為減少遙感影像變化檢測方法中"偽變化"的影響以及檢測效果不理想等問題,提出一種基于孿生殘差神經(jīng)網(wǎng)絡(luò)的變化檢測方法。對多時相多光譜影像超像素進行分割與合并,對分割的子塊提取特征,得到初級變化檢測圖,選擇變化圖中變化與未變化的區(qū)域為訓(xùn)練樣本,通過孿生殘差神經(jīng)網(wǎng)絡(luò)（SiameseResNet）進行二次分類獲得相似度,經(jīng)過OTSU閾值分割后獲得到最后的變化檢測結(jié)果。實驗結(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正確率,減少"偽變化"對變化檢測的影響,具有較強魯棒性。 

【文章來源】：計算機工程與設(shè)計. 2020,41(12)北大核心

【文章頁數(shù)】：7 頁

【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行對比實驗:包括遙感影像變化檢測領(lǐng)域經(jīng)典常用的方法:最小噪聲分離法(minimumnoisefractionrotation,MNFRotation)、獨立成分分析(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/藍波段比率以及人造地物相結(jié)合的差值變化檢測方法Subtractive[14]變化向量分析法(change vector analysis,CVA)[15]、主成分分析(principalcomponentsanalysis,PCA)[16]、多元迭代變化檢測法(iterativelyreweighted multivariatealterationdetection,IR-MAD)[17],同時,為了驗證本文方法的有效性,本文還將與文獻[12]中的面向?qū)ο蟮亩嗵卣鞣旨塁VA變化檢測方法與文獻[13]中的混合像元分解法進行比較,并在分別標記為Paper1與Paper2。3.1 訓(xùn)練樣本選擇

【參考文獻】：
期刊論文
[1]多時相遙感影像變化檢測方法綜述[J]. 眭海剛,馮文卿,李文卓,孫開敏,徐川.  武漢大學(xué)學(xué)報(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方法[J]. 肖明虹,馮文卿,眭海剛.  測繪通報. 2018(10)
[3]面向?qū)ο蟮亩嗵卣鞣旨塁VA遙感影像變化檢測[J]. 趙敏,趙銀娣.  遙感學(xué)報. 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[J]. 吳柯,何坦,楊葉濤.  武漢大學(xué)學(xué)報(信息科學(xué)版). 2019(04)
[5]基于遙感的城市地表覆蓋變化檢測綜述[J]. 張濤,溫素馨.  現(xiàn)代測繪. 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.  計算機仿真. 2016(10)
[7]遙感影像變化檢測算法綜述[J]. 佟國峰,李勇,丁偉利,岳曉陽.  中國圖象圖形學(xué)報. 2015(12)
[8]基于協(xié)同分割的高分辨率遙感圖像變化檢測[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(自然科學(xué)). 2015(05)



本文編號：3256745