基于二进制粒子群算法的多时相变化检测优化及验证研究

沙特国王大学学报基于二进制粒子群算法的多时相多光谱遥感图像变化检测阿妮莎·MLal，S.Margret AnounciaVellore Institute of Technology，SCOPE，Vellore，印度阿提奇莱因福奥文章历史记录：收到日期：2018年2018年10月4日修订2018年10月16日接受2018年10月24日在线提供保留字：变化检测基于二进制群的半监督优化稀疏编码A B S T R A C T变化检测是指能够引导人们更具体地理解有关土地覆盖、土地利用和生态变化的基本方法的变化量本文论述了一种智能方法来优化的解决方案，提高了效率的变化检测过程的解决方案空间。为了支持这一主题，设计了一种集成的半监督方法，重点是图像融合，半监督聚类和基于二进制群的优化。提出了一种利用稀疏编码进行融合处理的新方法，以扩展信息量使用提取的信息，变化检测过程中进行的约束聚类技术，以提供一个解决方案，反映在调查区域发生的变化的水平。为了通过提出全局最优解来提高准确度，仍然通过基于二进制群的优化过程来细化结果，并且因此结果朝着增加的准确度水平加速，随后重建变化图以突出地示出病例变化。为了确定所提出的方法的准确性，已经用不同的数据集进行了定量和定性分析。所提出的方法已与现有的技术，如k-means，AKM，FCM，ECKM和ASCC的效率进行了评估，并证明是卓越的变化检测方法- ology相比，最先进的方法。©2018作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍变化检测是通过在不同时间观察物体或现象来检测其状态变化的过程（Singh，1989; Bottomley，1998）。图像中的变化可能是由于物体的形状、运动、出现或遗弃。特别是在遥感图像中，它有助于地图评估，土地利用分析，监测轮垦，城市规划，森林砍伐评估，灾害监测，昼夜热分析，跟踪城市和经济增长。应用程序的复杂性给变化检测带来了巨大尤其是在处理环境问题时-*通讯作者。电子邮件地址：anishamlal@vit.ac.in（A.M.Lal），smargretanouncia@vit.ac.in（S.M.Anouncia）。沙特国王大学负责同行审查制作和主办：Elsevier精神和城市的变化，这些问题很难解决。尽管存在种种困难，但解决这一问题的一个普遍适用的技术是遥感图像处理，包括增强、图像比较和图像分析。人们对遥感图像的变化检测进行了许多积极的尝试大多数方法属于监督或无监督方法的范畴，这些方法使用多时相数据集来定性分析时间效应并测量变化。在增强、融合、空间差异识别、后分类和变化图生成等子过程中，全部或部分地采用了该方法遥感变化探测的总体目标包括识别变化的环境局部性和类型、测量变化和计算变化探测的精度变化检测的主要任务是识别和识别同一地理区域在不同时间获取的多时相多光谱Landsat图像的变化几种基于进化计算的优化技术被用来优化解空间之外的解其中最广泛使用的技术是粒子群优化。粒子群优化（PSO）是一种计算方法，https://doi.org/10.1016/j.jksuci.2018.10.0101319-1578/©2018作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com96上午Lal，S.M.Anouncia/ Journal of King Saud University基于初始变化蒙版随机生成初始填充是使用ASCC二进制变化图生成使用ASCCASCC半监督聚类LANDSAT图像T1LANDSAT图像T2基于增强稀疏的图像融合差异形象创建更 改 检测 到 的图像基于BPSO的变化图优化Fig. 1.变更检测过程的总体框图。通过迭代地尝试开发关于给定质量程度的最优解决方案来它是一种全局优化方法，用于处理可以表示为n维空间中的点或面的问题时提供最佳解。在搜索空间中寻找问题的最优解是一种有效而流行的优化方法。保持这个范围，一个有效的方法和成本函数，以优化变化检测过程准确地设想。因此，与遥感图像的变化检测一起工作，其中需要大量的迭代来找到最终的变化检测掩模或最佳结果，通过引入这种有效的方法来减轻。本文的结构如下。第2介绍了一些相关的工作和发现的差距第3概述了所采用的方法，并详细介绍了拟议的第四节描述了数据集、实验结果和讨论第5节分析了变更检测结果的性能评价。最后，“参考文献”部分2. 