Remote sensing image change detection using a hybrid graphical model
Remote sensing image change detection using a hybrid graphical model
复制标题
使用混合图形模型的遥感图像变化检测
DOI：
10.1117/1.jrs.13.046515
复制
发表时间：
2019-10
影响因子：
1.7
通讯作者：
Chunxiao Fan
中科院分区：
文献类型：
--
作者：
Lu Jia;Zhiwei Wang;Ye Jiang;Fang Zhou;Chunxiao Fan
抽象的。半监督图学习在遥感图像变化检测中具有广阔的应用前景。然而，不恰当的图模型可能会导致检测精度和计算效率之间的矛盾。为了有效地提取变化的结构信息，并大大降低计算负担，提出了一种混合图形模型(HGM)用于双时相遥感图像变化检测。HGM利用混合超像素(HSP)作为其顶点，并提出了一种混合图核(HGK)函数来度量顶点之间的相似性。HSP由减影图像的背景超像素和前景隔离像素组成。HGM算法有效地利用了图像的结构，较小的图大小大大降低了计算复杂度。此外，分段HGK函数能很好地检测变化区域的结构，并能很好地抵抗背景干扰。利用HGK矩阵实现半监督标签传播算法，得到最终的变化检测结果。对真实遥感图像的实验结果证明了该方法的有效性和高效性，为遥感图像变化检测提供了一种很好的候选方法。
Abstract. Semisupervised graph learning has a broad prospect in remote sensing (RS) image change detection. However, an improper graph model may result in a contradiction between the detection accuracy and computational efficiency. In order to effectively extract the structural information of changes and heavily reduce the computational burden, we propose a hybrid graphical model (HGM) for bitemporal RS image change detection. The HGM utilizes the hybrid superpixels (HSPs) as its vertices, and a hybrid graph kernel (HGK) function is proposed for measuring the similarities between the vertices. The HSPs are composed of the background superpixels and foreground isolated pixels of a subtraction image. The HGM effectively exploits the image structures, and the small graph size dramatically reduces the computational complexity. Moreover, the piecewise HGK function well detects the structures of the changed areas and heavily resists the background disturbances. A semisupervised label propagation algorithm is implemented with the HGK matrix for obtaining the final change detection results. Experimental results on real RS images demonstrate the effectiveness and efficiency of the proposed method and prove that it is a good candidate for RS image change detection.
登录
查看更多内容
DOI：
10.1201/9781315220413-4
发表时间：
2018-10
期刊：
Handbook of Neural Network Signal Processing
影响因子：
--
作者：
Klaus-Robert Müller;S. Mika;Koji Tsuda;Koji Schölkopf
通讯作者：
Klaus-Robert Müller;S. Mika;Koji Tsuda;Koji Schölkopf
影响因子：
8.2
作者：
T. Çelik;K. Ma
通讯作者：
T. Çelik;K. Ma
DOI：
10.1007/978-3-662-49014-3_62
发表时间：
2015-09
期刊：
--
影响因子：
--
作者：
Q. Zhao;Maoguo Gong;Hao Li;Tao Zhan;Qian Wang
通讯作者：
Q. Zhao;Maoguo Gong;Hao Li;Tao Zhan;Qian Wang
DOI：
10.1016/j.isprsjprs.2017.05.001
发表时间：
2017-07-01
影响因子：
12.7
作者：
Gong, Maoguo;Yang, Hailun;Zhang, Puzhao
通讯作者：
Zhang, Puzhao
影响因子：
4.8
作者：
Daniel Jiwoong Im;Graham W. Taylor
通讯作者：
Daniel Jiwoong Im;Graham W. Taylor