【摘要】：變化檢測是通過比較同一地理區(qū)域不同時間點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)的變化檢測方法需要人工設計特征,這是一項費時費力的工作,且需要較強的專業(yè)知識。并且很難設計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,因此能夠構建出高維的分類面,高質(zhì)量地完成模式分類識別任務。本文主要研究利用深度神經(jīng)網(wǎng)絡對城市地物實現(xiàn)“端到端”的變化檢測,避免人工設計特征的過程,提升變化檢測的精度。本文的主要研究內(nèi)容包括以下三個方面:(1)設計了一種 Siamese 卷積神經(jīng)網(wǎng)絡(Siamese Convolutional Neural Network,SCNN),實現(xiàn)對兩時相高分影像城市區(qū)域地物的變化檢測。針對變化檢測需要同時對兩時相影像進行處理的特點,SCNN由兩個分支網(wǎng)絡和一個決策層網(wǎng)絡組成。兩個分支網(wǎng)絡位于SCNN低層,分別對兩時相影像進行特征提取。將提取的兩時相影像特征進行特征連接,輸入到?jīng)Q策層網(wǎng)絡中。決策層網(wǎng)絡對兩時相影像特征進行相似性度量,輸出變化檢測結果。本文以影像“分割塊”為變化檢測的基本單元,可充分發(fā)揮深度神經(jīng)網(wǎng)絡對影像高層特征挖掘的能力,同時,可實現(xiàn)“全覆蓋”的變化檢測。本文基于SCNN對武漢市城市地物變化檢測總體精度達到88.57%以上。(2)提出了針對變化檢測的數(shù)據(jù)增強方法。變化檢測中,不同時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)的圖像分類領域通過對圖像進行旋轉、平移、加噪等實現(xiàn)數(shù)據(jù)增強的方法不適用于變化檢測領域。針對這個問題,本文分別對變化樣本和不變樣本提出了不同的數(shù)據(jù)增強方法。對變化樣本,采用“迭代訓練SCNN——樣本選擇—一樣本擴充”的方式實現(xiàn)數(shù)據(jù)增強;對變化樣本,通過將位于不同位置的兩時相影像組合成新的變化樣本對實現(xiàn)對變化樣本的擴充。該方法實現(xiàn)了對變化檢測樣本的擴充,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現(xiàn)對其他城市地物的變化檢測。不同城市由于建筑風格、規(guī)劃設計的不同存在差異,一個城市訓練好的模型不能直接用于另一個城市的變化檢測。本文基于保守訓練和層遷移策略,將在武漢市訓練好的SCNN模型遷移至咸寧市,實現(xiàn)對咸寧市地物變化檢測。咸寧市基于保守訓練的變化檢測總體精度達到83.07%以上,基于層遷移的變化檢測總體精度達到86.98%以上。
【學位授予單位】：武漢大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：P237;TP183
【圖文】：

逡逑成變化圖，精度評價五個步驟，如圖１．１所示。影像預處理是對獲取的數(shù)據(jù)源進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，逡逑得到變化檢測可用的影像數(shù)據(jù)。影像預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方法需要預先進行多時相影像間的精確配準，在配準影像的基礎逡逑上執(zhí)行后續(xù)的變化檢測步驟。也有一些方法將影像配準與變化檢測同步進行，充逡逑分利用未變化地物特征作為配準的依據(jù)，減少配準誤差的傳遞和累積，提高變化逡逑檢測的精度（李德仁，２００３）。分析單元是指變化檢測過程中確定“變化”或“未逡逑變化”的最小的目標單元。選擇比較方法是指對分析單元進行特征提取與選擇，逡逑確定合適的變化比較算法與判別準則。確定分析單元和選擇比較方法是變化檢測逡逑過程中的兩個關鍵步驟，Ｔｅｗｋｅｓｂｕｒｙ邋ＡＰ，邋ｅｔａｌ．邋（２０１５）的最新研宄總結了變化檢測逡逑領域過去幾十年的研宄方法

