變化檢測技術旨在檢測同一地域范圍內、不同時刻拍攝的兩幅圖像之間的變化區(qū)域。遙感技術的發(fā)展為變化檢測技術的發(fā)展提供了有效的數(shù)據依托,并且進一步推動了變化檢測技術在軍事、民用等領域的應用。近年來,遙感圖像的變化檢測方法經歷了從傳統(tǒng)的單目標、無監(jiān)督的方法逐步發(fā)展到多目標、基于監(jiān)督分類器的變化檢測方法。雖然很多已經提出的變化檢測方法已經獲得了不錯的檢測性能,然而面對日益復雜的遙感圖像數(shù)據,現(xiàn)有的變化檢測方法的檢測精度難以滿足人們在實際應用中的需求,因此我們需要進一步研究探索來提升變化檢測方法的性能。本文在分析國內外相關成果的基礎上,提出了基于分組自步學習的變化檢測框架,并為該框架提出了一個新的時變自步正則項以進一步提升檢測性能,此外,我們還提出了基于自步學習和模糊聚類的進化多目標變化檢測方法。本文的主要貢獻如下:1.本文提出了一種基于分組自步學習的變化檢測框架。該方法主要針對基于監(jiān)督分類器的無監(jiān)督變化檢測方法中訓練樣本難以獲取的問題,采用基于分組的自步學習方式為監(jiān)督分類器挖掘可靠的訓練樣本。所提的變化檢測框架用自步學習的機制,通過迭代地學習加權的訓練樣本和更新樣本權重來自動地獲取可靠的訓練樣本。具體地,在權重更新過程中,我們引入了組信息來避免訓練樣本取自圖像的同質區(qū)域。在五個遙感圖像數(shù)據集上的測試結果表明了所提變化檢測框架的有效性。2.本文提出了一個新的時變自步正則項用于基于分組自步學習的變化檢測框架。該時變自步正則項可以自動地為自步學習設計權重計算方案。具體地,在自步學習的初期,僅有少數(shù)訓練樣本被選來訓練分類器,此時給這些樣本較高的權重值,以便分類器充分學習訓練特征與分類結果之間的映射關系;在自步學習的后期,隨著步長參數(shù)值的增大,越來越多的復雜樣本被用來訓練,為了削弱不可靠樣本對分類器的影響,僅給其中的少部分的更為可靠的樣本較大的權重值,其余相對復雜的樣本較小的權重值。在五個數(shù)據集上的測試結果表明了所提時變正則項的有效性。3.本文提出了基于自步學習和模糊聚類的進化多目標變化檢測方法。針對多目標模糊聚類方法中由于目標函數(shù)值計算復雜而導致的候選解選擇耗時的問題,我們采用回歸技術來對進化過程中的子代候選解進行優(yōu)越性預測。具體地,在進化過程中,我們使用自步學習為回歸模型獲取可靠的訓練樣本以獲得更為魯棒的回歸模型,并從子代候選解中挑選可靠的子代解以便幫助進化算法收斂到更優(yōu)的估計的Pareto最優(yōu)解,從而改善多目標變化檢測方法的性能。
【學位單位】：西安電子科技大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP751
【部分圖文】：

(k) FCM+SPSM (l) FCM+GSPSM (m) FCM+SVM (n) FCM+SPSVM (o) FCM+GSPSVM圖3.15渥太華數(shù)據集上的變化檢測結果圖及參考圖（2）石門數(shù)據集的變化檢測結果所提方法和對比方法在石門數(shù)據集上的變化檢測結果圖如圖3.16所示，它們所對應的結果評價指標如表3.2所示。由圖(b)～(f) 可以看出，傳統(tǒng)的無監(jiān)督方法中，MRFFCM和EM算法的結果圖中存在大量的白色噪點誤將不變區(qū)域檢測為變化區(qū)域，因而其OE值較高，KC值較低；其他方法結果圖中的誤檢情況有所改善但仍較為嚴重。相對于閾值法和聚類法，基于監(jiān)督分類器的方法在抑制噪點方面取得了較30

