重要组成部分。 由多时相遥感数据分析地表变化过程需要进行一系列图像处理工作，大致包括：一、数据源选择，二、几何配准处理，三、辐射处理与归一化，四、变化监测算法及应用等。 一、遥感数据源的选取 不同遥感系统的时间分辨率、空间分辨率、光谱分辨率和辐射分辨率不同，选择合适的遥感数据是变化监测能否成功的前提。因此，在变化监测之前需要对监测区域内的主要问题进行调查，分析监测对象的空间分布特点、光谱特性及时相变化的情况，目的是为分析任务选择合适的遥感数据。同时，考虑到环境因素的影响，用于变化监测的图像最好是由同一个遥感系统获得，如果由于某种原因无法获得同一种遥感系统在不同时段的数据，则需要选择俯视角与光谱波段相近的遥感系统数据。 1时间分辨率 这里需要根据监测对象的时相变化特点来确定遥感监测的频率，如需要一年一次、一季度一次还是一月一次等。同时，在选择多时相遥感数据进行变化监测时需要考虑两个时间条件。首先，应当尽可能选择用每天同一时刻或者相近时间的遥感图像，以消除因太阳高度角不同引起的图像反射特性差异；其次，应尽可能选用年间同一季节，甚至同一日期的遥感数据，以消除因季节性太阳高度角不同和植物物候差异的影响。 2空间分辨率 首先要考虑监测对象的空间尺度及空间变异的情况，以确定其对于遥感数据的空间分辨率的要求。变化监测还要求保证不同时段遥感图像之间的精确配准。因此，最好是采用具有相同瞬时视场（IFOV）的遥感数据，如具有同样空间分辨率的TM图像之间就比较容易配准在一起。当然也可以使用不同瞬时视场遥感系统获取的数据，如某一日期的TM图像（30m ×30m）与另一日期的SPOT图像（20m×20m），来进行变化监测，在这种情况下需要确定一个最小制图单元20m×20m，并对这两个图像数据重采样使之具有一致的像元大小。 一些遥感系统按不同的视场角拍摄地面图像，如SPOT的视场角能达到±27°，在变化监测中如果简单采用俯视角明显不同的两幅遥感图像，就有可能导致错误的分析结果。例如，对一个林区，不均匀地分布着一些大树，以观测天顶角0°拍摄的SPOT图像是直接从上向下观测到树冠顶，而对于一幅以20°观测角拍摄的SPOT图像所记录的是树冠侧面的光谱反射信息。因此，在变化监测分析中必须考虑到所用遥感图像观测角度的影响，而且应当尽可能采用具有相同或相近的俯视角的数据。 3光谱分辨率 应当根据监测对象的类型与相应的光谱特性选择合适的遥感数据类型及相应波段。变化监测分析的一个基本假设是，如果在两个不同时段之间瞬时视场内地面物质发生了变化，则不同时段图像对应像元的光谱响应也就会存在差别。所选择的遥感系统的光谱分辨率应当足

