高分辨率遥感时空面线基元关联变化检测方法研究

High resolution (HR) remote sensing change detection (CD) needs to detect fine granularity image changes in circumstances with image spectral confusion, phase and projection differences, and matching errors. Object-based change detection (OBCD) is conducted on object primitives obtained by image segmentation, and thus has rich features which facilitate knowledge fusion. Although being an advanced technique for HRCD, OBCD still faces many unsolved problems on primitive construction, feature selection, and CD matching schemes. This study proposes a suite of new OBCD techniques based on region and line association modeling. Image segmentation is constrained by embedding phase straight lines, which reduces segmentation errors and provides accurate CD primitives. The spatial-temporal region and line primitive association model is then constructed, which offers abundant CD features and facilitate rule-based reasoning. Cooperative CD analyses considering multi-class objects are carried out by constructing differential local structural similarity matching rules, which makes our OBCD methods robust to disturbances such as projection differences. This study extends and deepens the framework and techniques of object-based image analysis, and therefore has important scientific value, practical meaning and application perspective.

高空间分辨率遥感变化检测需要克服高分遥感影像的光谱混淆、投影差、影像配准误差等干扰，检测出地表精细粒度的变化信息。面向对象遥感变化检测具有特征丰富，易于知识融合等优点，是实现高分辨率遥感变化检测的先进手段，但其在基元构建、特征选择与变化判别等许多方面有待深入研究。本申请提出基于时空面线基元关联框架的高分遥感变化检测新方法。申请首先研究时相线嵌入的遥感图像分割方法以减少分割误差的后续传递，为变化检测提供高精度特征基元；其次构建时空面线基元关联模型，为变化检测提供基元时空关联特征库；在此基础上，进行多类要素在变化检测推理中的协同分析，构建差异化的局部结构相似性匹配规则，实现对投影差等干扰具鲁棒性的面向对象遥感变化检测新方法。本研究能够扩展和深化面向对象图像分析的技术方法体系，提升高分遥感信息处理系统的智能化、自动化水平，为此具有重要的研究价值和实际意义。

高空间分辨率遥感变化检测需要克服高分遥感影像的光谱混淆、投影差、影像配准误差等干扰，检测出地表精细粒度的变化信息。本研究发展基于时空面线基元关联架构的高分遥感变化检测新方法，取得的主要成果包括：1）发展了为高分影像分析服务的面线基元关联模型（RLPAF）及其系列分析方法，为高分遥感变化检测提供了时空关联特征库和方法库支撑；2）在RLAPF特征库基础上，发展了时相线嵌入的遥感图像变化检测方法，能够降低变检漏检率提升变化检测精度。3）将深度学习与RLPAF结合，发展了变化检测系列新方法。其中，提出了基于孪生网络结构的多注意力U-Net网络，在Season-varying Change Detection等数据集上取得较经典方法更高的变检精度。发展了结合深度学习语义分割与面向对象变化检测结合的遥感变化检测方法，方法可以准确定位屋顶面小型目标变化，发现潜在小型违建；发展了对投影差等干扰具鲁棒性的面向对象深度学习遥感变化检测新方法，对变化检测中的投影差问题进行了较好处理。4）开展技术方法应用。依托课题组已有软件平台，开发了融合深度学习、RLPAF的变化检测模块，软件已在所承担的重点研发水源地风险源遥感监测、智慧城管违建检测等业务中得到实际应用。本课题目前发表（含录用）论文12篇，其中SCI期刊论文10篇。获批国家发明专利2项，软著1项。“面线基元关联的高分辨率遥感信息分析关键技术与应用”项目获得2018年度的测绘科技进步二等奖、江苏省科学技术三等奖。依托课题培养博、硕学生10余人。本研究能够扩展和深化高分遥感图像分析的技术方法体系，提升高分遥感信息处理系统的智能化、自动化水平，具有重要的研究价值和实际意义。