相关工作遥感是使用不与感兴趣的表面和现象物理接触的传感器收集信息的过程，其提供关于地球表面和现象的细节。遥感包括传感器的选择，信号数据的反应、记录和处理，最后是后续数据的分析。现有的遥感方法有航空摄影、多光谱、主动和被动微波等。单个图像的信息内容受到成像系统的空间和光谱分辨率的限制。尽管存在这些困难，但遥感图像经常被分析用于各种应用，从土地覆盖分类、变化检测、水质监测、海面温度测量、积雪调查、大气成分监测到地质解释。（Lal and Anouncia，2015 b）.在这些应用中，随着高空间分辨率卫星图像的出现，利用多时相多光谱Landsat图像进行变化检测已成为一个重要的研究领域Nielsen（2007）提出了一种多变量改变检测（MAD）方法，用于是的没有没将最佳粒子的局部最佳值指定为全局最佳达到的目标或最大是的端图二.使用BPSO优化变更图图3.第三章。二进制PSO的流程图开始BPSO使用ASCC群优化器随机生成其他种群初始种群二元变化图更改检测到的图像当前位置是否优于局部最佳位置计算每个粒子为粒子指定随机更新每个粒子的状态和速度将当前位置设置为局部最佳上午Lal，S.M.Anouncia/ Journal of King Saud University97多时相遥感图像的变化检测。Xian等人，（2009）使用CVA进行变化检测，并使用其他技术（如MAD）使用树方法对变化进行标准化和分类。 Wu等人，（2017a）专注于使用迭代慢速特征分析和贝叶斯软融合进行后分类，以获得可靠和准确的变化检测图。Wu等人，（2017 b）提出了一种使用核新特征分析的新方法，并进行分类后融合以识别转换类型。为了提高遥感信息提取的可靠性，提高变化检测的效率，该过程通过图像增强、图像拼接、区域检测和分析等常规图像处理任务在某些情况下，由于有限的收敛精度，一些优化技术也已与图像处理机制一起使用，以提供有效的结果。通常的聚类方法只能定位两幅多光谱图像之间的重要变化，对微弱变化的适应性和灵活性不足因此，需要计算方法来通过在差分图像上获得微弱和鲁棒的变化来找到最佳结果为了获得最佳结果，Celik（2010）提出了通过使用遗传算法（GA）的优化方法对差异图像进行无监督变化检测。该方法基于一个适应度函数，该适应度函数根据差分图像最小化GA被设计为创建二进制变化图像的元素，这些元素迭代地进展到最终的变化检测掩模。该方法成功地在差分图像上产生了变化检测结果，而无需先前的约定。粒子群优化算法（Particle Swarm Optimization，PSO）是另一种有效的基于计算的优化方法，用于在搜索空间中搜索问题的最优解。Dai 等人（2010）提出了一种基于群的遥感图像无监督变化检测方法。为了有效和准确地优化变化检测问题因此必须应用有效的优化方法。粒子群优化算法是一种基于粒子群的优化算法.基于群的优化已经广泛用于不同的问题，例如图像增强（Braik等 人 ， 2007 ） 、 面 部 和 虹 膜 识 别 （ Ramadan 和 Abdel Kader ，2009）、特征提取（Xue等人， 2012）、图像编码（Kusetogullari，2015）和遥感图像分类（Soliman等人， 2012年）。Sagnika等人（2015）提出了使用PSO进行噪声较少的变化检测。该方法在噪声最小的情况下产生了更好的精度。Kusetogullari等人（2015）提出了一种用于多时相多光谱图像变化检测的并行二进制粒子群优化（PBPSO）无监督方法。该方法通过并行处理，具有更好的收敛性和检测性能.Yavariabdi等人已经提出了在球坐标中使用粒子群优化的变化检测。（2017），其提供比现有方法更少的误差。因此，一个优化过程，试图达到全局最优值使用二进制粒子群优化（BPSO）。基于对现有系统的评估，作为变化图检测过程的结果而制定的变化图已经被较少地评估以提供最佳解决方案。人们还发现，在遥感图像的空间数据的变化检测的搜索是繁琐和耗时的，因为它是难以解释和标记的变化信息。为了克服这些问题，提出了一种智能方法来提高变化检测过程的效率3. 方法为了提高变化检测的效率，提出了一种基于图像融合、半监督聚类和二进制群优化的智能变化检测方法图1中示出了所适配的变化检测过程的总体框图。1.一、该过程从预处理开始，图四、（a）1984年10月12日在西班牙韦尔瓦记录的大地卫星5号图像（b）2014年8月12日记录的西班牙韦尔瓦大地卫星8号图像（c）1984年10月24日获得的以色列死海陆地卫星5号图像（d）2014年10月27日获取的以色列死海陆地卫星8号图像98上午Lal，S.M.Anouncia/ Journal of King Saud University4X2X十万美元。