基于自适应半监督模糊C均值的遥感变化检测
遥感变化检测是开展对地观测应用的关键技术之一,在城市研究、灾害评估以及资源调查等领域发挥着重要的作用.本文针对基于差分影像的遥感变化检测展开研究,提出一种基于自适应半监督模糊C均值(Adaptive and Semi-Supervised Fuzzy C-means,ASFCM)聚类的变化检测技术.①ASFCM根据"差分影像像素灰度值越大,则对应区域发生变化可能性越大"的性质,通过阈值技术自适应、自动地分析差分影像灰度直方图并将其划分为两部分:几乎可确定类别区域和不确定区域;②将差分影像像素灰度值、空间上下文信息和几乎可确定类别区域像素的伪类别标签信息集成到模糊聚类过程,生成差分影像的模糊隶属度函数;③通过最大隶属度原则生成变化检测图.ASFCM通过半监督策略利用伪类别标签信息指导聚类过程,通过空间引力模型优化的模糊因子自适应地利用差分影像的空间相关性,能够得到更加准确的模糊隶属度函数和更优的变化检测结果.3组真实遥感数据的实验结果验证了 ASFCM的有效性:ASFCM在Bangladesh数据上的kappa系数为0.9188,比其它方法提高3.5％-16.4％;在Madeirinha数据上的Kappa系数为0.9379,比其他方法提高2.18％-7.13％;在黑龙江数据上的Kappa系数为0.8696,比其它方法提高2.88％～22.02％.
遥感、变化检测、模糊聚类算法、自适应、伪标签、空间信息、模糊因子、半监督
24
国家自然科学基金41901341
2022-04-11（万方平台首次上网日期，不代表论文的发表时间）
共14页
508-521
