Para superar os problemas de monitoramento incompleto e impreciso da cobertura do solo, conciliando integridade e praticidade, foi explorado um método não supervisionado de detecção de mudanças em imagens de sensoriamento remoto de alta resolução fusionando KPCA-DSFA a nível de objeto. Primeiro, realizou-se calibração radiométrica relativa e fusão das imagens de dois períodos, utilizando um algoritmo simples de clusterização não iterativa para segmentação conjunta, obtendo superpixels homogêneos que incorporam as características de ambas as imagens; em seguida, acoplou-se a rede de mapeamento convolucional KPCA com DSFA para extração de características espaço-espectrais e análise semântica profunda, utilizando superpixels como unidade básica para fusionar e construir vetores espaciais de alta dimensão a nível de objeto, obtendo informações de intensidade de mudança; finalmente, foi construído um modelo de função de energia baseado no modelo Graph Cut, que utiliza relações de adjacência dos objetos e diferenças espaciais para realizar extração precisa das áreas de mudança por meio de otimização global. Os resultados experimentais mostram que a precisão geral da detecção pode atingir mais de 90%, com desempenho abrangente elevado, capaz de suprimir eficazmente o ruído sal e pimenta, melhorar significativamente a taxa de recuperação das áreas de mudança, possuindo certa superioridade e robustez.

análise de componentes principais de núcleo; detecção de mudanças; superpixel; extração de características profundas; modelo de corte de gráfico