建议了一种结合Lidar点云与航空可见光影像的建筑物变化检测新方法,利用多层次规则分类算法解决这两种异元异构数据间建筑物变化检测难题.并建议了一种结合面积阈值的形态学后处理方法,从而形成一套完整的处理流程,可应用于实际生产.最终,利用中国吉林省长春市2010年机载LiDAR点云数据和2009年高分辨率航空影像对该方法的有效性进行了评价,通过与基于支持向量机(SVM)面向对象分类的建筑物变化检测算法比较,进一步对本研究建议的方法进行了验证与分析.结果显示,此方法效果理想,其精度优于基于SVM面向对象分类的建筑物变化检测方法.Kappa系数达到0.90,correctness达到0.87。

建议了一种基于光流动态纹理(optical flow dynamic texture)的高分辨率遥感影像变化检测新方法, 用一种运动的关系描述地物变化, 能够在多时相高分辨率遥感影像中自动获取土地利用和土地覆盖的变化信息。 利用光流理论从原理上描述了地物渐变的过程, 突破了以往遥感变化检测方法中认为地物发生突变的假设。 该方法的流程简单, 易于在目前的土地管理、 城市规划等需要发现用地变化的系统和软件中使用。 该方法考虑到了多时相遥感影像间的时间维度特征, 为遥感变化检测提供了更加丰富的信息, 进而改善了变化检测方法主要依赖空间维度信息的现状。 以光流动态纹理作为变化的基本体现, 结合光谱信息共同用于高分辨率遥感影像的支持向量机分类后变化检测, 方法顾及了遥感影像时间维度的纹理, 相较大多数空间纹理其数据量较小; 纹理计算仅需设定一个参数, 自动程度较高; 可缓解行业中大量人工解译的现状。 通过利用中国大庆市杜尔伯特蒙古自治县2011年和2012年QuickBird影像对该方法的有效性进行了评价。 深入分析了不同的光流平滑系数α对该方法的影响, 以及对地物变化描述效果的影响。 实验结果显示, 该方法效果理想, 总体精度达到87.29%、 Kappa系数达到0.850 7, 其精度优于单纯利用光谱信息的分类后变化检测方法。