【摘要】：變化檢測(cè)是通過比較同一地理區(qū)域不同時(shí)間點(diǎn)獲取的兩張或多張遙感影像來發(fā)現(xiàn)地球表面所發(fā)生的變化的過程。傳統(tǒng)的變化檢測(cè)方法需要人工設(shè)計(jì)特征,這是一項(xiàng)費(fèi)時(shí)費(fèi)力的工作,且需要較強(qiáng)的專業(yè)知識(shí)。并且很難設(shè)計(jì)出一種適用于所有地物類型的通用特征。深度神經(jīng)網(wǎng)絡(luò)的多層非線性映射使其具備擬合任意函數(shù)的能力,因此能夠構(gòu)建出高維的分類面,高質(zhì)量地完成模式分類識(shí)別任務(wù)。本文主要研究利用深度神經(jīng)網(wǎng)絡(luò)對(duì)城市地物實(shí)現(xiàn)“端到端”的變化檢測(cè),避免人工設(shè)計(jì)特征的過程,提升變化檢測(cè)的精度。本文的主要研究?jī)?nèi)容包括以下三個(gè)方面:(1)設(shè)計(jì)了一種 Siamese 卷積神經(jīng)網(wǎng)絡(luò)(Siamese Convolutional Neural Network,SCNN),實(shí)現(xiàn)對(duì)兩時(shí)相高分影像城市區(qū)域地物的變化檢測(cè)。針對(duì)變化檢測(cè)需要同時(shí)對(duì)兩時(shí)相影像進(jìn)行處理的特點(diǎn),SCNN由兩個(gè)分支網(wǎng)絡(luò)和一個(gè)決策層網(wǎng)絡(luò)組成。兩個(gè)分支網(wǎng)絡(luò)位于SCNN低層,分別對(duì)兩時(shí)相影像進(jìn)行特征提取。將提取的兩時(shí)相影像特征進(jìn)行特征連接,輸入到?jīng)Q策層網(wǎng)絡(luò)中。決策層網(wǎng)絡(luò)對(duì)兩時(shí)相影像特征進(jìn)行相似性度量,輸出變化檢測(cè)結(jié)果。本文以影像“分割塊”為變化檢測(cè)的基本單元,可充分發(fā)揮深度神經(jīng)網(wǎng)絡(luò)對(duì)影像高層特征挖掘的能力,同時(shí),可實(shí)現(xiàn)“全覆蓋”的變化檢測(cè)。本文基于SCNN對(duì)武漢市城市地物變化檢測(cè)總體精度達(dá)到88.57%以上。(2)提出了針對(duì)變化檢測(cè)的數(shù)據(jù)增強(qiáng)方法。變化檢測(cè)中,不同時(shí)相影像由于獲取條件的不同,本身存在一定的差異性,傳統(tǒng)的圖像分類領(lǐng)域通過對(duì)圖像進(jìn)行旋轉(zhuǎn)、平移、加噪等實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)的方法不適用于變化檢測(cè)領(lǐng)域。針對(duì)這個(gè)問題,本文分別對(duì)變化樣本和不變樣本提出了不同的數(shù)據(jù)增強(qiáng)方法。對(duì)變化樣本,采用“迭代訓(xùn)練SCNN——樣本選擇—一樣本擴(kuò)充”的方式實(shí)現(xiàn)數(shù)據(jù)增強(qiáng);對(duì)變化樣本,通過將位于不同位置的兩時(shí)相影像組合成新的變化樣本對(duì)實(shí)現(xiàn)對(duì)變化樣本的擴(kuò)充。該方法實(shí)現(xiàn)了對(duì)變化檢測(cè)樣本的擴(kuò)充,有效抑制了過擬合現(xiàn)象的發(fā)生。(3)提出了基于模型遷移方法實(shí)現(xiàn)對(duì)其他城市地物的變化檢測(cè)。不同城市由于建筑風(fēng)格、規(guī)劃設(shè)計(jì)的不同存在差異,一個(gè)城市訓(xùn)練好的模型不能直接用于另一個(gè)城市的變化檢測(cè)。本文基于保守訓(xùn)練和層遷移策略,將在武漢市訓(xùn)練好的SCNN模型遷移至咸寧市,實(shí)現(xiàn)對(duì)咸寧市地物變化檢測(cè)。咸寧市基于保守訓(xùn)練的變化檢測(cè)總體精度達(dá)到83.07%以上,基于層遷移的變化檢測(cè)總體精度達(dá)到86.98%以上。
【學(xué)位授予單位】：武漢大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：P237;TP183
【圖文】：

