為減少遙感影像變化檢測(cè)方法中"偽變化"的影響以及檢測(cè)效果不理想等問(wèn)題,提出一種基于孿生殘差神經(jīng)網(wǎng)絡(luò)的變化檢測(cè)方法。對(duì)多時(shí)相多光譜影像超像素進(jìn)行分割與合并,對(duì)分割的子塊提取特征,得到初級(jí)變化檢測(cè)圖,選擇變化圖中變化與未變化的區(qū)域?yàn)橛?xùn)練樣本,通過(guò)孿生殘差神經(jīng)網(wǎng)絡(luò)（SiameseResNet）進(jìn)行二次分類獲得相似度,經(jīng)過(guò)OTSU閾值分割后獲得到最后的變化檢測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明,超像素分割與二次分類的方法可以有效提高變化檢測(cè)正確率,減少"偽變化"對(duì)變化檢測(cè)的影響,具有較強(qiáng)魯棒性。 

【文章來(lái)源】：計(jì)算機(jī)工程與設(shè)計(jì). 2020,41(12)北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

孿生殘差神經(jīng)網(wǎng)絡(luò)

圖1 孿生殘差神經(jīng)網(wǎng)絡(luò)第一組為杭州某地2016年3月27號(hào)和2018年6月25日數(shù)據(jù)集。第二組為惠州2015年1月1日和2018年3月23日的數(shù)據(jù)集,如圖3所示。

本文采用以下方法與本文方法進(jìn)行對(duì)比實(shí)驗(yàn):包括遙感影像變化檢測(cè)領(lǐng)域經(jīng)典常用的方法:最小噪聲分離法(minimumnoisefractionrotation,MNFRotation)、獨(dú)立成分分析(independent component correlation algorithm,ICA)、雙色多視圖方法(twocolormulti-view,2CMV)、波譜角(spectralangle,SA)和基于植被歸一化指數(shù)與紅/藍(lán)波段比率以及人造地物相結(jié)合的差值變化檢測(cè)方法Subtractive[14]變化向量分析法(change vector analysis,CVA)[15]、主成分分析(principalcomponentsanalysis,PCA)[16]、多元迭代變化檢測(cè)法(iterativelyreweighted multivariatealterationdetection,IR-MAD)[17],同時(shí),為了驗(yàn)證本文方法的有效性,本文還將與文獻(xiàn)[12]中的面向?qū)ο蟮亩嗵卣鞣旨?jí)CVA變化檢測(cè)方法與文獻(xiàn)[13]中的混合像元分解法進(jìn)行比較,并在分別標(biāo)記為Paper1與Paper2。3.1 訓(xùn)練樣本選擇

【參考文獻(xiàn)】：
期刊論文
[1]多時(shí)相遙感影像變化檢測(cè)方法綜述[J]. 眭海剛,馮文卿,李文卓,孫開敏,徐川.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2018(12)
[2]超像素分割和多方法融合的遙感影像變化檢測(cè)方法[J]. 肖明虹,馮文卿,眭海剛.  測(cè)繪通報(bào). 2018(10)
[3]面向?qū)ο蟮亩嗵卣鞣旨?jí)CVA遙感影像變化檢測(cè)[J]. 趙敏,趙銀娣.  遙感學(xué)報(bào). 2018(01)
[4]基于混合像元分解與EM算法的中低分辨率遙感影像變化檢測(cè)[J]. 吳柯,何坦,楊葉濤.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2019(04)
[5]基于遙感的城市地表覆蓋變化檢測(cè)綜述[J]. 張濤,溫素馨.  現(xiàn)代測(cè)繪. 2017(03)
[6]基于多特征融合的遙感圖像特征提取方法[J]. 孫紅巖.  計(jì)算機(jī)仿真. 2016(10)
[7]遙感影像變化檢測(cè)算法綜述[J]. 佟國(guó)峰,李勇,丁偉利,岳曉陽(yáng).  中國(guó)圖象圖形學(xué)報(bào). 2015(12)
[8]基于協(xié)同分割的高分辨率遙感圖像變化檢測(cè)[J]. 袁敏,肖鵬峰,馮學(xué)智,張學(xué)良,胡永月.  南京大學(xué)學(xué)報(bào)(自然科學(xué)). 2015(05)



本文編號(hào)：3256745