多特征融合与集成学习的城市高分辨率遥感影像变化检测

With the demands of accelerated urbanization and sustainable development, the fields including urban planing, environmental monitoring and disaster dynamic monitoring are in the urgent need of change detection method which could obtain urban changes rapidly by using high-resolution remote-sensing images. Due to the complexity of urban surface features and difference of imaging properties, there are many problems in urban change detection, especially when height displacements and shadows caused by buildings appear. Traditional change detection methods generally apply to moderate or low resolution remote-sensing images, detecting changes with spectral characteristic and textural features. Also, the traditional method could not ensure accuracy and reliability because of the simple and single detection model without consideration of the surface features' characteristic and imaging difference. In order to solve the problems above, this project proposes a Multi-feature Fusion and Ensemble Learning based change detection method, with the core idea that obtain the results superior to any individual change detector through designing multi-change-detector corresponding to different surface features' types firstly and then detecting with the assistance of ensemble learning. The main research contents include urban probability classification based on multi-feature fusion and ensemble learning, 2D and 3D homologous/heterogeneous data registration, adaptive multi-scale segmentation with 2D and 3D data, and multi-feature fusion and ensemble learning based ensemble change detection with multi-change-detector.

随着城市化进程的加快和可持续性发展需要，城市规划、环境监测、灾害动态监测等急需能够利用高分辨率遥感影像快速获得城市变化信息的方法。由于城市地区地物种类复杂、成像特性各异，尤其建筑物在高分辨率遥感影像中普遍存在投影差和阴影，这大大增加了变化检测难度。传统变化检测方法一般用于中低分辨率遥感影像，主要利用影像光谱和纹理特征，检测模型简单、单一，无法顾及城市地物在高分辨率遥感影像上的成像特性差异，难以保证变化检测的可靠性和精度。针对上述问题，本项目提出多特征融合与集成学习的变化检测方法，其核心思想是针对城市不同地物类型设计多种变化检测器，然后利用集成学习方法进行集成检测，获得优于任一变化检测器独立工作的结果。主要内容包括多特征融合与集成学习的城市地物多概率分类（判定）、二三维同源/异源高分数据自动配准、二三维辅助数据约束下的自适应多尺度影像分割、多特征融合与集成学习的多变化检测器集成检测等方法研究

本项目要求深入分析高分辨率影像中城市复杂的地物特征和成像特性，以实现城市地物变化发现。为了实现这一目的，本项目严格按照任务书计划要点，从以下四个方面展开研究。.（1）.几何预处理.为了保证变化检测中多时相影像几何一致的对应关系，本项目从几何预处理展开了研究，针对高分卫星影像，提出了深度集成在线影像服务辅助高分卫星数据实现高精度RPC几何精纠正的思路；针对异源影像，提出了迭代反馈的光学与SAR影像线特征自动配准方法；针对时序无人机影像变化检测的高精度配准需求，提出了一种新的时序无人机影像光束法平差的策略,解决了无人机影像自动二三维变化检测中的几何问题。.（2）.辐射预处理.为了消除多时相影像间非变化性的辐射差异对变化检测的影响，本项目从辐射预处理展开研究。本项目提出了基于数据同化的遥感交叉定标方法、顾及辐射二维分布特征的自动匀光匀色方法和小波变换结合IR-MAD的相对辐射校正方法，解决了变化检测对多时相影像间辐射一致性要求问题。.（3）.特征选择和融合.为了准确地表达和有效地提取变化信息，本项目针对高分影像中地物特点，对典型特征选择、特征表达、特征提取和特征融合方法进行了研究，提出了多特征综合和随机森林的高分卫星云检测方法；为了充分利用卫星影像全色波段的高分辨率的空间信息和多光谱波段的丰富的光谱信息，本项目对目前流行的影像融合方法进行了研究，并进行质量评价，指导了变化检测中融合方法的选择。.（4）.变化检测方法.针对高分影像中城市地物复杂和细节丰富的问题，项目组对面向对象变化检测中地物的多尺度问题、机器学习辅助变化检测自动三维变化检测方法问题进行了深入的分析研究，在面向对象二维变化检测、三维变化检测、三维精细变化检测等方面取得了一系列的成果。.本项目在上述四个方面取得了一系列的成果，包括29篇论文、11项专利，其中SCI期刊论文11篇、EI检索7篇、核心11篇,申请专利11项目，其中已授权4项。