ωX集成稀疏和半监督技术，称为ASCC（Lal和Margret Anouncia，2017），用于查找变化检测掩码。为了获得全局最优解，采用二进制粒子群优化的智能方法进一步优化变化检测掩模。设计了一种使用稀疏编码处理融合的新方法来扩展信息量（Lal和Anouncia，2016）。使用所提取的信息，变化检测过程中进行的约束聚类技术，以提供一个解决方案，反映发生在该地区的变化的水平因此，对区域检测方法的适用性的分析推动了选择ASCC作为在多时相多光谱中执行变化检测的更好方法的决定收敛速度，并最小化在寻找最终变化检测掩码时的误差。该方法通过考虑所创建的初始解来搜索最优解。其他种群是使用初始解随机创建的因此，假设粒子朝向gbest移动，并且一旦满足指定的收敛，则假设达到gbest。因此，在应用BPSO之后制定的变化图将具有突出投影的变化，从而导致变化图上的改善的视觉效果。随后的过程如图所示。3.第三章。在优化c的解空间的情况下采用的过程如下：tral图像 然而，通过这些方法获得的解决方案聚类是目标函数的最小化，因此很明显，它只会达到局部最大值。在遥感图像中的变化检测的情况下，这可能无法提供所需的准确度，因为可能无法揭示区域中的微小变化。因此，需要优化解决方案，使得所有可能的变化都反映在变化图中，以使变化检测有效。实现这一过程的可行途径之一是将区域检测结果得到的二值变化图用于优化，以达到全局最大值因此，这一进程需要使用渐进的方法，以实现达到全球最大值的目标流行的冰毒-使解收敛到全局最大值的是粒子群算法。输入：初始粒子是使用ASCC制定的二进制变化图输出：检测到的最终更改图像选择使用ASCC制定的二进制变化图作为初始群体随机生成其他种群用随机位置和速度初始化种群各人群计算每个种群的适应度值，3.1. 粒子群优化Fi¼2N0ω8i;j2S0ADMi;j-平均值S0PSO是一种基于群体的关联性和精明性的计算优化技术它涉及到许多代理（粒子），创建一个群体，移动þ ðN1ω8i;j2S1ADMi;j-平均值S1ÞÞ]=ðMωNÞ在搜索空间中，寻找全局最优解。在这种情况下，每个粒子都可以与其他粒子进行通信，从而形成一个完全连接的网络。当然，每个粒子都会被整个群体中最好的粒子所吸引因此，这种方法非常适合离散优化。离散优化在遥感图像中起主要作用的领域之一是变化检测过程。特别地，在检测在时间戳T1和T2之间的区域中发生的变化的情况下，需要根据离散区域（如果存在）来确定在整个区域中发生的变化因此，需要一种适当的方法来找到这样的变化，可以被认为是相对于该感兴趣区域的全局最佳由于制定的变化图是二进制格式的，因此使用二进制粒子群优化来执行该过程使用二进制粒子群优化获得的变化图的优化如图所示。 二、3.2. 二进制粒子群优化BPSO算法是粒子群算法的一个变种，是为处理离散优化问题而设计的根据该方法，假设每个粒子以二进制格式存在它与PSO的区别在于适应度函数= minimize（Fi）将粒子的当前位置与pbest位置进行如果现在的位置更好。设置当前位置？普贝斯特否则继续用老办法。选择具有最佳适应值的粒子并设置为gbest。将每个粒子的状态“sta”和速度“vel”更新velvia1ωrand 1ωpbest-si2ωrand 2ωrgbest-si斯塔西夫埃尔检查停止标准如果达到停止标准停止否则继续直到收敛使用当前速度更新粒子，而不是结合速度和当前位置。因此，它总是注意，搜索空间仅基于当前速度。因此，位置不是问题，但是该方法朝向pbest和gbest更新速度。考虑到加速的概念，变化检测进行了探讨。最初，通过使用自适应稀疏约束聚类（ASCC）方法（Lal和Margret Anouncia，2017）获得二进制变化检测掩码。ASCC方法将生成在多时间图像中具有显著变化的变化图。预计使用BPSO的后处理将增加在所设计的BPSO方法中，N0和N1分别是集合S0和S1中元素的个数S0表示当前掩码中表示0的元素的数量，S1表示当前掩码中表示1的元素的数量。集合S1和S2的平均值将表示在等式中。（1）和（2），平均S1ADM i j1n0的8i;j2S02上午Lal，S.M.Anouncia/ Journal of King Saud University99N1.X平均值≤1升/升1ωADMi; j28i;j2S1其中，ADM是使用绝对差异方法创建的差异图像。