合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)具有全天時(shí)、全天候等特點(diǎn),廣泛應(yīng)用于民生和軍事上,同時(shí),SAR圖像作為一種重要的數(shù)據(jù)源也引起了越來(lái)越多科研人員的關(guān)注。然而,由于散射現(xiàn)象的連貫性,SAR圖像受到相干斑噪聲的影響。盡管相干斑噪聲也攜帶了部分噪聲區(qū)域的信息,但是它嚴(yán)重影響了圖像的空間信息,并且為后續(xù)的圖像分割、分類、識(shí)別、圖像變化檢測(cè)等任務(wù)帶來(lái)了困難。因此,探索合適的濾波技術(shù)減少SAR圖像中的斑點(diǎn)噪聲極其關(guān)鍵。同時(shí),SAR圖像變化檢測(cè)也得到了廣泛的應(yīng)用;本文對(duì)基于深度網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)的SAR圖像去噪與變化檢測(cè)方法進(jìn)行研究,主要內(nèi)容包括:(1)提出了一種基于殘差學(xué)習(xí)和可變形卷積網(wǎng)絡(luò)的SAR圖像去噪算法。利用殘差學(xué)習(xí)機(jī)制,訓(xùn)練從噪聲圖像到噪聲圖像與干凈圖像的差值圖像的映射,以此來(lái)降低網(wǎng)絡(luò)訓(xùn)練的難度。此外,該算法將部分常規(guī)的卷積層替換成了可變形卷積層,可變形的卷積層是依據(jù)損失函數(shù)的降低來(lái)學(xué)習(xí)卷積層的形狀,即學(xué)習(xí)其偏移量。從而使模型與實(shí)際問(wèn)題更契合。該算法結(jié)合了殘差學(xué)習(xí)、可變形卷積網(wǎng)絡(luò)這兩者來(lái)處理SAR圖像去噪問(wèn)題。實(shí)驗(yàn)結(jié)果表明,該算法不論是在模擬的SAR圖像還是真實(shí)的SAR圖像上,都能表現(xiàn)出較好的去噪效果。(2)提出了一種基于顯著性機(jī)制和深度卷積網(wǎng)絡(luò)的SAR圖像變化檢測(cè)算法�？紤]到圖像的顯著區(qū)域通常表明這些區(qū)域與其他的區(qū)域具有較大的差異性,更能凸顯出變化區(qū)域的信息,所以引入了顯著性機(jī)制,對(duì)得到的差異圖進(jìn)行顯著性特征提取,進(jìn)一步增大差異圖中變化區(qū)域與不變化區(qū)域的差異性。由于深度卷積網(wǎng)絡(luò)能夠提取出更高級(jí)、更抽象的特征,并且具有很強(qiáng)的分類能力。因而該算法構(gòu)建深度卷積網(wǎng)絡(luò),將處理后的對(duì)數(shù)比值差異圖分割成變化區(qū)域和不變化區(qū)域,得到最終的變化檢測(cè)結(jié)果。同時(shí),為了提高深度卷積網(wǎng)絡(luò)的分類精度,提出了一種新的預(yù)分類方法,以及訓(xùn)練樣例的挑選策略。與現(xiàn)有的一些變化檢測(cè)算法相比,本章算法取得很好的變化檢測(cè)結(jié)果。(3)提出了一種基于多級(jí)特征學(xué)習(xí)和極限學(xué)習(xí)機(jī)的SAR圖像變化檢測(cè)算法。稀疏自編碼器具有較強(qiáng)的無(wú)監(jiān)督學(xué)習(xí)能力,通過(guò)學(xué)習(xí)輸入和輸出的恒等映射,能夠提取出表征數(shù)據(jù)內(nèi)部結(jié)構(gòu)的深層特征;同時(shí),多層極限學(xué)習(xí)機(jī)不僅具有很強(qiáng)的特征學(xué)習(xí)和分類能力,而且能快速的進(jìn)行學(xué)習(xí)。該算法通過(guò)多個(gè)稀疏自編碼器學(xué)習(xí)輸入圖像的多級(jí)特征,并結(jié)合多層極限學(xué)習(xí)機(jī),做最終的特征的學(xué)習(xí)和特征的分類,得到變化檢測(cè)的結(jié)果。實(shí)驗(yàn)結(jié)果表明,本章算法,能夠得到很好的SAR圖像變化檢測(cè)的效果。
【學(xué)位單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TN957.52
【部分圖文】：

relurelu圖3.1 含有兩個(gè)網(wǎng)絡(luò)層的構(gòu)建塊（building block）構(gòu)造塊可以定義成下式：( , )iy F x W x(3-1)這里x和 y 分別表示構(gòu)造塊的輸入和輸出向量。式子 ( , )iF x W 表示需要學(xué)習(xí)的殘差映射關(guān)系。比如：在圖 3.1 中，該構(gòu)造塊含有兩層網(wǎng)絡(luò)，2 1F W (W x)，其中 表示修正線性單元[69]（relu）。操作F x通過(guò)捷徑連接（shortcut connection）和元素級(jí)相加來(lái)實(shí)現(xiàn)。捷徑連接（shortcut connection）的引入既不需要增加額外的參數(shù)也不會(huì)

