伴隨著遙感技術(shù)和數(shù)字圖像處理技術(shù)的發(fā)展,利用遙感影像進(jìn)行變化檢測能夠為人類低成本地提供更加準(zhǔn)確、更大范圍的地表變化信息,對協(xié)調(diào)人口、資源、環(huán)境,實現(xiàn)可持續(xù)發(fā)展具有重要意義。目前遙感變化檢測被廣泛應(yīng)用在農(nóng)業(yè)監(jiān)測、城市規(guī)劃、災(zāi)害評估等諸多領(lǐng)域。高分影像的興起和流行,為人類從更加細(xì)小的尺度獲取地表變化信息提供了可能,但同時也對現(xiàn)有變化檢測技術(shù)提出了更高的要求。雖然針對高分影像變化檢測方法在不斷發(fā)展,但這些算法往往只是利用影像中的底層特征進(jìn)行變化檢測。如何有效地、準(zhǔn)確地提取高分影像上的變化信息仍是一個亟待解決的難題。對此本文分別從對象層次和場景語義層次著手,研究了基于中層語義特征的高分辨率遙感影像變化檢測方法,旨在突破現(xiàn)有變化檢測方法的局限性,探索變化檢測新的應(yīng)用層面。本文的主要的研究工作和成果如下:(1)梳理總結(jié)了現(xiàn)有文獻(xiàn)中中層語義特征和高分影像變化檢測兩方面已經(jīng)取得的代表性成果,并系統(tǒng)地分析了目前高分影像變化檢測存在的困難與問題。針對現(xiàn)有研究的底層特征表達(dá)能力不足,提出基于中層特征語義的變化檢測方案和技術(shù)路線。(2)從對象層次出發(fā),提出一種基于對象中層語義特征的變化檢測方法,設(shè)計了在對象中層語義特征基礎(chǔ)上開展變化檢測的流程。針對對象底層特征能力不足的問題,本文將詞包模型引入高分影像對象的特征提取中,深層次地挖掘?qū)ο蟮闹袑诱Z義信息,并結(jié)合相似性度量算法有效地完成高分影像的變化檢測。將本文方法與基于底層特征的變化檢測方法和OCVA方法對比發(fā)現(xiàn),本文方法消除了傳統(tǒng)基于像元的變化檢測方法出現(xiàn)的椒鹽問題,有效地改善了底層特征表達(dá)能力不足的問題,提高了變化檢測精度。(3)從場景層次出發(fā),提出PS-LDA、PT-LDA、FS-LDA和FT-LDA四種基于中層語義特征的場景分析策略。針對高分影像場景語義層次的變化檢測需求問題,本文通過場景的角度考慮高分影像的變化檢測問題;同時針對場景級變化分析中底層特征到高層語義之間的“語義鴻溝”問題,分別提出4種不同的變化分析的策略。通過比較4種分析策略發(fā)現(xiàn),時間特性對于研究高分影像場景級變化有著十分重要的作用;LDA作為特征提取工具時,由于所有樣本共享同一個主題空間,且避免了其作為分類器時出現(xiàn)的誤差傳遞情況,有利于提高場景級變化檢測的精度。
【學(xué)位單位】：福州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：P237
【部分圖文】：

得探討［１１］。??計算機視覺領(lǐng)域指出圖像理解是具有層次化結(jié)構(gòu)的Ｍ，即底層的圖像處理、??中層的圖像分析和高層的圖像認(rèn)知三層，見圖１－１。按照圖像理解的層次結(jié)構(gòu)，??可對應(yīng)將圖像的特征分為底層視覺特征、中層語義特征和高級抽象語義屬性。其??中，中層語義特征是指在底層特征的基礎(chǔ)上，通過統(tǒng)計、量化和編碼等方法得到??的更深層次特征，中層特征相對于底層特征能更好地表示圖像的語義信息，相對??于高層特征具有計算復(fù)雜度較低的特點，被廣泛用于計算機圖像分類和檢索領(lǐng)??域。??本研究依托于福建省科技廳“基于時空自相關(guān)的城市建設(shè)用地變化檢測技術(shù)??研宄與示范應(yīng)用”項目，結(jié)合高分影像不僅清晰地呈現(xiàn)出了各種各樣的地物，還??反映出了地物與周圍環(huán)境的關(guān)系的特點（如圖１?－２?），從影像的中層語義特征出發(fā)，??提出基于中層語義的高分影像變化檢測方法，分別研究高分影像在對象級和場景??級的變化檢測問題，以期待突破現(xiàn)有方法的局限性。??ｆ－ｌ?ｍ?￣￣｜場景語義?居民區(qū)??Ｌ中丨層１?ｌｄａ主題模型漣濟??■?Ｔ?Ｈ釀翻?■齡??■?｜?■?）ｉ??底層｜￣￣｜顏色、紋理等｜?ＩＩＩ??圖Ｍ圖像理解的層次結(jié)構(gòu)??２??