遥感影像变化检测

遥感影像变化检测报告 学院： 专业： 指导老师： 小组成员： 2013年5月

1、遥感影像变化检测的概念 遥感影像变化检测指利用多时相获取的覆盖同一地表区域的遥感影像及其它辅助数据 来确定和分析地表变化。它利用计算机图像处理系统，对不同时段目标或现象状态的变化进行识别、分析；它能确定一定时间间隔内地物或现象的变化，并提供地物的空间分布及其变化的定性与定量信息。 由此可知，遥感影像变化检测是从不同时期的遥感图像中，定量地分析和确定地物变化的特征和过程。它涉及到变化的类型、分布状况及变化信息的描述，即需要确定变化前后的地物类型、界限和分析变化的属性。变化检测的研究对象为地物，包括自然地物和人造地物，其中人造地物在军事上常被称为目标。描述地物的特性包括：空间分布特性、波谱反射与辐射特性、时相变化特性。遥感影像的变化检测在土地覆盖变化监测、环境变迁动态监测、自然灾害监测、违章建筑物查处、军事目标打击效果分析以及国土资源调查等方面拥有广泛的应用价值和商业价值。 变化检测通常包括以下4个方面的内容： (1)判断是否发生了变化，即确定研究区域内地物是否发生了变化； (2)标定变化发生的区域，即确定在何处发生了变化，将变化像元与未变化像元区分开来； (3)鉴别变化的性质，给出在每个变化像元上所发生变化的类型，即确定变化前后该像元处的地物类型； (4)评估变化的时间和空间分布模式。 其中，前两个方面是变化检测所要解决的基本问题，而后两个方面则根据应用要求决定是否需要做。 2、遥感影像变化检测的三个层次 遥感图像分析过程中通常包括数据层处理、特征层处理和目标层处理三个过程。依据这三个层次划分，可将变化检测分为：像元级变化检测、特征级变化检测和目标级变化检测。 (1)像元级变化检测是指直接在采集的原始图像上进行变化检测。尽管基于像元的变化检测有它一定的局限性，但由于它是基于最原始的图像数据，能更多地保留图像原有的真实感，提供其它变化检测层次所不能提供的细微信息，因而目前绝大多数的变化检测方法都是像元级变化检测。 (2)特征级变化检测是采用一定的算法先从原始图像中提取特征信息，如边缘、形状、轮廓、纹理等，然后对这些特征信息进行综合分析与变化检测。由于特征级的变化检测对特征进行关联处理，把特征分类成有意义的组合，因而它对特征属性的判断具有更高的可信度和准确性。但它不是基于原始数据而是特征，所以在特征提取过程中不可避免地会出现信息的部分丢失，难以提供细微信息。 (3)目标级变化检测主要检测某些特定对象(比如道路、房屋等具有明确含义的目标)，是在图像理解和图像识别的基础上进行的变化检测，它是一种基于目标模型的高层分析方法。 变化检测的三个层次在实现上各有优缺点，在具体的变化检测中究竟检测到哪个层次是根据任务的需要确定的。像元级的变化检测保持了尽可能多的原始信息，具有特征级和目标级层次上所不具备的细节信息，但像元级变化检测仅考虑像素属性的变化，而未考虑其空间等特征属性的变化；特征级变化检测不仅考虑到空间形状的变化，而且还要考虑特征属性的变化，但特征级的变化检测依赖于特征提取的结果，但特征提取本身比较困难；目标级的变化检测最大的优点是它接近用户的需求，检测的结果可直接应用，但它的不足之处在于目标提取的困难性。

生态环境遥感监测方案

生态环境遥感监测方案 遥感技术作为目前一种先进的信息采集方式，具有信息量大、成本低和快速的特点，是生态环境监测中非常重要的技术手段。遥感集市运用遥感技术进行矿区生态环境动态监测，为合理开发矿产资源提供基础性数据资料，实现矿产资源的可持续发展，是生态环境领域研究的重要课题。 矿区生态环境问题包括：对地表的破坏、对土地的占用和破坏，对自然景观的影响和破坏，造成“三废”污染，破坏水资源、造成水土流失，诱发或孕育滑坡、泥石流、冲击地压、矿震等动力地质、环境地质问题，噪声和振动污染，热污染等。目前，国内外已有许多科学工作者利用遥感技术对矿区生态环境监测做了研究：一方面，是利用不同时相的波段组合图、指数变化图和土地覆盖类型变化图来体现地表信息的变化，从而进行矿区生态环境动态监测，但往往是定性或半定量分析，并且多是单个大面积的矿区，对于大范围分布零散的矿区研究甚少；另一方面，是将遥感信息与其他调查数据（如土质、水质等数据）相结合，具体研究采矿引起的土质变化、水质变化、地表变形等，虽然细致、透彻，但费时、费力。 针对湖北大冶矿区分布零散的特点，应该采用多时相陆地卫星遥感数据，首选遥感集市高分数据，在不同波段组合和各种指数运算应用的基础上，分析各类地表地物具体光谱特征和空间特征，用基于知识的决策树的方法进行分类，得到具有高精度的分类结果图，然后基于不同时相分类结果的变化检测，通过对研究区水体污染、矿区复垦、耕地变化等的定量分析，进行了湖北大冶矿区生态环境监测的研究。 遥感数据的获取和预处理 湖北大冶面积为1400km2，属亚热带季风气候区。由于20世纪的 80年代到90年代是矿区开采的相对高峰期，并且由此引起的生态环境问题有一定滞后效应，同时为了减少季节上产生的误差，而夏季植被丰富，易于区分矿区和植被类型，本文从现有的资料中选取有代表性的1986年7月底、1994年11月的TM 影像和2002年 9月初的ETM 影像进行处理和分析比较（其中1994年 TM影像因季节差异仅作矿区的比较）。 由于地面站在接收信号时根据遥感平台、地球、传感器的各种参数进行的几何校正，还不能满足专业解译和综合分析的需要，本文以 !,- 万比例尺的地形图作为参考坐标，对湖北大冶矿区的遥感影像进行几何精校正。纠正时在图像和地形图上分别均匀