状态和速度的更新基于随机变量4. 实验结果及分析4.1. 数据集开发的框架使用两个不同的数据集进行评估。数据集1是1984年10月12日从西班牙韦尔瓦记录的原始Landsat 5图像和原始Landsat 8图像(a)（b）第（1）款(c)（d）其他事项(e)（f）第（1）款图五.通过各种方法与Huelva数据集融合检测到变化。(a)使用K-means进行变化检测。(b)使用AKM进行变更检测。(c)使用FCM进行变化检测。(d)使用ECKM进行变更检测。(e)使用ASCC进行变更检测。(f)使用EASCC检测到更改。100上午Lal，S.M.Anouncia/ Journal of King Saud University××记录于2014年8月12日，来自西班牙Huelva，尺寸为512512。数据集2是1984年10月24日从死海获取的原始Landsat 5图像和2014年10月27日从死海获取的Landsat 8图像，大小为512 512。在确定了两个研究区域之后，考虑了研究区域1的两个图像，即1984年10月12日记录的Landsat 5图像和2014年8月12日记录的Landsat 8图像，如图4研究区域2的两个图像，比如死海，被认为是1984年10月24日获得的Landsat 5图像和2014年10月27日获得的Landsat 8图像，如图4（c）和（d）所示。4.2. 结果和讨论对所设计的智能方法（EASCC）的性能进行了定性和定量分析。为了评估所开发的方法的性能，使用k均值、AKM、FCM、ECKM和ASCC进行比较分析。通过k均值、AKM、FCM、具有稀疏融合的ECKM、ASCC和EASCC获得的Huelva和Dead Sea数据集的变化检测图如图1A和1B所示。5和6.从设计的智能方法获得的视觉效果显示了图像变化的清晰度，这从结果中非常明显，(a)（b）第（1）款(c)（d）其他事项(e)（f）第（1）款图六、变化检测通过各种方法与融合死海数据集。（a）使用k均值检测的变化（b）使用AKM检测到的变化（c）使用FCM检测的变化(d)使用ECKM检测到更改。(e)使用ASCC检测到变化。(f)使用EASCC检测到更改。上午Lal，S.M.Anouncia/ Journal of King Saud University101¼¼¼¼ ð Þþ各种变化检测方法35302520151050OE（%）CE（%）误差参数Fp上面给出的量通过混淆矩阵进行评估，并且可以使用上面导出的量来获得各种度量以评估算法的性能在本文中，采用了以下度量1. 总误差（OE）总误差处理的概率，改变的像素被错误地识别为未改变的像素。K均值AKM FCM ECKM ASCC EASCC见图7。使用Huelva数据集的各种变化检测技术获得的错误百分比。OEFnFn2. 佣金错误（CE）ð3Þ各种变化检测方法获得的误差委员会错误处理的概率，未改变的像素被错误地识别为改变的像素。25CEFp20Tn Fp151053. 正确分类百分比（PCC）0ð4ÞOE（%）CE（%）误差参数K均值FCM AKM ECKM ASCCEASCC它通过将改变的像素检测为改变的像素和将未改变的像素检测为未改变的像素来识别所提出的方法的总体准确性。见图8。使用死海数据集的各种变化检测技术获得的错误百分比。PCCTpTnTpTnFpFnð5Þ所设计的方法优于其它方法（参见图1A和1B）。第7和第8段）。对于所提出的技术的定量评估，以下指标已被用于相对于参考图的每个变化图（Rosenfield和Fitzpatrick-Lins，1986）。TpTnFn4. 召回召回率是指被识别为未改变的改变像素的分数召回Tp6TpFn根据表1、2和图在图9和图10中，非 常 清 楚 的 是 ， 设 计 的 方 法E A S C C 已 经 获 得 了 死 海 数 据 集 的 9 9 . 6 3 % 的 P C C 和H u e l v a 数 据 集 的 9 7 . 