逡逑成變化圖，精度評(píng)價(jià)五個(gè)步驟，如圖１．１所示。影像預(yù)處理是對(duì)獲取的數(shù)據(jù)源進(jìn)逡逑行一系列的操作，以消除大氣輻射、地球曲率、地面起伏等因素引起的影像畸變，逡逑得到變化檢測(cè)可用的影像數(shù)據(jù)。影像預(yù)處理一般包括幾何校正、輻射校正等過程。逡逑大部分變化檢測(cè)方法需要預(yù)先進(jìn)行多時(shí)相影像間的精確配準(zhǔn)，在配準(zhǔn)影像的基礎(chǔ)逡逑上執(zhí)行后續(xù)的變化檢測(cè)步驟。也有一些方法將影像配準(zhǔn)與變化檢測(cè)同步進(jìn)行，充逡逑分利用未變化地物特征作為配準(zhǔn)的依據(jù)，減少配準(zhǔn)誤差的傳遞和累積，提高變化逡逑檢測(cè)的精度（李德仁，２００３）。分析單元是指變化檢測(cè)過程中確定“變化”或“未逡逑變化”的最小的目標(biāo)單元。選擇比較方法是指對(duì)分析單元進(jìn)行特征提取與選擇，逡逑確定合適的變化比較算法與判別準(zhǔn)則。確定分析單元和選擇比較方法是變化檢測(cè)逡逑過程中的兩個(gè)關(guān)鍵步驟，Ｔｅｗｋｅｓｂｕｒｙ邋ＡＰ，邋ｅｔａｌ．邋（２０１５）的最新研宄總結(jié)了變化檢測(cè)逡逑領(lǐng)域過去幾十年的研宄方法

獲得光譜－空間一體化特征表達(dá)，建立多時(shí)相地物特征間的非線性聯(lián)系，有效逡逑提高變化檢測(cè)的精度（張良培等，２０１７）�；谏疃葘W(xué)習(xí)進(jìn)行變化檢測(cè)成為目前逡逑重要的研究課題。如圖１．２所示為傳統(tǒng)變化檢測(cè)算法和基于深度學(xué)習(xí)的變化檢測(cè)逡逑算法對(duì)比流程圖。逡逑原始影像１邐原始影像２逡逑１邐ｒ逡逑變換／特征提取邐變換／特征提取逡逑Ｉ逡逑比較方法逡逑ｊ邐原始影像１邐原始影像２逡逑生成變化影像逡逑分析變化影像邐ｙ丨丨練深度神經(jīng)網(wǎng)絡(luò)逡逑Ｔ￣—￣邐丁逡逑獲得變化檢測(cè)結(jié)果邐獲得變化檢測(cè)結(jié)果逡逑（ａ）邐（ｂ）逡逑圖１．２變化檢測(cè)算法流程圖（ａ）基于傳統(tǒng)算法的流程圖（ｂ）基于深度學(xué)習(xí)算法的流程圖逡逑目前，高分影像變化檢測(cè)常用的深度神經(jīng)網(wǎng)絡(luò)模型包括自編碼網(wǎng)絡(luò)、深度置逡逑信網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等。ＸｕＹ，ｅｔａｌ．邋（２０１３）設(shè)計(jì)了一個(gè)自編碼網(wǎng)絡(luò)自動(dòng)提取多逡逑時(shí)相影像的特征，然后對(duì)特征進(jìn)行比較，設(shè)置閾值去除瑣碎的偽變化區(qū)域，得到逡逑變化檢測(cè)結(jié)果。ＧｏｎｇＭ，ｅｔａｌ．邋（２０１５）設(shè)計(jì)了一個(gè)深度限制玻爾茲曼機(jī)網(wǎng)絡(luò)對(duì)ＳＡＲ逡逑影像進(jìn)行變化檢測(cè)。將同一區(qū)域兩時(shí)相影像作為輸入，變化檢測(cè)結(jié)果圖作為輸出，逡逑避免了生成差異圖的過程，從而避免了差異圖對(duì)結(jié)果的影響，但對(duì)噪聲的魯棒性逡逑很差。ＺｈａｎｇＰ，ｅｔａｌ．邋（２０１６）針對(duì)