遥感变化检测实验报告

遥感影像变化检测实验报告 目录 1 遥感影像变化检测概述 (2) 1.1 遥感影像变化检测的内容 (2) 1.2 影响变化检测的因素 (2) 1.3 遥感影像变化检测步骤 (3) 1.4 评判遥感影像检测方法优劣的标准 (3) 2 实验过程（基于ERDAS软件） (3) 2.1 影像数据 (3) 2.2 处理步骤 (3) 2.3 ERDAS操作步骤 (3) 2.3.1 2003年影像配准 (3) 2.3.2 2005年影像配准 (10) 2.3.3 相对大气校正 (11) 2.3.4 差分检测 (15) 3 结语 (16)

1 遥感影像变化检测概述 遥感影像变化检测就是对目标或现象在不同时间观测到的状态的差异的识别过程。常用用于遥感影像变化检测的领域有：土地利用/土地覆被变化；森林或植被变化；森林死亡、落叶和灾害评价；森林采伐、再生和选择性砍伐；湿地变化；森林火灾以及林火影响区域检测；地表景观变化；城市变化；环境变化；如农作物检测、轮垦检测、道路分段、冰川总量平衡和表面变化等。 1.1 遥感影像变化检测的内容 遥感影像变化检测的内容为： （1）检测并判断某一研究区域内感兴趣的目标或现象在所研究的时间段内是否发生了变化； （2）确定发生变化区域的位置； （3）遥感影像变化检测结果精度评估； （4）分析、鉴别变化类型，确定变化前后地物类型； （5）分析、评估变化在时间和空间上的分布模式，对其变化规律进行描述和解释； （6）对未来的变化进行预测，为科学决策提供依据。 1.2 影响变化检测的因素 一般来说，影像遥感影像变化检测的因素主要有： （1）多时相影像间的精确几何配准； （2）多时相影像间的定标或规一化； （3）高质量地面真实数据的获取； （4）研究区地面景观和环境的复杂度； （5）变化检测的方法和算法； （6）分类和变化检测的主题（目标）； （7）分析人员的技术水平和经验； （8）对研究区的认知和熟悉程度； （9）时间和成本限制。 为此，数据选择时，尽量选择同一传感器、相同辐射和光谱分辨率，并在时间周期上相同或相近的数据，目的是为了能消除外部环境的影响，如太阳高度角、季节和物侯的差异等。在进行变化检测前我们应进行的准备工作主要有： （1）多时相影像必须精确配准； （2）多时相影像间必须精确辐射定标和大气校正或规一化； （3）多时相影像间要有相似的物候状态；

