發(fā)布時(shí)間：2020-10-20 14:47

　　 地表信息變化檢測與我們的生產(chǎn)建設(shè)密切相關(guān)。人類社會的生產(chǎn)建設(shè)、自然界環(huán)境的正常演替、洪澇地震等災(zāi)害的爆發(fā)等,都會引起地表信息的變化,反之,檢測這些變化,又可以為我們進(jìn)行生產(chǎn)建設(shè)和應(yīng)對突發(fā)災(zāi)害提供重要的理論和決策支持。遙感技術(shù),可以便捷地實(shí)現(xiàn)大面積地表觀測,為地表變化檢測提供了極大的便利。目前,衛(wèi)星科技飛速發(fā)展,傳感器種類和數(shù)量不斷增加,既提升了圖像的獲取質(zhì)量,也造成了遙感圖像多類型和多分辨率并存的局面。光學(xué)傳感器和合成孔徑雷達(dá)圖像,作為其中最重要的兩種傳感器數(shù)據(jù),有著各自地優(yōu)劣,雖然在變化檢測中都有著出色的表現(xiàn),卻較少能夠協(xié)同合作,并未實(shí)現(xiàn)對現(xiàn)有地表信息的充分利用。針對以上問題,本文首先對Sentinel-1A SAR和Sentinel-2A MSI影像進(jìn)行像素級融合,再利用Unet深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行地表信息變化檢測,并與非融圖像的閾值檢測方法進(jìn)行比較,確定圖像融合和Unet的檢測貢獻(xiàn)率,分析融合處理與最終檢測精度之間的關(guān)系。主要研究內(nèi)容如下:(1)圖像像素級融合。圖像的像素級融合方法眾多,為了能夠盡可能兼顧到各種方法種類,本文從基于成分替代、基于多尺度變換和基于模型三個(gè)方面,選擇具有代表性的方法,分別執(zhí)行融合處理,然后選擇均方根誤差和互信息量兩個(gè)評價(jià)指標(biāo),分別從圖像光譜保真和信息豐富程度兩方面,對所用融合方法進(jìn)行精度評價(jià)。(2)利用Unet網(wǎng)絡(luò)進(jìn)行水體變化檢測。Unet在圖像信息提取方面的作用,已經(jīng)多次得到了證明。本文使用labelme工具,分別對Sentinel-1A SAR、Sentinel-2A MSI影像及其融合影像進(jìn)行標(biāo)注,進(jìn)行樣本制作,執(zhí)行訓(xùn)練和檢測處理,獲得水體變化檢測結(jié)果,并通過統(tǒng)計(jì)方法獲得檢測準(zhǔn)確率,進(jìn)行檢測精度評價(jià)。(3)融合和Unet在檢測中的作用分析。為了確定融合處理和Unet網(wǎng)絡(luò)對地表變化檢測實(shí)踐的具體意義,本文通過與非融合圖像閾值檢測成果進(jìn)行比較,獲得融合貢獻(xiàn)率和Unet貢獻(xiàn)率,定量化地表示其在變化檢測的作用。此外,通過繪制融合精度-檢測精度變化曲線,大致確定融合精度和最終檢測精度之間的整體關(guān)系,最終發(fā)現(xiàn)融合精度和變化檢測精度之間存在著一定的正相關(guān)關(guān)系。(4)寧鄉(xiāng)市水體變化檢測。根據(jù)融合和Unet在檢測中的作用分析結(jié)果,選擇最優(yōu)圖像融合方法,和Unet相結(jié)合,對2017年6月的水體變化情況進(jìn)行檢測。該論文有圖31幅,表13個(gè),參考文獻(xiàn)106篇。
【學(xué)位單位】：中國礦業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：P237
【部分圖文】：

