文献类型：期刊文章

作　　者：冯文卿[1] 眭海刚[1] 涂继辉[1,2] 孙开敏[1] 黄伟明[3]

FENG Wenqing;SUI Haigang;TU Jihui;SUN Kaimin;HUANG Weiming(State Key Laboratory of Information Engineering in Surveying Mapping and Remote Sensing,Wuhan University,Wuhan 430079,China;Electronics & Information School of Yangtze University,Jingzhou 434023,China;Department of Physical Geography and Ecosystem Science,Lund University,Lund 22362,Sweden)

机构地区：[1]武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079 [2]长江大学电子信息学院,湖北荆州434023 [3]隆德大学自然地理和生态系统科学系,瑞典隆德22362

出　　处：《测绘学报》

基　　金：国家重点研发计划(2016YFB0502603);测绘遥感信息工程国家重点实验室开放基金(16E01);国家自然科学基金(41471354)~~

年　　份：2017

卷　　号：46

期　　号：11

起止页码：1880-1890

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CSCD、CSCD2017_2018、DOAJ、EI、GEOBASE、IC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：基于面向对象分析(OBIA)的遥感影像变化检测研究已取得显著的进展,代表了遥感影像变化检测的发展范式,未来是发展更加智能的解译分析方法。随机森林作为一种新的机器学习算法,其预测效果和性能稳定性要优于许多单预测器和集成预测方法。本文充分利用OBIA及随机森林机器学习算法的优势,提出了利用随机森林进行面向对象的遥感影像变化检测。首先基于熵率对影像进行超像素分割,通过最优超像素个数评价指数来获取最佳的影像分割结果,并提取每个超像素在前、后时相影像上的光谱特征和Gabor特征作为随机森林的特征输入数据,用于模型的训练。在初始像素级检测结果之上,自动进行分类样本选择并构建分类器模型,用训练好的模型来提取最终的变化区域。利用Quickbird、IKONOS、SPOT-5等3组多光谱影像进行试验,结果表明,本文方法在变化检测精度上要优于对比方法。

关 键 词：分割  超像素  特征  随机森林  变化检测

分 类 号：P237]