【摘要】：基于多時相遙感影像的變化檢測技術在土地利用監(jiān)測、城市建設、植被覆蓋研究等方面都具有重要的意義。然而隨著遙感影像空間分辨率的提高,波段數(shù)目隨之減少,變化檢測中出現(xiàn)空間地物結構更加復雜、訓練樣本標記代價變高、同類地物的光譜差異增大、光譜域可分性降低等現(xiàn)象。針對以上問題,論文在綜合考慮面向像元和面向?qū)ο笞兓瘷z測的基礎上,提出了基于主動學習的多分類器集成和多尺度不確定性分析的檢測。并且利用不確定性分析后的分類概率與變化概率結果,結合貝葉斯融合進行變化類型的檢測。主要研究內(nèi)容如下:(1)為了充分利用高分辨率遙感影像豐富的地物結構信息,提取了紋理特征、形態(tài)特征和Gabor濾波特征,并將優(yōu)化后的空間特征與光譜特征組合,構建了最優(yōu)特征矢量作為信息提取的變化檢測數(shù)據(jù)集。(2)為了利用不同分類器各自的優(yōu)勢和多尺度信息來有效識別圖像中所有的變化信息,論文提出了基于多分類器集成和多尺度不確定性分析的變化檢測算法。根據(jù)分類器異質(zhì)性研究構建基于K近鄰、支持向量機、極限樹的多分類器集成系統(tǒng),在此過程中還引入主動學習思想,利用空間優(yōu)化和breaking ties(BT)算法選擇信息量豐富的未標記樣本作為增選樣本,用來解決監(jiān)督變化檢測中訓練樣本不足問題;為了有效利用遙感影像的尺度信息在圖像分析和特征識別中的重要意義,通過具有傳播關系的多尺度層進行不確定性分析,并結合所有尺度上的確定對象構成最終變化檢測結果。該算法在減少面向像元變化檢測中“椒鹽噪聲”影響的同時,能降低傳統(tǒng)的面向?qū)ο笞兓瘷z測中變化檢測精度對分割尺度的依賴性。(3)為了得到變化類型結果,構建了基于不確定性分析和貝葉斯融合的分類后變化類型檢測算法。首先利用非監(jiān)督變化檢測和支持向量機相結合來獲取變化概率圖,利用極限隨機樹算法進行分類概率圖的獲取,然后分別對兩個時相的分類概率圖進行不確定性分析,將不確定變化類型的分類概率圖與變化概率圖利用貝葉斯融合得到像素級變化類型的檢測結果,最后通過面向?qū)ο蟮念悇e判定來確定最終變化類型檢測結果。
【圖文】：

ZY-3正視相機 - 0.50~0.80 2.1前、后視相機 - 0.50~0.80 3.5多光譜相機Blue 0.45~0.525.8Green 0.52~0.59Red 0.63~0.69Nir 0.77~0.89GF-2全色相機 - 0.45~0.90 1多光譜相機Blue 0.45~0.524Green 0.52~0.59Red 0.63~0.69Nir 0.77~0.89第一組 ZY-3 號實驗數(shù)據(jù)包含的兩時相影像分別獲取于 2012 年 11 月 6 日和2013 年 11 月 4 日，覆蓋范圍為江蘇省西北部徐州市云龍區(qū)；第二組 GF-2 號實驗數(shù)據(jù)包含的兩時相遙感影像分別獲取于 2016 年 11 月 3 日和 2017 年 10 月 9日，覆蓋范圍為江蘇省西南部南京市秦淮區(qū)，兩組數(shù)據(jù)的位置如圖 2-1 所示。

2 多源特征集的構建與分類器異質(zhì)性度量其中第一組實驗數(shù)據(jù)影像大小為 像元，包含 Red、Green、Blue、Nir 四個波段，空間分辨率為 5.8 米，包含的典型地物類型主要有植被、水體、建筑物、道路和裸土，主要變化類型包括建筑物類型的變化以及植被的減少。其R-G-B 真彩色影像如圖 2-2 所示。第二組實驗數(shù)據(jù)影像大小為 像元，，包含 R、G、B、Nir 四個波段，空間分辨率為 4 米，包含的典型地物類型主要有植被、建筑物、水體、道路和橋梁。主要變化類型包括道路和建筑物的增加以及植被覆蓋的減少。其 R-G-B 真彩色影像如圖 2-3 所示。
【學位授予單位】：中國礦業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：P237

【相似文獻】

相關期刊論文 前10條

1 眭海剛;馮文卿;李文卓;孫開敏;徐川;;多時相遙感影像變化檢測方法綜述[J];武漢大學學報(信息科學版);2018年12期

2 謝馨嫻;岳彩榮;霍鵬;;森林變化檢測方法比較[J];四川林業(yè)科技;2018年03期

3 王娜;張景發(fā);;SAR圖像變化檢測技術方法綜述[J];地殼構造與地殼應力文集;2016年01期

4 宋英旭;牛瑞卿;張景發(fā);李永生;羅毅;馮時;陳艷;;遙感影像變化檢測方法對比[J];地殼構造與地殼應力文集;2016年02期

5 李強;張景發(fā);;變化檢測技術在震害信息提取中的應用[J];地理空間信息;2014年02期

6 龍玄耀;李培軍;;基于圖像分割的城市變化檢測[J];地球信息科學;2008年01期

7 于躍龍,盧煥章;以統(tǒng)計變化檢測為基礎的實時分割視頻對象新方法[J];中國圖象圖形學報;2005年01期

8 孫揚;朱凌;修田雨;;基于國產(chǎn)衛(wèi)星影像的協(xié)同分割變化檢測[J];北京建筑大學學報;2018年04期

9 王鑫;;聚類分析觀點下的分散式最快變化檢測[J];南京理工大學學報;2014年02期

10 沈壁川;毛期儉;呂翊;;基于巴氏距離的視頻流場景變化檢測(英文)[J];重慶郵電大學學報(自然科學版);2009年01期

相關會議論文 前10條

1 劉元波;;環(huán)境遙感變化探測研究中的若干問題：輻射校正方法與變化檢測算法及其理論關系[A];中國地理學會2007年學術年會論文摘要集[C];2007年

