隨著經(jīng)濟(jì)體的持續(xù)飛速提升,以及城市化進(jìn)程步調(diào)疾速推進(jìn),居住環(huán)境逐漸擁擠,人類社會(huì)活動(dòng)不斷頻繁。研究基于大疆無(wú)人機(jī)影像的城市地區(qū)的動(dòng)態(tài)變化,將是一種值得探索的視覺(jué)工作。但是,選擇何種穩(wěn)定且可行的分類策略,針對(duì)潛在差異信息實(shí)現(xiàn)精準(zhǔn)捕獲,將是一項(xiàng)有意思且緊迫的任務(wù)。此外,在兩個(gè)采集日期的光照條件、大氣條件、傳感器差異和地面濕度存在不同程度的差異,容易使得多時(shí)相數(shù)據(jù)對(duì)的對(duì)齊（如反射噪聲）問(wèn)題難度大。為了解決上述問(wèn)題,本文基于大疆無(wú)人機(jī),將配準(zhǔn)和檢測(cè)聯(lián)合開發(fā)一種二階段城市用地檢測(cè)算法框架,其貢獻(xiàn)包括:（1）采用比SIFT（Scale Invariant Feature Transform）算法默認(rèn)閾值更低的值提取最多的特征點(diǎn),然后通過(guò)動(dòng)態(tài)地調(diào)節(jié)閾值從而建立一個(gè)從粗略到精確的圖像變換;（2）在貢獻(xiàn)（1）中篩選出的冗余點(diǎn)在空間背景保持項(xiàng)的控制下起到控制點(diǎn)的作用,用于控制網(wǎng)格化圖像的運(yùn)動(dòng),實(shí)現(xiàn)對(duì)圖像非重合區(qū)域的合理近似;（3）提出了動(dòng)態(tài)高斯核來(lái)控制特征點(diǎn)的位移距離,使圖像變換從剛性逐漸變?yōu)榉莿傂浴＃?）基于模糊C均值聚類（Fuzzy CMeans,FCM）分類器生成相似鄰域像素聯(lián)合矩陣,然后利用濾波技... 