(k) FCM+SPSM (l) FCM+GSPSM (m) FCM+SVM (n) FCM+SPSVM (o) FCM+GSPSVM圖3.17舊金山數(shù)據集上的變化檢測結果圖及參考圖表3.3舊金山數(shù)據集的評價指標結果變化檢測方法PCC OE KC(%)FCM 0.8672 19161 62.49FLICM 0.9089 13144 71.76KWFLICM 0.8052 28111 51.17EM 0.9380 8940 78.12OTSU 0.9277 10436 76.28FCM+NN 0.8902 15847 67.18FCM+SPNN 0.9479 7524 80.84FCM+GSPNN 0.9495 7290 81.66FCM+SM 0.7721 19161 45.73FCM+SPSM 0.9441 8064 79.25FCM+GSPSM 0.9453 7893 80.21FCM+SVM 0.8861 16442 66.56FCM+SPSVM 0.9468 7680 80.45FCM+GSPSVM 0.9479 7517 81.29

西安電子科技大學碩士學位論文誤檢程度有所緩和；GSPSVM結圖中盡管存在大量的綠色誤檢的噪點，但是同時其紅色線狀區(qū)域基本與差異圖中的紅色區(qū)域相一致，因而取得了較高的KC值�？傮w來看，本章所提的基于分組自步學習的變化檢測方法取得了更好的變化檢測結果。(a) Ref (b) FCM (c) FLICM (d) MRFFCM (e) EM(f) OTSU (g) FCM+NN (h) FCM+SPNN (i) FCM+GSPNN (j) FCM+SM
【相似文獻】

相關期刊論文 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];武漢大學學報(信息科學版);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圖像變化檢測技術方法綜述[J];地殼構造與地殼應力文集;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];地殼構造與地殼應力文集;2016年02期

5 李強;張景發(fā);;變化檢測技術在震害信息提取中的應用[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;2008年01期

7 于躍龍,盧煥章;以統(tǒng)計變化檢測為基礎的實時分割視頻對象新方法[J];中國圖象圖形學報;2005年01期

8 孫揚;朱凌;修田雨;;基于國產衛(wèi)星影像的協(xié)同分割變化檢測[J];北京建筑大學學報;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];南京理工大學學報;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];重慶郵電大學學報(自然科學版);2009年01期

相關博士學位論文 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;2016年

2 李文卓;時序無人機影像二三維綜合的面向對象建筑物變化檢測關鍵技術研究[D];武漢大學;2017年

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

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

5 鄭耀國;基于結構化表示學習的遙感圖像分類及變化檢測[D];西安電子科技大學;2016年

6 蘇臨之;基于像素信息和深度學習的遙感圖像變化檢測技術[D];西安電子科技大學;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;2016年

8 李瑜;基于特征學習的SAR圖像變化檢測方法研究[D];西安電子科技大學;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;2018年

10 劉博宇;時序NDVI數(shù)據集螺線型構建及多形狀參數(shù)變化檢測[D];吉林大學;2018年

相關碩士學位論文 前10條

1 李進;基于深度學習的高分辨率遙感圖像變化檢測[D];江西師范大學;2019年

2 王成軍;基于超像素與主動學習采樣策略的高分影像變化檢測方法研究[D];福州大學;2018年

3 羅星;基于中層語義特征的高分辨率遙感影像變化檢測方法研究[D];福州大學;2018年

4 劉本強;基于鄰域相對熵和融合紋理信息的SAR影像變化檢測[D];山東科技大學;2018年

5 周曉君;多時相高分辨率遙感影像變化檢測算法研究[D];大連理工大學;2019年

6 張杰;基于樣本不平衡學習和結構語義信息的SAR圖像變化檢測網絡[D];西安電子科技大學;2019年

7 陳奎伊;基于傾斜攝影測量的建筑物對象級三維變化檢測方法[D];西南交通大學;2019年

8 劉穗君;基于SAR影像強度與相干系數(shù)的滑坡提取研究[D];西南交通大學;2019年

9 王守峰;面向對象的多光譜遙感影像變化檢測方法研究[D];合肥工業(yè)大學;2019年

10 吳憲;基于對象分割的衛(wèi)星圖像中物體變化檢測與識別算法研究[D];北京交通大學;2019年

本文編號：2894619