基于多分类器集成和对象的城市典型地物要素变化检测——以ZY-3影像为例

摘要

分类器具有较强的信息挖掘能力,已被广泛应用于变化检测。多分类器集成可以综合利用不同分类器的优势以提取变化信息,因此,本文利用异质性较大的两类分类器——极限学习机(ELM)和支持向量机(SVM)构建集成结构。通常像素级变化检测可以较好地保存边缘信息,对象级变化检测可以较好地抑制噪声,两者可相互补充。本文利用较小异质度的多尺度分割对象对初始像素级变化检测结果进行约束,根据判定准则得到最终的变化检测结果。该方法既消除了像素级变化检测方法中普遍存在的"椒盐噪声",又减少了面向对象中分割尺度对变化检测的影响。通过徐州市的两景资源三号(ZY-3)遥感影像进行实验,对城市典型地物要素进行变化检测研究,证明本文构建的算法可以综合利用基于像素和面向对象两种方法的优势,能够有效提高变化检测方法的精度和稳定性。