遥感图像的分类与变化监测最终版

遥感图像的分类与变化监测 1.数据准备 1.1研究区域概况 向10度至30度长有210公里，东西宽有15公里至20公里，是川西断陷带和川东隆起带 泉驿区总面积的39.07%、3.86%、57.07%。2009年，龙泉驿区土地总面积5.5698万公顷，其中耕地7367.83公顷，占土地总面积的13.23%;园地2.5295万公顷，占土地总面积的45.42%;林地7628.2公顷，占土地总面积的13.70 %;其他农用地3295.85公顷，占土地总面积的5.92%;居民点及工矿用地1.0742万公顷，占土地总面积的19.29%;交通运输用地539.83公顷，占土地总面积的0. 97%;水利设施用地553.30公顷，占土地总面积的0.99 %;未利用地274.93公顷，占土地总面积的0.49%。 1.2数据下载 在地理空间数据云中先搜索2000年---2005年的数据，选择云量较少，图像 质量高的进行下载；搜索2009年---2015年图像选择质量高的下载，最终选定2001年和2009年龙泉驿区的图像（landsat4--5）。 两期影像的像元信息： 影像 数据 类型 卫星名称 传感 器 条带 号 太阳 高度角 太阳 方位角 平均 云量 数据标示 2001 TM landsat4--5 TM 129 37.5708 141.1516 5.45 LT5129039200104 2009 TM landsat4--5 TM 129 51.3982 133.2621 0 LT5129039200908 2001年影像

2009年图像 2.数据处理 2.1图像格式的转换 2.1.1格式转换 利用Import工具，将下载的TIFF影像转换为后缀为img图像，并选择存储的路径。 2.1.2多波段图像的融合 在interpreter工具中利用image interpreter中的layer stack进行1--7图像的融合， 为后面的处理提供基础。

多时相遥感影像变化检测技术的研究

龙源期刊网 https://www.sodocs.net/doc/691841417.html, 多时相遥感影像变化检测技术的研究 作者：张德慧杨勇宋凯 来源：《科技创新与应用》2014年第34期 摘要：针对多时相遥感影像的变化检测技术进行研究，根据图像的变化推出研究目标的 变化信息，完成对研究目标的动态监测，该技术无论在理论上还是在各个领域的应用中都具有重要的研究意义和广泛的应用前景。文章根据多时相遥感影像变化检测流程对遥感影像的预处理、遥感影像变化信息的提取和精度评价等关键技术展开一些积极的探索和研究，旨在经过创新和改进，在一定程度上克服现有方法存在的困难，提高变化检测的精度和效率。 关键词：多时相遥感影像；变化检测；精度评价 遥感是通过遥感器“遥远”地采集目标对象的数据，并通过对数据的分析来获取有关地物目标、或地区、或现象的信息的一门科学和技术[1]。随着卫星技术的发展，通过将各种传感器 搭载至卫星平台，对地遥感观测累积了海量的地表对时间变化的数据，如何加快对这些遥感数据的充分处理和利用，促进其转化为更有价值的知识，为有关部门做出相应的、准确的、快速的决策提供丰富且有益的辅助信息，促使了多时相遥感影像变化检测技术的产生和发展。 1 多时相遥感影像变化检测的技术路线 多时相的遥感影像变化检测技术是指给定同一个地区的多个时相的单波段或多波段遥感图像，采用图像处理的方法快速而高效地检测出该地区的地物是否发生变化，若发生变化则进一步分析变化的特点和原因，从而实现对遥感图像的分析与理解。 首先选择同一地区的多时相遥感影像作为数据源，然后通过对遥感影像的辐射校正和图像配准实现数据的预处理，接着通过变化检测算法得到变化结果生成图或生成表实现变化信息的提取，再次通过分析变化检出率和检测虚警率对变化检测结果做出科学的精度分析实现精度评价。 2 关键技术分析 2.1 多时相遥感影像的预处理 辐射校正和图像配准是变化检测中两项关键的预处理过程，处理精度将直接影响变化检测的精度。 2.1.1 辐射校正 由于遥感器本身的光电系统特征、太阳高度、地形以及大气条件使得通过遥感器得到的测量值与目标物的光谱反射率或光谱辐射亮度等物理量是不一致的，也就是说通过变化检测算法