6 5 的 P C C ， 这 高 于 现 有 的 方 法 ， 例 如k 均 值 、 A K M （ L a l 等 人 ， 2015年）、表1用于与Huelva数据集现有方法进行定量比较的各种参数的结果方法Tp（像素）Tn（像素）Fp（像素）Fn（像素）OE（%）CE（%）PCC（%）召回K均值4390214,54341,992222833.6716.3783.20.66AKM4590226,84329,592212831.6811.5487.950.68FCM5395231,22325,175136020.139.8289.920.8ECKM6058240,10016,05494113.446.2793.540.87ASCC7998244,10010,5455105.994.1495.80.94EASCC8250248,72558053734.332.2897.650.96表2用于与死海数据集现有方法进行定量比较的各种参数的结果方法Tp（像素）Tn（像素）Fp（像素）Fn（像素）OE（%）CE（%）PCC（%）召回K均值2390232,73026,41361120.3610.1989.690.8FCM2791255,204393921071.5298.420.93AKM2869255,26538781324.41.598.470.96ECKM3740254,51236222706.731.498.520.93ASCC3689257,09512601002.640.4999.480.97EASCC3840257,324900802.040.3599.630.98%误差%误差102上午Lal，S.M.Anouncia/ Journal of King Saud UniversityFCM 、 ECKM （ Lal 和 Anouncia ， 2015 a ） 和 ASCC （ Lal 和MargretAnouncia，2017）。已进行了分析，在OE和CE。据观察，OE和CE值越小，技术越好。在所设计的智能方法EASCC中获得的数据集1和数据集2的总误差（OE）分别为4.33%和2.04%，表明改变的像素几乎被准确地识别，并且误分类误差较小。所设计的方法获得的CE也小于现有的技术。EASCC获得的召回措施为0.96，0.98大于k的均值为AKM、FCM、ECKM和ASCC（见图11）。11）。从总体分析来看，在解决变化检测问题的同时，将图像融合与半监督聚类相结合，与现有方法相比，输出得到了改善。此外，为了获得全局最大值，进行输出优化以产生更准确的变化检测结果。现有的技术需要假设集群的分布，并且非常耗时（k均值，AKM，FCM，ECKM和ASCC）。另一方面，所设计的方法更多地关注变化的区域，以进一步预测未来几年的变化。100806040200精度K均值AKM FCM ECKM ASCCEASCC各种变化检测方法PCC（%）5. 结论本文结合ASCC和BPSO算法，设计了一种多时相遥感图像智能变化检测方法该方法的目的是检测遥感多光谱，多时相图像的变化。虽然结果似乎是可以接受的，但由于以下方法往往收敛于局部最小值，因此所获得的解决方案将导致局部最优。因此，为了进一步寻求全局最优的良好响应，应用二进制PSO采用BPSO算法对解决方案进行优化，结果在查全率和查准率方面都有明显的提高所设计的过程的精确率的增加有助于漂移检测到的变化的视觉质量，从而突出见图9。使用Huelva数据集的各种变化检测技术获得的准确度。精度100806040200K均值AKM FCM ECKM ASCCEASCC各种变化检测方法PCC（%）图10个。使用死海数据集的各种变化检测技术获得的准确性绩效评价10.90.80.70.60.50.40.30.20.10K均值AKM FCM ECKM ASCCEASCC各种定量指标召回Huelva数据集召回Dead Sea数据集图十一岁Huelva数据集和Dead Sea数据集的各种变化检测技术的召回值突出地。所设计的EASCC方法在准确性和有效性方面提供了更好的对多时相和多光谱数据集进行了调查，以验证所设计的智能方法的有效性。使用召回、OE、CE和PCC等措施对该方法进行了论证和评估与其他现有方法的结果比较表明，设计的方法有显着的提高。在未来，更多的图像可以用于变化检测的研究，以进一步及时地弄清楚的变化，也可以集中在图像的光谱特性和类别的场景用于变化检测过程。引用Bottomley，B.R.，1998年阿肯色&州卡罗尔县利用多时相陆地卫星专题成像仪卫星图像绘制农村土地利用土地覆盖变化图。.Braik，M.，Sheta，A.F.，Ayesh，A.，2007.基于粒子群优化算法的图像增强。在：世界工程大会，pp。978-988. 号1.一、Celik，T.，2010.用遗传算法方法检测卫星图象中的变化。IEEE Trans.地球科学远程传感器Lett. 7（2），386-390。戴，Q，刘杰，Liu，S.