概念讓計(jì)算機(jī)構(gòu)建較簡(jiǎn)單的概念來學(xué)習(xí)復(fù)雜概念（ＬｅｃｕｎＹ，邋ｅｔａｌ．，２０１５）。深度學(xué)習(xí)逡逑常用的形式是人工神經(jīng)網(wǎng)絡(luò)。一個(gè)深度神經(jīng)網(wǎng)絡(luò)包含了多個(gè)不同的層結(jié)構(gòu)，將原逡逑始數(shù)據(jù)通過一層層簡(jiǎn)單但非線性的變換轉(zhuǎn)化為更高層次、更抽象的表達(dá)。如圖２．１逡逑所示，深度學(xué)習(xí)在圖像識(shí)別領(lǐng)域的應(yīng)用中，一張圖像的初始格式是一個(gè)像素?cái)?shù)組，逡逑經(jīng)過深度神經(jīng)網(wǎng)絡(luò)的非線性變換，網(wǎng)絡(luò)低層學(xué)習(xí)到諸如邊緣等低層特征；進(jìn)一步，逡逑由邊緣組成的簡(jiǎn)單幾何圖形，如圓形、矩形等，這時(shí)會(huì)忽略一些干擾的邊緣信息；逡逑隨著網(wǎng)絡(luò)進(jìn)一步加深，由簡(jiǎn)單幾何圖形組成目標(biāo)的一部分，最后組成一個(gè)完整的逡逑目標(biāo)。深度學(xué)習(xí)的核心是，上述各層的特征都不是通過人工設(shè)計(jì)特征來實(shí)現(xiàn)的，逡逑而是使用一種通用的學(xué)習(xí)過程從大量數(shù)據(jù)中學(xué)習(xí)到的。逡逑＾邋＊＊Ｔ￣．逡逑目標(biāo)模型逡逑目標(biāo)的一部分逡逑（邊栜合而成）逡逑甲邊緣逡逑□邋Ｆｉｉ逡逑？邋像素逡逑ＫＸＸＪ逡逑圖２．邋１深度神經(jīng)網(wǎng)絡(luò)分層特征學(xué)習(xí)示意圖逡逑深度學(xué)習(xí)在近幾年取得了迅猛的發(fā)展，出現(xiàn)了不同的網(wǎng)絡(luò)模型。常用的模型逡逑包括自編碼網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌ逡逑１１逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 馮文卿;張永軍;;利用多尺度融合進(jìn)行面向?qū)ο蟮倪b感影像變化檢測(cè)[J];測(cè)繪學(xué)報(bào);2015年10期

2 周啟鳴;;多時(shí)相遙感影像變化檢測(cè)綜述[J];地理信息世界;2011年02期

3 李德仁;利用遙感影像進(jìn)行變化檢測(cè)[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2003年S1期

相關(guān)博士學(xué)位論文 前1條

1 武辰;遙感影像多層次信息變化檢測(cè)研究[D];武漢大學(xué);2015年

本文編號(hào)：2776298