典型文献
基于分层极限学习机影像转换的多源影像变化检测方法
文献摘要：
为提高现有多源影像无监督变化检测方法存在的检测结果易受噪声影响和计算效率低等问题,本文提出了一种基于分层极限学习机影像转换的多源影像变化检测方法.分层极限学习机(Hierarchical Extreme Learning Machine,HELM)通过多层前向编码获得丰富的特征表示,且当特征提取完成即可确定网络参数.本文方法首先通过对合成孔径雷达(Synthetic Ap-erture Radar,SAR)影像进行对数转换,以获得与光学影像相同的影像噪声分布,并利用影像平滑减少影像噪声对变化检测结果的影响;然后分别对多源影像进行聚类分析,通过对比两时相影像的聚类图获得初始变化检测图,选取初始变化检测图中的未变化区域的像元作为初始训练样本,构建训练样本修正模型修正初始训练样本以提高训练样本的准确性;引入HELM以实现多源影像特征空间转换,获取多时相空间转换影像,提高了算法效率;最后通过对比原始影像和多时相空间转换影像获取变化信息.两组多源影像(Google Earth和哨兵1号影像)的实验结果表明:与现有方法相比,本文方法的Kappa系数分别至少提高了 6.19％和8.94％,证明了本文方法对多源影像变化检测的有效性.
文献关键词：
分层极限学习机;影像转换;多源影像;变化检测;噪声分布;训练样本;修正模型
中图分类号：
作者姓名：
韩特;汤玉奇;邹滨;冯徽徽;张芳艳
作者机构：
中南大学地球科学与信息物理学院,长沙410083;中南大学有色金属成矿预测与地质环境监测教育部重点实验室,长沙410083;宁夏大学智能工程与技术学院,中卫755000
文献出处：
引用格式：
[1]韩特;汤玉奇;邹滨;冯徽徽;张芳艳-.基于分层极限学习机影像转换的多源影像变化检测方法)[J].地球信息科学学报,2022(11):2212-2224
A类：
分层极限学习机,erture
B类：
影像转换,多源影像,变化检测,无监督,噪声影响,计算效率,Hierarchical,Extreme,Learning,Machine,HELM,特征表示,网络参数,合成孔径雷达,Synthetic,Ap,Radar,SAR,对数转换,光学影像,噪声分布,未变,初始训练,训练样本,修正模型,模型修正,提高训练,影像特征,特征空间,空间转换,多时相,相空间,算法效率,Google,Earth,哨兵,Kappa,少提
AB值：
0.31344
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
