基于水平集演化和支持向量机分类的高分辨率遥感图像自动变化检测

严明; 曹国; 夏梦

doi:10.15938/j.jhust.2019.01.013

Chinese

您当前的位置：

首页 >

文章列表页 >

基于水平集演化和支持向量机分类的高分辨率遥感图像自动变化检测

计算机与控制工程 | 更新时间：2026-08-31

- 基于水平集演化和支持向量机分类的高分辨率遥感图像自动变化检测
- Automatic Change Detection of High Resolution Remote Sensing Images Based on Level Set Evolution and Support Vector Machine Classification
- 哈尔滨理工大学学报 2019年24卷第1期页码：78-84
- 作者机构：
  
  南京理工大学计算机科学与技术学院,江苏,南京,210049
- 作者简介：
- 基金信息：
- DOI：10.15938/j.jhust.2019.01.013
  中图分类号： TP752
- 纸质出版：2019
- 稿件说明：
移动端阅览
严明, 曹国, 夏梦. 基于水平集演化和支持向量机分类的高分辨率遥感图像自动变化检测[J]. 哈尔滨理工大学学报, 2019,24(1):78-84.

YAN Ming, CAO Guo, XIA Meng. Automatic Change Detection of High Resolution Remote Sensing Images Based on Level Set Evolution and Support Vector Machine Classification[J]. 2019, 24(1): 78-84.
严明, 曹国, 夏梦. 基于水平集演化和支持向量机分类的高分辨率遥感图像自动变化检测[J]. 哈尔滨理工大学学报, 2019,24(1):78-84. DOI： 10.15938/j.jhust.2019.01.013.

YAN Ming, CAO Guo, XIA Meng. Automatic Change Detection of High Resolution Remote Sensing Images Based on Level Set Evolution and Support Vector Machine Classification[J]. 2019, 24(1): 78-84. DOI： 10.15938/j.jhust.2019.01.013.

摘要

摘要:提出了基于水平集演化和支持向量机（SVM）分类的高分辨率遥感图像变化检测方法，该方法将像素级的和对象级的变化检测方法相结合，运用了像素特征和对象特征以提高变化类和非变化类的准确率。在像素级上，变化检测问题转化为水平集演化的图像分割问题。在对象级上，本文可以从分割结果中为SVM分类器自动地选择潜在的训练样本。最终将基于像素级的变化和基于对象级的变化相结合得到最终的变化结果。所提出的方法的主要优势在于可以自动选择合适的样本进行SVM分类器训练。此外，提出的方法可以有效的提高精确度和自动化水平。通过SPOT5图像和航空图像进行实验，结果表明该方法是有效的。

Abstract

Abstract:We propose a method for change detection in highresolutionremote sensing images by means of level set evolution and Support VectorMachine (SVM) classification

which combined both pixellevel method and objectlevelmethod Both pixelbased change features and objectbased ones are extracted to improvethe discriminability between the changed class and the unchanged classAt thepixellevel

the change detection problem is formulated as a segmentation issueusing level set evolution in the difference image At the objectlevel

potentialtraining samples are selectedfrom the segmentation results without manualintervention into SVM classifier Thereafter

the final changes are obtained bycombining the pixelbased changes and the objectbased changes A chief advantageof our approach is being able to select appropriate samples for SVM classifiertraining Furthermore

our proposed method helps improving the accuracy and thedegree of automation We systematically evaluated it with a variety of SPOT5images and aerial images Experimental results demonstrated the accuracy of ourproposed method

关键词

Keywords

references

浏览量

403

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

一种基于空间信息的FSICM图像分割算法

基于隐马尔可夫场的脊柱CT 图像分割算法

铁水氧含量快速检测法评价球墨铸铁球化效果

SiC/SiC陶瓷基复合材料SLS/PIP 制备工艺及弯曲性能

一类病毒自发变异时滞SIR传染病模型稳定性分析