自适应空间与CRF融合的高精度遥感影像变化检测

本文探讨了一种创新的高分辨率遥感影像变化检测方法，该方法将自适应空间技术与条件随机场（Conditional Random Fields，CRF）相结合，旨在提高影像变化检测的精度和鲁棒性。针对配准误差引起的噪声问题以及CRF可能产生的过平滑效应，作者提出了一种解决方案。 首先，通过加权自适应空间（Weighted Adaptive Space, WAS）策略，该方法在获取影像差异图时有效地消除了由于配准误差导致的部分噪声，确保了检测结果的准确性。WAS能够根据像素的局部特性进行动态调整，增强了对细节的敏感度。 接着，作者利用形态学重构的FCM聚类方法（Morphology-Based Fuzzy C-Means Clustering, MFCM）来构建CRF的一阶势，这种方法有助于减少斑点噪声，保持图像的细节特征。斑点噪声通常出现在遥感影像中，MFCM通过形态学操作和模糊聚类有效地抑制了这些干扰。 在二阶势方面，作者引入了带光谱—空间约束的模型，对CRF进行了改进。这种模型结合了多模态数据的特性，提升了算法的抗噪性能，同时防止了过度平滑的现象。通过这样的设计，算法能够在保持整体一致性的同时，更好地保留影像的边缘信息，这对于识别变化区域至关重要。 实验结果显示，相比于现有的变化检测方法，结合自适应空间与CRF的策略显著提高了检测精度、降低了虚检率（False Positives）和漏检率（False Negatives），从而在实际应用中具有更高的可靠性和实用性。该研究成果对于高分辨率遥感影像的分析和变化监测具有重要的理论和实际价值。 作者团队包括兰州交通大学电子与信息工程学院的副教授杨景玉、硕士研究生吴磊、教授王阳萍以及副教授杜晓刚，他们在遥感图像处理、图像处理、图形图像处理等领域具有丰富的研究经验。他们的合作为解决遥感影像变化检测中的复杂问题提供了新的视角和强有力的技术支持。