２．１．１文本中的詞包模型??詞包模型最早是被用于文本分析，其特點是不考慮各個單詞的順序和語法關(guān)??系，根據(jù)各個單詞出現(xiàn)的頻率來反映文檔大意。如圖２－１所示，給定的文檔集Ｗ??包含了兩個簡單的文本文檔ｗｌ和ｗ２，通過遍歷文檔集中所有文檔的單詞構(gòu)建??此文檔集的詞典Ｄ，詞典包含了文檔集Ｗ中出現(xiàn)的關(guān)鍵單詞，并賦予了每個單??詞唯一索引ｉｎｄｅｘ，那么最終該文檔集中所有文檔都可以用字典中單詞在文檔中??出現(xiàn)的頻率來表示。??：＼?ｗｌ?■?■?ｗ２?；，?？’?｜＞ｆ?Ｗｌ?￣￣＂ｊ°ｈｎ??｜?＼?ｌ．Ｊｏｈｎ?２．ｌｉｋｅｓ?３．ｔｏ?＇?ｉ?ｌｉｋｅｓ?ｔｏ?ｗａｔｃｈ??Ｊｏｈｎ?Ｊｏｈｎ?ａｌｓｏ?！?｜?｜?運?ｍｏｖｉｅｓ．?Ｍａｒｙ??｜?ｌｉｋｅｓ?ｔｏ?ｗａｔｃｈ?ｌｉｋｅｓ?ｔｏ?ｗａｔｃｈ?丨?＾?１?４．ｍｏｖｉｅｓ?Ｓ．Ｍａｒｙ?６．ｔｏｏ?ｊ?ｉ?爾?ｌｉｋｅｓ?ｔｏｏ．?！??１?ｍｏｖｉｅｓ．?Ｍａｒｙ?ｆｏｏｔｂａｌｌ?ｇａｍｅｓ?１１?）?ｉ?ｉ?｜?），????！?ｌｉｋｅｓ?ｔｏｏ．?丨?Ｖ?丨?７．ａｌｓｏ?８．ｇａｍｅｓ?［?Ｖ?［??！?????！?＊?９．ｆｏｏｔｂａｌｌ?ｌＯ．ｗａｔｃｈ?；?！?ＬＬＬ１?Ｊ?Ｉ?Ｉ?Ｉ＿＾?！??、、?／?、＇?／??文擋集ｗ?字典Ｄ?文檔ｗｌ的頻率表示??圖２－１文本分析中的詞包模型示意圖??后來該模型被引入計算機視覺領(lǐng)域［６７］

接下來是根據(jù)特征點鄰域像元梯度給每個特征點分配方向，梯度直方圖的最大值??所對應(yīng)的方向就為其主方向。確定特征點的位置、尺度和方向之后，需要生成每??個特征點的特征描述符，圖２－２給出了特征描述符的生成過程。如圖所示，以特??征點為中心確定一個１６ｘ１６的鄰域作采樣窗口，將１６ｘ１６的鄰域劃分為４ｘ４個??子區(qū)域，以每個子區(qū)域為種子點，每個種子點有８個方向，再將鄰域內(nèi)的采樣點??分配到對應(yīng)的子區(qū)域內(nèi)，將子區(qū)域內(nèi)的梯度值分配到８個方向上，最后則獲得了??４ｘ４ｘ８＝１２８維的特征描述符。??一?￣｜￣￣ｉ?ｒ?‘：?ｒ?｜｜???，，??：????，今，?，、，．＋，??４?：？：：．？?媢．．．．．＊?？?＊?＇■：?ｐ?溥…．灰…??％、?＊，讀??????????＿＿＿＿＿??????圖２－２?ＳＩＦＴ特征描述符的生成過程??稠密ＳＩＦＴ?（Ｄｅｎｓｅ?ＳＩＦＴ
【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;;多時相遙感影像變化檢測方法綜述[J];武漢大學(xué)學(xué)報(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;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;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)計變化檢測為基礎(chǔ)的實時分割視頻對象新方法[J];中國圖象圖形學(xué)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(xué)學(xué)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(xué)學(xué)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(xué)學(xué)報(自然科學(xué)版);2009年01期

相關(guān)博士學(xué)位論文 前10條

1 邵攀;非監(jiān)督遙感變化檢測模糊方法研究[D];武漢大學(xué);2016年

2 李文卓;時序無人機影像二三維綜合的面向?qū)ο蠼ㄖ镒兓瘷z測關(guān)鍵技術(shù)研究[D];武漢大學(xué);2017年

3 呂臻;高分辨率遙感影像道路提取與變化檢測關(guān)鍵技術(shù)研究[D];武漢大學(xué);2017年

4 彭代鋒;基于多特征信息挖掘的對象級光學(xué)衛(wèi)星影像變化檢測研究[D];武漢大學(xué);2017年

5 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

6 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

7 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

8 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

9 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

10 劉博宇;時序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

相關(guān)碩士學(xué)位論文 前10條

1 陳祖洋;鹽池縣緩坡地帶荒漠化信息提取及變化檢測研究[D];寧夏大學(xué);2019年

2 張苗琳;基于時空融合數(shù)據(jù)的礦區(qū)植被覆蓋變化檢測[D];中國地質(zhì)大學(xué)(北京);2019年

3 陳圓圓;基于多尺度子空間分析的多光譜遙感圖像變化檢測方法研究[D];西安電子科技大學(xué);2019年

4 熊云塔;基于膠囊網(wǎng)絡(luò)學(xué)習(xí)的同源和異源遙感圖像變化檢測研究[D];西安電子科技大學(xué);2019年

5 楊月磊;基于生成對抗網(wǎng)絡(luò)的多光譜圖像變化檢測[D];西安電子科技大學(xué);2019年

6 吳飛;基于生成對抗網(wǎng)絡(luò)和非局部神經(jīng)網(wǎng)絡(luò)的SAR圖像變化檢測[D];西安電子科技大學(xué);2019年

7 牛旭東;基于生成對抗網(wǎng)絡(luò)的遙感圖像變化檢測[D];西安電子科技大學(xué);2019年

8 王艷艷;基于空間鄰域信息的遙感影像變化檢測[D];西安電子科技大學(xué);2019年

9 寇佳寧;基于卷積神經(jīng)網(wǎng)絡(luò)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);2019年

10 楊孟然;基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像變化檢測及硬件實現(xiàn)[D];西安電子科技大學(xué);2019年

本文編號：2877855