2 毛衛(wèi)華;;時態(tài)遙感數(shù)據(jù)對象級變化檢測方法研究[A];2016年度浙江省測繪與地理信息學會優(yōu)秀論文集[C];2016年

3 林麗群;舒寧;肖俊;;MODIS影像自動變化檢測[A];第十五屆全國遙感技術學術交流會論文摘要集[C];2005年

4 劉志剛;李夕海;錢昌松;;遙感圖像變化檢測問題淺析[A];陜西地球物理文集（五）國家安全與軍事地球物理研究[C];2005年

5 王長海;陳文靜;;基于遙感影像分類的城鎮(zhèn)建成區(qū)變化檢測方法研究[A];國家安全地球物理叢書（十三）——軍民融合與地球物理[C];2017年

6 蔣汾龍;王善峰;公茂果;馬晶晶;張明陽;武越;;基于降噪耦合卷積神經(jīng)網(wǎng)絡的多源遙感影像變化檢測[A];第五屆高分辨率對地觀測學術年會論文集[C];2018年

7 鄭安明;羅健;康薇薇;;基于遙感影像的流域下墊面變化檢測[A];環(huán)境變化與水安全——第五屆中國水論壇論文集[C];2007年

8 陳宇;唐偉成;;基于北京一號小衛(wèi)星遙感數(shù)據(jù)的徐州東礦區(qū)土地利用/覆蓋變化檢測方法研究[A];第十七屆中國遙感大會摘要集[C];2010年

9 李全;李霖;;基于LANDSAT TM影像的城市變化檢測研究[A];中國地理學會2004年學術年會暨海峽兩岸地理學術研討會論文摘要集[C];2004年

10 歐陽峗;馬建文;戴芹;;動態(tài)貝葉斯網(wǎng)絡在遙感變化檢測中的應用[A];第十五屆全國遙感技術學術交流會論文摘要集[C];2005年

相關重要報紙文章 前2條

1 本報記者 孫楠 徐文彬;提高我國在氣候變化檢測歸因領域的國際影響力[N];中國氣象報;2016年

2 通訊員 孫愛華　張向峰;區(qū)域氣候變化檢測研討會召開[N];中國氣象報;2009年

相關博士學位論文 前10條

1 鄭耀國;基于結構化表示學習的遙感圖像分類及變化檢測[D];西安電子科技大學;2016年

2 蘇臨之;基于像素信息和深度學習的遙感圖像變化檢測技術[D];西安電子科技大學;2016年

3 賈璐;基于核理論的遙感影像變化檢測算法研究[D];西安電子科技大學;2016年

4 李瑜;基于特征學習的SAR圖像變化檢測方法研究[D];西安電子科技大學;2016年

5 李振軒;基于差分測度的高分辨率遙感影像可靠性變化檢測方法研究[D];中國礦業(yè)大學;2018年

6 劉博宇;時序NDVI數(shù)據(jù)集螺線型構建及多形狀參數(shù)變化檢測[D];吉林大學;2018年

7 李勝;聯(lián)合領域知識和深度學習的城市地表覆蓋變化檢測方法[D];武漢大學;2018年

8 趙金奇;多時相極化SAR影像變化檢測方法研究[D];武漢大學;2018年

9 劉嘉;多目標演化深度神經(jīng)網(wǎng)絡模型與應用[D];西安電子科技大學;2018年

10 龐世燕;三維信息輔助的建筑物自動變化檢測若干關鍵技術研究[D];武漢大學;2015年

相關碩士學位論文 前10條

1 楊彬;基于深度學習的高分辨率遙感影像變化檢測[D];中國礦業(yè)大學;2019年

2 郭欣;光學與SAR圖像像素級融合的水體變化檢測[D];中國礦業(yè)大學;2019年

3 張玉沙;基于主動集成學習和不確定性分析的遙感影像變化檢測[D];中國礦業(yè)大學;2019年

4 劉陸洋;基于雙差異圖的SAR圖像變化檢測研究[D];新疆大學;2019年

5 婁雪梅;基于SAR圖像的變化檢測算法研究[D];新疆大學;2019年

6 丁永;高分辨率遙感影像結合地表覆蓋矢量數(shù)據(jù)的變化檢測方法研究[D];武漢大學;2017年

7 許競軒;面向?qū)ο蟮母叻直媛蔬b感影像變化檢測方法研究[D];戰(zhàn)略支援部隊信息工程大學;2018年

8 孫揚;基于超像素協(xié)同分割的遙感影像變化檢測方法[D];北京建筑大學;2019年

9 唐文博;基于卷積神經(jīng)網(wǎng)絡的高分辨率多光譜遙感圖像上的城區(qū)建筑物變化檢測技術[D];浙江大學;2019年

10 莊姊琪;基于Siamese卷積神經(jīng)網(wǎng)絡的高分影像城市地物變化檢測[D];武漢大學;2018年

本文編號：2594059