遥感图像变化检测

遥感图像变化检测方法(简称变化检测)根据处理目标要求可以分为三类:特定类目标的变化检测,如机场、桥梁、港口、导弹基地等目标的变化检测;线性体目标的变化检测,如道路、机场、桥梁和一般建筑物等目标的变化检测;大面积目标的变化检测,如某地域的植被变化、城市的发展、洪水灾害评估等。本文系统地研究了基于模式识别知识检测特定类目标、线性体目标和大面积目标变化的变化检测方法。 为了实现对特定类目标的变化检测,本文提出了一种基于目标检测的变化检测方法。该变化检测法的工作流程为:多时相图像配准、特定类目标建模、检测特定类目标、确定特定类目标的位置、比较特定类目标在参考图像和检测图像中的位置、报告变化情况。本文提到的特定类目标建模,是对某类特定目标的共同属性进行建模,即一般模型,而不是针对某个具体目标进行详细的状态描述。本论文提出的机场检测法在试验中达到了100%的正确检测率。确定了检测图像中的机场位置后,就可以将检测结果与参考图像中的机场位置进行比较,从而实现机场位置变化的检测。 对于检测线性体目标的变化,本论文提出了一种基于边缘检测的变化检测方法。该变化检测法的工作流程为:多时相图像配准、图像标准化、提取参考图像及检测图像的边缘、匹配边缘图像中的边缘并获得边缘差分图像、标注变化情况。边缘检测算子的性能直接影响变化检测结果。本论文提出了一种全新的边缘检测算子—正弦算子。本论文详细分析了边缘算子的三个性能准则:检测性能、定位性能和响应唯一性,在此基础上提出了正弦算子。正弦算子不但具有较好的容噪能力,并且能够检测到灰度变化较小的边缘。理论结果和试验结果都证明正弦算子是一个性能卓越的边缘检测算子。 本文提出了一种中高分辨率遥感图像的聚类方法。该聚类方法的过程分为两部分:学习过程和识别过程。学习过程为:选取图像特征、使用已知类别的特征训练BPC网络;识别过程为:输入待分类图像、预处理滑动窗口中图像、计算滑动窗口的图像特征、使用BPC网络判断滑动窗口中心像素的类别、在图像中逐点移动滑动窗口、完成整个图像的分类。试验结果表明,本文的特征提取法和图像聚类法能获得较好的图像聚类精度。 遥感图像数据获取系统近期发展的主要方向是提高空间和时间分辨率,这使遥感图像数据量有了巨大的增加。大量的数据和有限的人工分析员必将导致有很多图像无法被浏览。而在实际中,我们却非常需要分析员浏览相关图像。如果我们知道需要浏览的具体图像和图像中的具体目标,这个问题就很容易解决了。然而,大多数情况下,我们并不知道哪个图像中包含了我们需要寻找的信息。但是,我们可以利用数字图像的许多性质,通过计算机浏览所有的图像并把我们的注意力引导至相关的图像。实现这一目的主要有两个方法:使用计算机对图

数字图像处理Hough变换直线检测matlab实现

数字图像处理—Hough 变换直线检测,matlab 实现实验八Hough 变换直线检测 一、实验目的 理解Hough变换的原理，了解其应用；掌握利用Hough变换进行直线检测的处理过程 及编程方法。 二、实验内容 利用Hough变换检测直线通常先进行边缘检测，得到只包含边缘的二值图像。再通过 Hough变换，在参数空间检测图像共线点的数量得到直线参数，从而实现直线检测。 1、读入图像（图像需有直线或直线性边缘） 2 、进行图像边缘，得到二值图像 3、实现Hough变换，检测出图像中的直线方程 4、输出结果

三、实验要求 1、编写代码，完成各项实验内容 2、总结实验中遇到问题及解决方案，书写实验报告 %Hougl变换 clc;clear;close all f=imread('l in e.bmp'); % 若是彩色图片转灰度化if len gth(size (f) )>2 f=rgb2gray(f); end % figure(1) subplot(121);imshow(f); % 利用edge函数进行边缘检测

j=edge(f,'Sobel'); subplot(122);imshow(j); [row,col]=size(j); pi nfan g=ro un d((row*row+col*colF0.5); A=zeros(2*pinfang,180); for m=1:row for n=1:col if j(m,n)>0 for thera=1:180 r=thera/180*pi; % 角度转弧度 rho=round(m*cos(r)+n*sin(r));% p =cos 0 +sin 0 rho=rho+pinfang+1;%-l:l 转换到1:2l+1 A(rho,thera)=A(rho,thera)+1; end end end end [rho,the⑻二仙d(A>40);% 交点超过60条线的点，ma,na为参数空间的坐标点nma=length(rho); for i=1:nma hold on m=1:row; %rho=ma(i)-1; r=thera(i)/180*pi; n=(rho(i)-pinfang-m*cos(r))/(0.00001+sin(r));

