中國社會經濟的快速發(fā)展加速了城市的空間擴展。在城市化進程中,建筑物作為活躍的城市要素,會出現(xiàn)大量更新,精確、高效的建筑物變化信息提取對于城區(qū)規(guī)劃等業(yè)務具有重要意義。衛(wèi)星遙感技術的發(fā)展為各個研究領域帶來了大量遙感數(shù)據(jù),其中遙感圖像已經成為建筑物變化檢測技術的重要數(shù)據(jù)源。高分辨率遙感圖像中地物信息豐富,但“同物異譜,同譜異物”的情況同樣嚴重,這也對如何合理有效的利用這些信息進行建筑物變化檢測提出了巨大挑戰(zhàn)。隨著深度學習技術的創(chuàng)新與發(fā)展,深度學習以其泛化能力強等特點為基于高分辨率遙感圖像的建筑物變化檢測提供了新的思路。本文將建筑物變化檢測問題轉換為圖像像素級別分類問題,借鑒FPN網(wǎng)絡的多層級預測的思路對經典的全卷積神經網(wǎng)絡的變種Unet進行改進,設計了一套基于改進Unet模型的遙感圖像上的建筑物變化檢測方案。針對同一地區(qū)的前后時相遙感圖像,方案首先使用正射校正、影像配準、圖像拉伸及數(shù)值歸一化等操作對兩幅遙感圖像進行預處理;其次,對遙感圖像進行分塊,標注關于建筑物新建、拆除情況的變化樣本來制作訓練數(shù)據(jù)集,并以此對改進的Unet模型進行訓練;最后,利用已訓練模型對經過預處理的前后時相遙感圖像進行... 

【文章來源】：浙江大學浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 項目研究背景與意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 遙感變化檢測
        1.2.2 遙感圖像中的建筑物變化檢測
        1.2.3 深度學習與變化檢測
    1.3 本文研究內容
    1.4 論文組織結構
    1.5 本章小結
第2章 相關技術介紹
    2.1 相關概念
        2.1.1 高分辨率遙感圖像
        2.1.2 全色和多光譜遙感圖像
    2.2 深度學習
        2.2.1 深度學習概述
        2.2.2 卷積神經網(wǎng)絡
        2.2.3 基于卷積神經網(wǎng)絡的語義分割算法
    2.3 本章小結
第3章 技術方案概述
    3.1 問題描述
    3.2 技術挑戰(zhàn)
    3.3 主要技術流程
        3.3.1 圖像預處理
        3.3.2 數(shù)據(jù)標注及數(shù)據(jù)增廣
        3.3.3 模型設計與訓練
        3.3.4 變化分析
    3.4 本章小結
第4章 圖像預處理與樣本標注及增廣
    4.1 數(shù)據(jù)源介紹
    4.2 遙感圖像預處理
        4.2.1 正射校正
        4.2.2 圖像配準
        4.2.3 圖像拉伸及歸一化
    4.3 樣本標注及增廣
        4.3.1 樣本標注
        4.3.2 樣本切分及增廣
    4.4 本章小結
第5章 分類模型與變化分析
    5.1 相關網(wǎng)絡模型介紹
        5.1.1 特征金字塔模型FPN
        5.1.2 語義分割模型優(yōu)化思路
    5.2 基于F-Unet網(wǎng)絡的分類模型
        5.2.1 模型結構
        5.2.2 網(wǎng)絡配置
        5.2.3 網(wǎng)絡訓練
    5.3 對比方法
        5.3.1 基于FCN的分類模型
        5.3.2 基于Unet的分類模型
        5.3.3 基于SegNet的分類模型
        5.3.4 網(wǎng)絡配置與訓練
    5.4 變化分析
        5.4.1 建筑物變化檢測流程
    5.5 本章小結
第6章 實驗結果
    6.1 數(shù)據(jù)集
    6.2 評估指標
    6.3 實驗環(huán)境
    6.4 實驗結果分析
        6.4.1 不同深度的F-Unet網(wǎng)絡對實驗結果影響分析
        6.4.2 來自QuickBird的不同測試集實驗結果分析
        6.4.3 來自高分二號的測試集變化檢測效果展示
        6.4.4 分析與比較
    6.5 本章總結
第7章 總結與展望
    7.1 本文工作總結
    7.2 未來工作與展望
參考文獻
攻讀碩士學位期間主要的研究成果
致謝


【參考文獻】：
期刊論文
[1]融合遙感影像光譜和紋理特征的礦區(qū)林地信息變化監(jiān)測[J]. 張嵩,馬保東,陳玉騰,吳立新.  地理與地理信息科學. 2017(06)
[2]GF-1遙感大數(shù)據(jù)自動化正射校正系統(tǒng)設計與實現(xiàn)[J]. 葉思菁,張超,王媛,劉帝佑,杜振博,朱德海.  農業(yè)工程學報. 2017(S1)
[3]多尺度分割的高分辨率遙感影像變化檢測[J]. 佃袁勇,方圣輝,姚崇懷.  遙感學報. 2016(01)
[4]基于支持向量機的礦區(qū)土地覆蓋變化檢測[J]. 杜培軍,柳思聰,鄭輝.  中國礦業(yè)大學學報. 2012(02)
[5]基于ERDAS軟件對QuickBird影像的正射糾正[J]. 趙麗榮,王丹.  測繪與空間地理信息. 2009(06)
[6]遙感數(shù)字圖像配準技術綜述[J]. 吳畏,趙文杰,劉輝.  紅外. 2009(10)
[7]基于LBP/C紋理的遙感影像居民地變化檢測[J]. 張劍清,佘瓊,潘勵.  武漢大學學報(信息科學版). 2008(01)
[8]面向單波段高分辨率遙感影像的人工目標變化檢測技術研究[J]. 耿忠.  地理信息世界. 2007(06)
[9]淺談QuickBird遙感衛(wèi)星影像幾何精校正[J]. 萬里紅,楊武年,李天華,夏濤,簡季,劉漢湖.  測繪與空間地理信息. 2007(02)
[10]基于相似度驗證的自動變化探測研究[J]. 劉臻,宮鵬,史培軍,Sasagawa T,何春陽.  遙感學報. 2005(05)



本文編號：3471756