為利用高分辨率遙感影像實(shí)現(xiàn)高精度的飛機(jī)目標(biāo)變化檢測(cè),提出了一種自適應(yīng)的多特征融合變化檢測(cè)與深度學(xué)習(xí)相結(jié)合的方法。首先,通過(guò)加權(quán)迭代的多元變化檢測(cè)法獲取變化強(qiáng)度圖,并結(jié)合自適應(yīng)的直方圖統(tǒng)計(jì)法自動(dòng)獲取顯著的變化與不變化樣本;然后,提取多時(shí)相影像的光譜、邊緣和紋理特征,完成多特征融合的變化檢測(cè),并通過(guò)形態(tài)學(xué)處理得到變化圖斑;最后,利用訓(xùn)練的NIN（Network in Network）結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)飛機(jī)識(shí)別模型,完成變化圖斑的類(lèi)型判別,實(shí)現(xiàn)變化飛機(jī)的檢測(cè)。實(shí)驗(yàn)結(jié)果表明,本文方法在兩組數(shù)據(jù)的正確率分別達(dá)到100%和91.89%,均優(yōu)于對(duì)比方法,能實(shí)現(xiàn)準(zhǔn)確可靠的飛機(jī)目標(biāo)變化檢測(cè)。 

【文章來(lái)源】：遙感學(xué)報(bào). 2020,24(01)北大核心EICSCD

【文章頁(yè)數(shù)】：16 頁(yè)

【部分圖文】：

本文方法流程

(3)本文取強(qiáng)度圖中大于閾值T的像素為變化樣本，設(shè)有m個(gè)，并設(shè)剩余像素總數(shù)為n。為了保證后續(xù)SVM分類(lèi)中變化與不變化的樣本數(shù)量接近，可以從n個(gè)像素中隨機(jī)取m個(gè)作為不變化樣本。2.3 多特征提取

綜合上述考慮，本文構(gòu)建一個(gè)用于二分類(lèi)的NIN卷積神經(jīng)網(wǎng)絡(luò)(圖3)。該網(wǎng)絡(luò)模型包含9個(gè)卷積層(C),2個(gè)池化層(P)。各卷積層與池化層的參數(shù)設(shè)置如表1所示，其中192@5×5表示192個(gè)大小為5×5的卷積核，S為池化層的步長(zhǎng)。NIN網(wǎng)絡(luò)不包含全連接層，一個(gè)大小為32×32的圖像，經(jīng)過(guò)逐層的前向傳播，以ReLU為激活函數(shù)，在最后一個(gè)卷積層輸出兩個(gè)大小為8×8的特征圖。然后直接采取最大池化的方式，并利用softmax函數(shù)將輸出的標(biāo)量映射為該圖像對(duì)應(yīng)類(lèi)別的概率分布�；贜IN模型的優(yōu)化目標(biāo)函數(shù)為

【參考文獻(xiàn)】：
期刊論文
[1]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)
[2]高分辨率遙感影像的深度學(xué)習(xí)變化檢測(cè)方法[J]. 張?chǎng)锡?陳秀萬(wàn),李飛,楊婷.  測(cè)繪學(xué)報(bào). 2017(08)
[3]知識(shí)驅(qū)動(dòng)下的飛機(jī)目標(biāo)變化檢測(cè)方法[J]. 項(xiàng)盛文,文貢堅(jiān),高峰.  國(guó)土資源遙感. 2016(04)
[4]窗口融合特征對(duì)比度的光學(xué)遙感目標(biāo)檢測(cè)[J]. 李湘眷,王彩玲,李宇,孫皓.  光學(xué)精密工程. 2016(08)
[5]基于BP神經(jīng)網(wǎng)絡(luò)的多特征融合變化檢測(cè)方法[J]. 郝睿,徐俊峰,王慶寶,張保明.  海洋測(cè)繪. 2016(01)
[6]一種基于背景先驗(yàn)的飛機(jī)目標(biāo)檢測(cè)方法[J]. 陳麗勇,閆夢(mèng)龍,孫顯,王宏琦.  測(cè)繪科學(xué). 2016(03)
[7]一種結(jié)合四元數(shù)與直方圖的多光譜圖像自適應(yīng)邊緣檢測(cè)方法[J]. 徐俊峰,郭海濤,張銳,劉攀成.  測(cè)繪科學(xué)技術(shù)學(xué)報(bào). 2015(01)
[8]融合多特征的遙感影像變化檢測(cè)方法[J]. 李亮,舒寧,王凱,龔龑.  測(cè)繪學(xué)報(bào). 2014(09)
[9]融合多特征的遙感影像變化檢測(cè)[J]. 杜培軍,柳思聰.  遙感學(xué)報(bào). 2012(04)



本文編號(hào)：3419199