遥感_变化监测实习报告

变化监测实习报告 实习名称变化监测 实习课程遥感图像处理姓名班级 实习时间学号得分 实习原理：非监督分类运用1SODATA算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时。原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。 实习数据： 遥感影像：LS5_TM_20100725_023435_023501_121040_FASTB_L2 LS5_TM_20081210_022812_022837_121040_FASTB_L2 简析：影像为江西省鄱阳湖地区，在影像生成时间内。时值夏/冬季，但江西地区植被多常绿。 实习内容：就所下载遥感影像，采用非监督分类的方法，对影像中所放映的信息进行分类。 实习目的：掌握非监督分类的方法与过程，加深对非监督分类方法的理解。 实习步骤：

第一步：调出非监督分类对话框 在ERDAS 图标面板工具条中点击Classifier 图标 →C1assification →Unsupervised Classification →Unsupervised classification。对话框如下： 第二步：进行非监督分类 在Unsupervised classification对话框输入数据（如上图右所示）。 确定输出文件（Input Raster File）:caijianhou_40.img（要被分类的图像）→确定输出文件（Output File）:非监督分类_caijianhou 4001.img即将产生的分类图像）

SAR图像变化检测综述

SAR变化检测研究综述1 闻彩焕1,2,3，刘君臣1,3，蔡红奎4 1中国矿业大学环境与测绘学院，江苏徐州 (221116) 2中国测绘科学研究院摄影测量与遥感所，北京 (100830) 3江苏省资源环境信息工程重点实验室，江苏徐州（221116） 4河南理工大学土木工程学院，河南焦作 (454000) E-mail:wencah@https://www.sodocs.net/doc/691841417.html, 摘 要：SAR由于其具有的传统光学遥感不可比拟的全天候、全天时的优势而逐渐成为变化检测的重要数据源，在国土资源监测、灾害评估与监测等各个方面起到日益重要的作用。本文介绍了SAR变化检测的主要研究内容，常用的SAR变化检测算法，并在广泛阅读主要遥感刊物上发表的文献的基础上总结了国内外的研究现状，最后对SAR变化检测研究的前景做了展望。 关键词：遥感，SAR，变换检测 中图分类号：TP79 1 引言 遥感变化检测是指通过对不同时期同一区域的遥感图像进行比较分析，根据图像之间的差异得到我们所需要的地物或目标的变化信息。现代遥感技术的飞速发展为变化检测提供了一种便捷的途径，遥感数据成为变化检测的主要数据源。 与可见光和红外遥感相比，微波遥感具有无可比拟的优点：微波能穿透云雾、雨雪，具有全天候、全天时的工作能力。二，微波对地物有一定穿透能力。三，采用侧视方式成像，覆盖面积大。正是这些优点，使得SAR图像日益成为变化检测的重要数据源。 SAR变化检测技术的需求日益广泛。目前，全球坏境变化加剧，城市急速发展，洪水、地震等自然灾害时有发生，这些都需要及时掌握相关动态信息，为相关决策部门提供支持，而SAR的种种优点为快速响应提供了技术支持和应急保障。 2 变化检测的研究内容 2.1图像配准 图像的配准精度对变化检测的精度影响很大，如果图像没有较高精度的配准，则图像的错位会带来大量的虚警。因此，针对这一方面，Dai和Khorran[1]得出的结论为：好的变化检测结果需要高精度的配准算法。Jeannie Moulton [2]等针对多时相SAR图像的平移及偏转误差提出一种解决方法。意大利的Paolo [3]针对高分辨SAR影像配准的困难，提出基于象元与特征相结合的方法进行未精确配准的变化检测研究。 2.2噪声抑制 基于SAR图像的变化检测对斑点的抑制要求很高：降班算法要既能有效降斑，还能保持图像的细节信息。因此，需要采用性能良好的自适应降斑方法来完成。相干斑抑制方法可以分为两类：一类是成像前的多视平滑处理，但同时也降低了图像的空间分辨率，所以目前常用的方法为成像后的去相干斑噪声的滤波技术。滤波方法主要有：（1）传统方法，如均 1项目来源：973课题“高性能的遥感影像网格计算与信息解译的智能方法”（编号：2006CB701303）子课题“SAR影像目标提取与信息解译的智能化处理”。

