›› 2013, Vol. 33 ›› Issue (6): 9-16.doi: 10.3780/j.issn.1000-758X.2013.06.002

• 研究探讨 • 上一篇    下一篇

基于小波变换和核独立分量分析的遥感图像变化检测

 吴一全1,2,3, 曹照清1   

  1. (1南京航空航天大学电子信息工程学院,南京210016)
    (2农业部农业信息技术重点实验室,北京100081)
    (3东华理工大学江西省数字国土重点实验室,抚州344000)
  • 收稿日期:2013-02-20 修回日期:2013-05-24 出版日期:2013-12-25 发布日期:2013-12-25
  • 作者简介:吴一全 1963年生,1998年获南京航空航天大学信息与通信工程专业博士学位,教授,博士生导师。研究方向为遥感图像处理与分析、目标检测与识别、智能信息处理等。 曹照清 1989年生,2011年毕业于南京航空航天大学航天通信系统专业和乌克兰国立航空航天大学无线电通信系统专业(双学士),现为南京航空航天大学通信与信息系统专业硕士研究生。研究方向为图像处理与视频通信。
  • 基金资助:

    国家自然科学基金(60872065),农业部农业科研杰出人才基金和农业部农业信息技术重点实验室开放基金(2013001),江西省数字国土重点实验室开放基金(DLLJ201113)

RemoteSensingImageChangeDetectionBasedonWaveletandKernelIndependentComponentAnalysis

 WU  Yi-Quan1,2,3, CAO  Zhao-Qing1   

  1. (1CollegeofElectronicandInformationEngineering,NanjingUniversityofAeronauticsandAstronautics,Nanjing210016)
    (2KeyLaboratoryofAgriculturalInformationTechnology,MinistryofAgriculture,Beijing100081)
    (3JiangxiProvinceKeyLabforDigitalLand,EastChinaInstituteofTechnology,Fuzhou344000)
  • Received:2013-02-20 Revised:2013-05-24 Online:2013-12-25 Published:2013-12-25

摘要: 为了进一步提高基于独立分量分析(IndependentComponentAnalysis,ICA)的遥感图像变化检测精确度,并解决ICA分离的图像分量排序不确定问题,提出了基于小波变换和核独立分量分析(KernelIndependentComponentAnalysis,KICA)的遥感图像变化检测方法。首先通过小波变换对遥感图像进行分解,得到由图像的高频分量和低频分量组成的分块向量,然后利用核函数将分块向量映射到高维特征空间中,再在该空间中用ICA方法分离出互相独立的向量,最后根据分离出的向量中高频分量的差异自动分辨出变化分量。文章给出了遥感图像变化检测方法及近年提出的基于主分量分析(PrincipalComponentAnalysis,PCA)、基于ICA、基于KICA三种变化检测方法的试验结果,并进行了分析和定量比较。试验结果表明,文中方法能更好地分离出遥感图像的变化信息,具有更高的精确度,并实现了变化检测的智能化。

关键词: 遥感图像, 变化检测, 核独立分量分析, 小波变换

Abstract: Inordertofurtherimprovetheaccuracyofchangedetectionofremotesensingimagesbasedonindependentcomponentanalysis(ICA)andtosolvetheuncertaintyproblemofsequenceofimagecomponentsseparatedbyICA,achangedetectionmethodbasedonwavelettransformandkernelindependentcomponentanalysis(KICA)wasproposed.Firstly,theremotesensingimagesweredecomposedbywavelettransform,andpartitionedvectorscomposedofhigh-frequencycomponentsandlow-frequencycomponentswereobtained.Thenthepartitionedvectorsweremappedintoahigh-dimensionalfeaturespacebythekernelfunction,andthemutuallyindependentvectorswereseparatedbyICAinthisspace.Finally,accordingtothedifferencesbetweenthehigh-frequencycomponentsoftheseparatedvectors,thechangecomponentwasdistinguishedautomatically.Experimentalresultsoftheproposedmethodandotherthreechangedetectionmethodsproposedrecentlybasedontheprincipalcomponentanalysis(PCA),ICA,KICAweregiven.Andsomeanalysisandquantitativecomparisonsweredone.Alargenumberofexperimentalresultsshowthattheproposedmethodcanseparatechangeinformationofremotesensingimageswithhigheraccuracy,andtheintelligentchangedetectionisrealized.

Key words: Remotesensingimage, Changedetection, Kernelindependentcomponentanalysis, Wavelettransform