并且G 是二維的。它可以分解成兩個(gè)一維核的乘積：( , ) ( , ) ( , )x x y yG q p g q p g q p ( a , b ) max(0,1 | a b|)。圖所示，偏移量通過(guò)對(duì)輸入特征圖進(jìn)行卷積得到。卷積核和的大�。ㄟ@里是 3 3的卷積核）。2N 維的通道對(duì)應(yīng) N 個(gè)二程中，輸出特征的產(chǎn)生和偏移量的學(xué)習(xí)同時(shí)進(jìn)行。偏移量offset fieldconv2N

SAR噪聲圖像圖3.3 基于殘差學(xué)習(xí)和可變形卷積網(wǎng)絡(luò)的 SAR 圖像去噪算法框圖3.4.2損失函數(shù)該網(wǎng)絡(luò)采用的損失函數(shù)如下式所示：10 1011log cosh logNiiiiyL yN x (3-6)其中，N 表示 batch size 的大小，ix 表示原始的含有噪聲的圖像， iy 表示網(wǎng)絡(luò)的實(shí)際輸出，即網(wǎng)絡(luò)預(yù)測(cè)的圖像噪聲；10logiiyx則表示訓(xùn)練樣例對(duì)應(yīng)的標(biāo)簽。采用該損失函數(shù)主要是考慮到 SAR 圖像中的相干斑噪聲可以建模成乘性噪聲，將其執(zhí)行對(duì)數(shù)操作轉(zhuǎn)換成加性噪聲，便于噪聲的去除；同時(shí)，將 SAR 圖像經(jīng)過(guò)對(duì)數(shù)操作轉(zhuǎn)換到了一個(gè)更有利于整個(gè)網(wǎng)絡(luò)訓(xùn)練的特征空間。3.4.3算法步驟該算法的流程圖如下：
【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(cè)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(cè)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(cè)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(cè)方法對(duì)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(cè)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(cè)[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(cè)為基礎(chǔ)的實(shí)時(shí)分割視頻對(duì)象新方法[J];中國(guó)圖象圖形學(xué)報(bào);2005年01期

8 孫揚(yáng);朱凌;修田雨;;基于國(guó)產(chǎn)衛(wèi)星影像的協(xié)同分割變化檢測(cè)[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(cè)[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(chǎng)景變化檢測(cè)(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(guó);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(cè)[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(cè)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(cè)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(cè)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(cè)度的高分辨率遙感影像可靠性變化檢測(cè)方法研究[D];中國(guó)礦業(yè)大學(xué);2018年

6 龐世燕;三維信息輔助的建筑物自動(dòng)變化檢測(cè)若干關(guān)鍵技術(shù)研究[D];武漢大學(xué);2015年

7 何鵬飛;基于不確定性分析的遙感影像變化檢測(cè)方法研究[D];中國(guó)礦業(yè)大學(xué);2017年

8 杜曉敏;熱紅外遙感煤火探測(cè)方法及煤火變化檢測(cè)[D];中國(guó)礦業(yè)大學(xué)(北京);2015年

9 石娟;基于無(wú)人機(jī)影像的變化檢測(cè)關(guān)鍵技術(shù)研究[D];武漢大學(xué);2015年

10 解云琳;面向?qū)ο蟮某鞘型恋剡b感變化檢測(cè)和提取方法研究[D];武漢大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 紀(jì)超南;多時(shí)相衛(wèi)星影像變化檢測(cè)中關(guān)鍵問(wèn)題研究[D];山東大學(xué);2018年

2 劉春成;基于點(diǎn)云數(shù)據(jù)的柱狀目標(biāo)變化檢測(cè)[D];北京建筑大學(xué);2018年

3 劉波;基于SVDD特征選擇的隨機(jī)森林高分辨率遙感影像變化檢測(cè)[D];蘭州交通大學(xué);2018年

4 虢英杰;一種目標(biāo)級(jí)高分辨率遙感影像的頻域變化檢測(cè)方法研究[D];昆明理工大學(xué);2018年

5 李延金;影像相關(guān)性分析在遙感變化檢測(cè)中的應(yīng)用研究[D];長(zhǎng)安大學(xué);2018年

6 袁玉;基于SAR圖像相干變化檢測(cè)的建筑物震害信息提取研究[D];防災(zāi)科技學(xué)院;2018年

7 REZKI MOSTEFA;衛(wèi)星遙感圖像非監(jiān)督變化檢測(cè)及其在洪澇區(qū)域的應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2018年

8 郭慶樂;多時(shí)相遙感圖像變化檢測(cè)及趨勢(shì)分析[D];哈爾濱工業(yè)大學(xué);2018年

9 畢晏琿;基于GF-2遙感影像的農(nóng)田面向?qū)ο笞兓瘷z測(cè)方法研究[D];吉林大學(xué);2018年

10 劉霜辰;高分遙感影像在林地變化檢測(cè)中的應(yīng)用研究[D];西安科技大學(xué);2018年

本文編號(hào)：2870736