遥感影像基于像素的变化检测方法简介

表2 基于像素得变化检测方法简介 方法 简介 图像差值 使用两个精确配准得图像来产生表示变化得差值图像。可以直接从像素得辐射值或 者在提取得/导出得/变换得图像(如纹理或植被指数)上测量差异。在数学上,差异图像 得表示就是:12(,)(,)(,)d I x y I x y I x y =-,其中I 1与I 2就是时间t 1与t 2得图 像,(x,y )就是坐标,I d 就是差分图像。没有辐射变化得像素分布在均值周围(Lu 等,2005), 而变化得像素分布在分布曲线得尾部(Singh,1989)。 由于变化可能出现在两个方向 上,因此决定由那个图像减去那个图像(Gao,2009)。 图像比值 计算两个共同配准得图像之间得比率。数学上:12(,)(,) r I x y I I x y =,与图像差值不同,图像得顺序并不重要,因为变化结果以比率表示,未变化得区域在理论上应该为1。 回归分析 假定从时间(t 2)开始得图像I 2就是从时间(t 1)开始得图像I 1得线性函数。 图像I 2被视 为“参考”图像。 然后调整I 1图像以匹配参考图像得辐射测量条件。回归分析(如最小 二乘回归)可以通过对I 1图像进行辐射度量归一化以匹配参考图像来帮助识别增益与 偏移量(Lunetta,1999)。 变化(I d )图像由检测到从第一次日期图像中减去回归图像。 数学上:?(,)(,)d d I x y aI x y b =+; ?(,)(,)(,)d d d I x y I x y I x y =- 植被指数差值 植被在红光与近红外波段光谱反射率间得显著差异,通过波段组合,形成植被指数。通 常,对于变化检测,两个图像分别产生植被指数,然后应用基于标准像素得变化检测(例 如差值或比值)。 现有得植被指数有:基于比值得植被指数(RVI ),归一化植被指数(NDVI )与土壤调整植 被指数(SAVI )等。 变化向量分析(CVA ) 可以同时分析变化检测得多个图像波段。 CVA 背后得想法就是,随着时间得推移,具 有不同值得特定像素位于特征空间中基本不同得位置(Jensen,2005)。像素值被视为光 谱波段得矢量,通过减去不同日期所有像素得矢量(Malila,1980)计算变化矢量(CV )。 CV 得方向描绘了变化得类型,而变化得大小对应于CV 得长度。 也可以对转换后得 数据执行CVA (例如,Kauth-ThomasTransformation,KTT )。 主成分分析(PCA ) PCA ,数学上就是基于“主轴转换”,就是将多元数据转换为一组新得成分,从而减少了数 据冗余(Lillesand et al 、,2008)。 PCA 使用协方差矩阵或相关矩阵将数据转换为独立 不相关得数据。结果矩阵得特征向量按降序排序,其中第一主成分(PC)表示大部分数 据变化。随后得分量定义下一个最大得变化量,并且与前面得主分量就是独立得(正交 得)。在PCA 中,假定没有变化得区域就是高度相关得,而变化得区域则不就是。在多 时相图像分析中,PC1与PC2倾向于代表未改变得区域,而PC3与后来得PCs 包含改 变信息(Byrne 等,1980; Ingebritsen 与Lyon,1985; Richards,1984)。使用两种基于PCA 得变化检测方法。第一个,单独得旋转,就是分别从图像获取PC ,然后使用其她变化检 测技术(如图像差值)。第二种就是合并方法,其中双时间图像被合并为一个集合并且 PC 被应用。与双时间数据具有负相关性得PCs 对应于变化。 Coppin 与Bauer(1996)