實(shí)驗(yàn)流程圖

圖 2-1 二維圖像小波分解Figure 2-1 The discrete wavelet decomposition of 2D image二維圖像的DWT分解和重構(gòu)處理可以根據(jù)一維小波分解和重構(gòu)方法轉(zhuǎn)假設(shè)已經(jīng)設(shè)置橫向的一維低通濾波器 Hr 和一維高通濾波器 Gr，設(shè)置縱低通濾波器 Hc 和一維高通濾波器 Gc，則按照 Mallat 算法，二維圖像 j 時(shí)，分解方式如下：1112131, 0,1,...,j r c jj r c jj r c jj r c jC H H CD H G Cj jD H H CD H G C 式中，j1C 為第 j 級分解后圖像的低頻圖像；1j1D ，2j1D ，3j1D 分別解后，垂直方向、水平方向和對角線方向上的高頻圖像。根據(jù) Mallat 圖像 DWT 重構(gòu)方式如下：1 2 3j r c j 1 r c j 1 r c j 1 r c j1C H H C H G D G H D G G D 式中，*rH 和*rG 分別為rH 和rG 的共軛轉(zhuǎn)置矩陣，*cH 和*cG 分別為cH 和轉(zhuǎn)置矩陣。

圖 2-2 基于 DWT 變換的圖像融合過程Figure 2-2 Image fusion process based on DWT transform2.3.2 基于 Atrous 變換的圖像融合2.3.2.1 二維圖像的 Atrous 變換Atrous 變換過程，和 DWT 變換相同，將二維圖像分解為一個(gè)低頻子圖像和若干個(gè)高頻自圖像。低頻圖像反映源圖像的近似信息，而高頻圖像像反映著細(xì)節(jié)信息。假設(shè)待處理的源圖像為 C0(k)，經(jīng)過尺度函數(shù) ( x)的一次濾波運(yùn)算后，得到第一級低頻成分 C1(k)和高頻成分{C0(k)-C1(k)}，低頻系數(shù)再經(jīng)過逐級濾波處理，獲得第二級低頻成分 C2(k)和高頻成分{C1(k)-C2(k)}，以此類推，第 j 級別分解后得到的低頻系數(shù)為：1( ) ( ), ( )2 2jj jx kC k f x (2-20)也可以采用卷積的形式代替，轉(zhuǎn)換成如下形式：11( ) ( ) ( 2 )jj jC k h l C k l (2-21)第 j 級別分解后的高頻成分為：
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 眭海剛;馮文卿;李文卓;孫開敏;徐川;;多時(shí)相遙感影像變化檢測方法綜述[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)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(shù)方法綜述[J];地殼構(gòu)造與地殼應(yīng)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(shí);陳艷;;遙感影像變化檢測方法對比[J];地殼構(gòu)造與地殼應(yīng)力文集;2016年02期

5 李強(qiáng);張景發(fā);;變化檢測技術(shù)在震害信息提取中的應(yīng)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(xué);2008年01期

7 于躍龍,盧煥章;以統(tǒng)計(jì)變化檢測為基礎(chǔ)的實(shí)時(shí)分割視頻對象新方法[J];中國圖象圖形學(xué)報(bào);2005年01期

8 孫揚(yáng);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(xué)學(xué)報(bào);2018年04期

9 王鑫;;聚類分析觀點(diǎn)下的分散式最快變化檢測[J];南京理工大學(xué)學(xué)報(bào);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(xué)學(xué)報(bào)(自然科學(xué)版);2009年01期

相關(guān)博士學(xué)位論文 前10條

1 鄭耀國;基于結(jié)構(gòu)化表示學(xué)習(xí)的遙感圖像分類及變化檢測[D];西安電子科技大學(xué);2016年

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

4 李瑜;基于特征學(xué)習(xí)的SAR圖像變化檢測方法研究[D];西安電子科技大學(xué);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(xué);2018年

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

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

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

9 劉嘉;多目標(biāo)演化深度神經(jīng)網(wǎng)絡(luò)模型與應(yīng)用[D];西安電子科技大學(xué);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(guān)鍵技術(shù)研究[D];武漢大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

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

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

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

4 丁永;高分辨率遙感影像結(jié)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(xué);2017年

5 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(duì)信息工程大學(xué);2018年

6 孫揚(yáng);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(xué);2019年

7 唐文博;基于卷積神經(jīng)網(wǎng)絡(luò)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(shù)[D];浙江大學(xué);2019年

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

9 蔣月;集成面向?qū)ο笈c多分類器的遙感影像回溯變化檢測研究[D];蘭州大學(xué);2019年

10 薛丁華;面向高分辨率遙感圖像的變化檢測方法研究[D];陜西科技大學(xué);2019年

本文編號：2848813