摘要：遥感变化检测作为观测和分析地表变化的重要手段,以双时相图像为输入,旨在预测变化发生的“位置”。近期出现的基础模型,例如SAM模型(Segment Anything Model),展现出强大的通用性和泛化能力,有望为变化检测任务提供更为有效的解决方案。然而,由于遥感图像的特殊成像特性,它们在许多遥感应用中的直接使用往往效果不佳。此外,SAM模型最初被设计用于分割单时相图像,其通过人工添加点或框的提示来实现,但这种过于直观的方法在处理双时相图像输入时并不适用。为了应对上述挑战,本文提出了一种基于时差提示SAM的遥感变化检测方法(TDPS),充分发挥SAM模型强大的视觉识别能力,以改进对遥感图像的变化检测。具体而言,本文首先在SAM骨干网络中引入了低阶可微调参数,以减轻自然图像到遥感图像上的域偏移。其次,本文设计了时相差异提示生成器,通过将双时相图像的特征与查询嵌入一起优化,得到适用于变化检测任务的提示向量。最后,大量实验证明了本文方法的有效性,在两个常用的变化检测数据集LEVIR-CD和WHU-CD上取得了最先进的性能,F1指标相比于最先进方法分别提升了1.4%和2.5%。

摘要：为准确获取葡萄空间变化信息,实现产业规划和可持续发展,针对葡萄种植区布局分散、面积不一,地物类型复杂,相应不同时相影像异质性较大,严重影响变化区域检测精度的问题,提出了一种融合注意力机制和多尺度信息的变化检测模型(Multiscale difference feature capture net,MDFCNet)。在ResNet101主干网络的基础上融合SE(Squeeze and excitation)注意力机制,提升网络对遥感影像中变化特征提取的能力,抑制无关像素干扰。并且设计了交叉差异特征捕获(Cross difference feature capture,CDFC)模块,捕获具有密集上下文信息的差异特征来提升地物类型复杂情况下的变化检测精度,同时设计了监督集成注意力(Supervised ensemble attention,SEA)模块,逐层融合低层细节纹理特征和高层抽象语义特征来丰富多尺度特征,以此增强网络对布局分散、面积不一的种植区的检测能力。在构建的宁夏葡萄种植区变化数据集上进行实验,结果表明,相较于目前主流的SNUNet、A2Net、DSIFN和ResNet-CD变化检测模型,本文MDFCNet方法检测结果最优,相较于性能第2的模型,评价指标中交并比、召回率、F1值和精确率分别提高5.42、5.62、3.48、0.95个百分点。通过消融实验也证明了融合各模块的有效性,相较于基础网络,增加3个模块使得交并比、召回率、F1值和精确率分别提高12.9、5.63、8.64、11.75个百分点。本文模型提取出感受野更大的差异特征可为变化检测提供丰富的推断信息,融合的多尺度特征可以有效避免结果中误检测和漏检测问题,提高了变化区域的完整性和边缘细节保留,为背景复杂的大范围葡萄种植区的变化检测任务提供了解决思路。

摘要：以攸县黄丰桥林场为研究区,选择2001,2009和2013年3期Landsat影像,应用影像代数变化检测、掩膜处理变化检测、写功能存储插入法变化检测和分类后比较变化检测4种算法开展森林变化检测对比研究。结果表明:分类后比较变化检测方法在总体精度上有较明显的优越性,其2013年与2009年、2009年与2001年总体精度均为96.67%;其次是写功能存储插入法变化检测,其2013年与2009年、及2009年与2001年总体精度分别为94%和95.67%;掩膜处理变化检测精度排名第三,其2013年与2009年、2009年与2001年总体精度分别为93.67%和95.67%;效果最差的是影像代数变化检测方法,其2013年与2009年、2009年与2001年总体精度分别为93.33%和94.33%。通过对上述4种方法优缺点及精度的综合分析,得出分类后比较变化检测算法是最适合黄丰桥林场的变化检测方法。