獲得光譜－空間一體化特征表達，建立多時相地物特征間的非線性聯(lián)系，有效逡逑提高變化檢測的精度（張良培等，２０１７）。基于深度學習進行變化檢測成為目前逡逑重要的研究課題。如圖１．２所示為傳統(tǒng)變化檢測算法和基于深度學習的變化檢測逡逑算法對比流程圖。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)絡逡逑Ｔ￣—￣邐丁逡逑獲得變化檢測結果邐獲得變化檢測結果逡逑（ａ）邐（ｂ）逡逑圖１．２變化檢測算法流程圖（ａ）基于傳統(tǒng)算法的流程圖（ｂ）基于深度學習算法的流程圖逡逑目前，高分影像變化檢測常用的深度神經(jīng)網(wǎng)絡模型包括自編碼網(wǎng)絡、深度置逡逑信網(wǎng)絡、卷積神經(jīng)網(wǎng)絡等。ＸｕＹ，ｅｔａｌ．邋（２０１３）設計了一個自編碼網(wǎng)絡自動提取多逡逑時相影像的特征，然后對特征進行比較，設置閾值去除瑣碎的偽變化區(qū)域，得到逡逑變化檢測結果。ＧｏｎｇＭ，ｅｔａｌ．邋（２０１５）設計了一個深度限制玻爾茲曼機網(wǎng)絡對ＳＡＲ逡逑影像進行變化檢測。將同一區(qū)域兩時相影像作為輸入，變化檢測結果圖作為輸出，逡逑避免了生成差異圖的過程，從而避免了差異圖對結果的影響，但對噪聲的魯棒性逡逑很差。ＺｈａｎｇＰ，ｅｔａｌ．邋（２０１６）針對

概念讓計算機構建較簡單的概念來學習復雜概念（ＬｅｃｕｎＹ，邋ｅｔａｌ．，２０１５）。深度學習逡逑常用的形式是人工神經(jīng)網(wǎng)絡。一個深度神經(jīng)網(wǎng)絡包含了多個不同的層結構，將原逡逑始數(shù)據(jù)通過一層層簡單但非線性的變換轉化為更高層次、更抽象的表達。如圖２．１逡逑所示，深度學習在圖像識別領域的應用中，一張圖像的初始格式是一個像素數(shù)組，逡逑經(jīng)過深度神經(jīng)網(wǎng)絡的非線性變換，網(wǎng)絡低層學習到諸如邊緣等低層特征；進一步，逡逑由邊緣組成的簡單幾何圖形，如圓形、矩形等，這時會忽略一些干擾的邊緣信息；逡逑隨著網(wǎng)絡進一步加深，由簡單幾何圖形組成目標的一部分，最后組成一個完整的逡逑目標。深度學習的核心是，上述各層的特征都不是通過人工設計特征來實現(xiàn)的，逡逑而是使用一種通用的學習過程從大量數(shù)據(jù)中學習到的。逡逑＾邋＊＊Ｔ￣．逡逑目標模型逡逑目標的一部分逡逑（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)絡分層特征學習示意圖逡逑深度學習在近幾年取得了迅猛的發(fā)展，出現(xiàn)了不同的網(wǎng)絡模型。常用的模型逡逑包括自編碼網(wǎng)絡、深度置信網(wǎng)絡、卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌ逡逑１１逡逑

【參考文獻】

相關期刊論文 前3條

1 馮文卿;張永軍;;利用多尺度融合進行面向對象的遙感影像變化檢測[J];測繪學報;2015年10期

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

3 李德仁;利用遙感影像進行變化檢測[J];武漢大學學報(信息科學版);2003年S1期

相關博士學位論文 前1條

1 武辰;遙感影像多層次信息變化檢測研究[D];武漢大學;2015年

本文編號：2776298