【文章頁(yè)數(shù)】：81 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 引言
    1.1 研究目的與意義
    1.2 相關(guān)研究現(xiàn)狀
        1.2.1 動(dòng)態(tài)檢測(cè)相關(guān)研究
        1.2.2 配準(zhǔn)相關(guān)研究
    1.3 相關(guān)研究存在的問(wèn)題
    1.4 主要研究?jī)?nèi)容及章節(jié)安排
第2章 研究區(qū)域與數(shù)據(jù)源
    2.1 研究區(qū)域
    2.2 數(shù)據(jù)來(lái)源
    2.3 本章小結(jié)
第3章 基于大疆無(wú)人機(jī)的動(dòng)態(tài)檢測(cè)關(guān)鍵技術(shù)
    3.1 圖像特征描述子
        3.1.1 空間背景特征描述子
        3.1.2 EOH-SIFT描述子
    3.2 基于混合代價(jià)的高斯混合模型
    3.3 SIFT動(dòng)態(tài)閾值模型
    3.4 局部背景結(jié)構(gòu)相似性保持
    3.5 動(dòng)態(tài)高斯核
    3.6 模糊C均值聚類
    3.7 受限玻爾茲曼機(jī)
    3.8 本章小結(jié)
第4章 算法框架流程
    4.1 基于內(nèi)點(diǎn)最大化和冗余點(diǎn)控制的UAV圖像配準(zhǔn)算法
        4.1.1 SIFT檢測(cè)特征點(diǎn)
        4.1.2 特征點(diǎn)集的配準(zhǔn)
        4.1.3 圖像轉(zhuǎn)換
        4.1.4 算法細(xì)節(jié)
    4.2 基于深度神經(jīng)網(wǎng)絡(luò)的城市用地動(dòng)態(tài)檢測(cè)算法
        4.2.1 基于FCM的預(yù)分類
        4.2.2 DNN構(gòu)建與預(yù)訓(xùn)練
        4.2.3 算法細(xì)節(jié)
    4.3 本章小結(jié)
第5章 實(shí)驗(yàn)分析
    5.1 算法精度評(píng)價(jià)指標(biāo)
    5.2 實(shí)驗(yàn)結(jié)果及分析
        5.2.1 UAV遙感圖像特征點(diǎn)匹配實(shí)驗(yàn)比較
        5.2.2 UAV遙感圖像配準(zhǔn)實(shí)驗(yàn)比較
        5.2.3 UAV遙感動(dòng)態(tài)檢測(cè)實(shí)驗(yàn)比較
    5.3 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文和研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]COSMO-SkyMed時(shí)序影像南京城市變化檢測(cè)研究[J]. 王源,陳富龍,胡祺,唐攀攀.  遙感技術(shù)與應(yīng)用. 2019(05)
[2]中國(guó)無(wú)人機(jī)遙感技術(shù)突破與產(chǎn)業(yè)發(fā)展綜述[J]. 晏磊,廖小罕,周成虎,樊邦奎,龔健雅,崔鵬,鄭玉權(quán),譚翔.  地球信息科學(xué)學(xué)報(bào). 2019(04)
[3]基于雙特征高斯混合模型和雙約束空間變換的配準(zhǔn)[J]. 魏梓泉,楊揚(yáng),張愫,楊昆.  軟件學(xué)報(bào). 2018(11)
[4]多尺度特征點(diǎn)聚類的圖像配準(zhǔn)算法[J]. 王薇,王展青.  小型微型計(jì)算機(jī)系統(tǒng). 2017(11)
[5]無(wú)人機(jī)系統(tǒng)與人工智能[J]. 樊邦奎,張瑞雨.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2017(11)
[6]樊邦奎院士:六大方向,知悉無(wú)人機(jī)的未來(lái)[J]. 樊邦奎.  機(jī)器人產(chǎn)業(yè). 2017(01)
[7]高分辨率遙感圖像配準(zhǔn)控制點(diǎn)均勻化算法[J]. 馬旭燕,袁媛,汪承義,陳靜波,賀東旭.  遙感信息. 2016(03)
[8]基于BP神經(jīng)網(wǎng)絡(luò)的多特征融合變化檢測(cè)方法[J]. 郝睿,徐俊峰,王慶寶,張保明.  海洋測(cè)繪. 2016(01)
[9]GSSAC:一種用于遙感影像配準(zhǔn)的誤匹配點(diǎn)檢測(cè)方法[J]. 單小軍,唐娉,鄭柯.  計(jì)算機(jī)應(yīng)用研究. 2016(05)
[10]廣西土地利用特征及生物多樣性指數(shù)變化分析[J]. 李彪,盧遠(yuǎn),許貴林,蒙良莉.  大眾科技. 2015(09)

碩士論文
[1]基于遙感圖像配準(zhǔn)的非結(jié)構(gòu)化道路變化檢測(cè)算法研究[D]. 但婷婷.云南師范大學(xué) 2019
[2]基于小型無(wú)人機(jī)圖像配準(zhǔn)的丘陵山區(qū)耕地變化監(jiān)測(cè)研究[D]. 宋飛.云南師范大學(xué) 2019
[3]基于有限混合模型和局部結(jié)構(gòu)約束的非剛性點(diǎn)集配準(zhǔn)算法研究及其應(yīng)用[D]. 張愫.云南師范大學(xué) 2018
[4]基于吉布斯采樣的模體識(shí)別算法研究[D]. 戈魯寧.西安電子科技大學(xué) 2010
[5]基于主成分分析的人工神經(jīng)網(wǎng)絡(luò)人臉識(shí)別方法的研究[D]. 李莉.中國(guó)海洋大學(xué) 2004



本文編號(hào)：3693788