李正伟

(成都理工大学 工程技术学院，四川 乐山 614007)

0 引言

遥感图像的变化检测可用于监测区域内不同时期的变化，由于遥感图像具有非线性、区分性和不变性等特点，因此，必须提取这些特征后再进行图像的分类和目标检测[1]。在复杂的数据集中，可以通过数据挖掘技术提高分类精度来实现变化检测。散斑噪声是遥感图像中普遍存在的噪声，遥感图像还包括高斯噪声和脉冲噪声[2]。遥感图像变化检测技术主要有：光谱混合分析法[3]、支持向量机(SVM)[4]、分类与回归树模型[5]和人工神经网络(ANN)[6]。文献[7]提出了基于随机森林的变化检测方法，有效降低了漏检率和虚检率。而遥感图像分类的最常用空间特征包括小波纹理、灰度共生矩阵(GLCM)、像素形状记录和形态轮廓[8]。文献[9]提出了基于特征融合的遥感图像分类，有效提高了不同场景分类精度。

为了有效实现遥感图像的分类和变化检测，本文利用自适应中值滤波(AMF)对遥感图像中进行降噪预处理并提取次级特征，从而加快了分类过程。将提取的特征结合增强型反向传播神经网络(EBPNN)进行分类，并识别分类后遥感图像的变化。

1 研究概况

1.1 研究区域

本文采用国家遥感中心的资源1号线性成像自扫描仪-4(LISS-4)图像，该图像取自2011年8月12日和2017年4月28日期间河北省沧州市任丘市的遥感图像，任丘市位于北纬38.42、东经116.07，海拔为40 m。重采样技术采用三次卷积并对地形进行了校正，传感器的输出分辨率为24 m。

1.2 研究方法

图1给出了所提出方法的流程。……