，2010.基于群体智能算法的遥感图像变化检测。在：多媒体技术国际会议（ICMT），页。1Kusetogullari，H.，2015.基于增强粒子群算法的动态多描述小波图像编码。美国电气与电子工程师学会杂志信号处理。9（1），125-138。Kusetogullari，H.，Yavariabdi，A.，Celik，T.，2015.利用并行粒子群优化的多时相多光谱卫星图像无监督变化检测。IEEE J.选档Top. Appl. 地球观测远程传感器 8（5），2151-2164。拉尔，上午，Anouncia，S.M.，2015年a。结合稀疏融合与约束k均值的多时相遥感影像半监督变化检测方法。埃及。J. Remote Sens. Space Sci. 18（2），279-288。网址：http：//doi.org/10.1016/j.ejrs.2015.10.002拉尔，上午，Anouncia，S.M.，2015年b。通过融合地形图和地理景观的多光谱图像来检测边界。Int. J. Ecol. Dev. 30（3），11-25.拉尔，上午，Anouncia，S.M.，2016.基于增强字典的多时相遥感图像稀疏表示融合。欧洲J.Remote Sens.49（1），317-336. https://doi.org/10.5721/EuJRS20164918网站。Lal，Anisha M.，Margret Anouncia，S.，Gopalakrishnan，M.，2015.基于平移不变小波变换融合和自适应K均值聚类的多光谱图像变化揭示。Int. J. Appl. Environ. Sci.10（2），681-693.Lal，Anisha M.，Margret Anouncia，S.，2017.基于约束聚类的自适应稀疏融合遥感图像半监督变化检测。J.Appl.远程传感器11，（1）.https://doi.org/10.1117/1.JRS.11.016013016013.83.287.9589.9293.5495.897.6589.6998.0498.47 98.5299.48F1分数准确度%准确度%上午Lal，S.M.Anouncia/ Journal of King Saud University103Nielsen，A.A.，2007年正则化迭代加权MAD方法在多光谱和高光谱数据变化检测中的应用。IEEE传输图像处理。16（2），463-478。斋月，R.M.，Abdel Kader，R.F.，2009.基于粒子群优化选择特征的人脸识别。信号处理国际期刊。 图像处理。模式n。2（2），51-65。罗森菲尔德，G.H.，Fitzpatrick-Lins，K.，一九八六年 作为主题分类准确性衡量标准的一致系数。摄影Eng. Remote Sens. 52（2），223-227.Sagnika，S.，Bilgaiyan，S.，Mishra，B.S.P.，2015年。 基于粒子群优化的图像变化检测。内特尔Comput. Commun. 设备，795-803。辛格，A.，1989.利用遥感数据的数字变化检测技术. Int. J. 远程传感器 10（6），989-1003。Soliman，O. S.，Mahmoud，A.S.，Hassan，S.M.，2012.基于支持向量机和粒子群算法的遥感卫星图像分类。在：IEEE生物启发计算和应用创新国际会议（IBICA），pp。280-285. 印度吴，C.，杜，B.，Cui，X.，张，L.，2017年a。一种基于迭代慢特征分析和贝叶斯软融合的分类后变化检测方法。遥 感 环境。199，241-255.吴，C.，张，L.，杜，B.，2017年b月。用于场景变化检测的核慢特征分析。IEEE Trans.地球科学远程传感器 55（4），2367-2384。Xian，G.，Homer，C.，Fry，J.，2009.利用陆地卫星图像变化检测方法将2001年国家土地覆盖数据库土地覆盖分类更新到2006年。远程传感器Environ. 113（6），1133-1147。薛，B.，张，M.，布朗，W.N.，2012年。用于特征选择的多目标粒子群优化（PSO）输入：程序ACM遗传和进化计算年会81-88. 意大利Yavariabdi，A.，Kusetogullari，H.，Usakli，A.B.，2017.球坐标系下使用粒子群优化的无监督卫星变化检测。 国际科学杂志Res. Inf. Syst. Eng.（IJSRISE）1（2）.