遥感监测
-
-
-
基于回归分析的图像变化检测系统及算法文档
本项目实现了一种基于回归分析理论的图像变化检测算法，旨在从两个不同时间点获取的同一地理区域影像中精确识别出地物的属性变化。核心思路是利用回归模型对多时相图像之间的强相关性进行建模。算法假设在没有发生变化的区域，前时相图像的像素值与后时相图像的像素值之间存在显著的统计相关性。系统通过对整幅图像或选定的稳定区域进行回归参数估计（如最小二乘法），建立像素间的线性或非线性映射关系。随后，利用模型根据其中一个时相的像素值预测另一个时相的期望像素值。预测值与真实观测值之间的差异即为残差，残差的大小直接反映了该像素点发 -
基于MRF与EM算法的图像变化检测系统
本项目旨在利用马尔科夫随机场（MRF）模型和期望极大化（EM）算法实现高精度的图像变化检测，主要面向遥感监测、环境治理和灾害评估等应用场景。 系统首先对输入的两幅不同时相的同区域图像进行差分计算或对数比运算，生成包含变化信息的差异图像。 通过引入马尔科夫随机场模型对图像进行空间上下文建模，利用Gibbs分布描述像素与其相邻像素之间的相关性，能够有效地抑制孤立噪声点对检测结果的影响，增强检测的一致性和平滑性。 应用期望极大化（EM）算法对背景类别和变化类别的统计参数进行自动化估计，在迭代过程中交替执行期望步 -
基于FcenterF方法的极化SAR图像分类系统
本项目实现了一种针对极化合成孔径雷达（PolSAR）图像的高精度分类算法，核心算法采用FcenterF特征提取与分类框架。系统通过对极化SAR获取的T3相干矩阵或C3协方差矩阵进行深度解析，结合了极化散射分解技术与中心特征融合策略。FcenterF方法重点改进了散射功率分量的提取过程，通过对地物散射机制的精细建模，包括单次散射、二次散射和体散射分量的重新评估，使算法能够更准确地描述负载杂波环境下的地物物理特性。该实现不仅包含了基础的极化分解模块，还引入了空间邻域信息的自适应处理，有效降低了相干斑噪声对分类结果的影响，显著提升了城市建筑区、植被覆盖区及水体等复杂场景的区分度。项目代码涵盖了从RAW数据预处理、极化特征参数计算、特征空间构建到最终利用分类器生成分类图的全流程，具有较好的适应性和鲁棒性，广泛应用于遥感监测、土地资源调查、军事目标识别及灾害评估等领域。