图像变化检测方法综述

题目：图像变化检测方法综述学号： 姓名：

图像变化检测方法综述 摘要 图像的变化检测是指通过分析在不同时间来自同一地区的两副或多幅图像，检测出该地区的地物随时间发生的变化信息。本文主要用遥感图像的变化检测为例来进行说明，遥感图像的变化检测已经广泛地应用于如森林资源的动态监测、土地覆盖和利用的变化监测、农业资源调查、城市规划布局、环境监测分析、自然灾害评估、地理数据更新以及军事侦察中战略目标(如道路、桥梁、机场)等的动态监视等许多领域。 本文对常见的变化检测方法进行了概括性的介绍与优缺点评述，并分析了当前变化检测方法中存在的普遍问题；并在此基础上，实现了一种基于模糊贴近度的变化检测方法，通过计算相应像素点之间的模糊贴近度，得到了差异图，并用FCM对其聚类，得到了目标图像的变化检测结果。 关键词：变化检测遥感模糊贴近度

1.引言 随着社会与科技的发展, 人类开发资源与改造自然的能力不断增强, 自然界的变化和人类的各种活动每天都在改变着地表景观及其土地利用形式。世界人口的快速增长及城市化的发展, 加快了这种变化的速度。这些变化将对地球资源和生态环境产生深远的影响, 已经引起了广泛关注。土地利用与土地覆盖变化研究已经成为全球变化研究中的前沿与热点。由于遥感对地观测具有实时、快速、覆盖范围广、多光谱、周期性等特点, 遥感技术已经成为变化检测最主要的技术手段, 变化检测研究也是目前遥感应用方法研究中的热点之一。 最近20 年来, 各国学者相继发展了许多基于遥感技术的变化检测方法, 也出现了不同的划分方法, 大致可以归纳为以下几种。按数据源将变化检测方法分为3 类: 基于新旧影像的变化检测、基于新期影像旧期非影像数据的变化检测、基于立体像对的三维变化检测; 按处理的信息层次将变化检测划分为像元级、特征级与决策级 3 个层次; 按是否经过分类将其分为直接比较法和分类后比较法两类;最近还有学者按照采用的数学方法将变化检测技术分成代数运算法、变换法、分类法、GIS 法、高级模型法等7 种。随着土地覆盖变化的复杂性以及遥感数据多样性的增加, 新的变化检测方法以及新的图像处理算法不断涌现, 例如, 利用变化向量分析法、马尔科夫随机场模型进行变化检测, 利用概率统计学理论进行基于图斑的变化检测法, 利用支撑向量机、面向对象技术进行分类等。总之, 多项研究与实践证明, 目前还没有哪种方法被普遍认为是最优的, 由于这些方法大多是在不同的环境下基于不同的用途提出来的, 各自具有不同的适用性与局限性。伴随着遥感数据获取技术的快速发展, 越来越多各具特色的遥感数据及其组合对变化检测提出了新的技术要求。 2.遥感图像变化检测技术现状 遥感影像变化检测是从不同时期的遥感数据中, 定量地分析和确定地表变化的特征与过程。简单地说就是通过遥感手段, 对同一地区不同时期的两个影像提供的信息进行分析、处理与比较, 获取该时间段内的土地利用与覆盖变化信息。从技术流程上看, 一般包括影像预处理、变化信息发现、变化区域提取与变化类型确定几个过程, 在对图像进行预处理完后，剩下的关键环节是变化信息发现, 多数研究都是围绕该环节进行的。本文从算法的角度将目前变化检测的方法分为四类: (1)基于简单代数运算的变化检测； (2)基于图像变换的变化检测； (3)基于图像分类的变化检测；