發(fā)布時(shí)間：2021-01-16 03:26

　　由于航空航天科技高速發(fā)展,高分遙感影像成為實(shí)現(xiàn)對(duì)地觀測(cè)的重要數(shù)據(jù)來源,利用變化檢測(cè)技術(shù)可以迅速獲取城鎮(zhèn)擴(kuò)張、自然災(zāi)害評(píng)估、植被監(jiān)測(cè)分析等結(jié)果。然而,由于高分遙感影像包含地物信息量大的特點(diǎn),同時(shí)在獲取高分遙感影像會(huì)受到光照、角度、配準(zhǔn)等因素影響,提高了對(duì)高分遙感影像的處理及特征提取的難度,導(dǎo)致高分遙感影像的變化檢測(cè)技術(shù)方法面臨更多挑戰(zhàn)�，F(xiàn)有的高分遙感影像變化檢測(cè)方法中,像素級(jí)變化檢測(cè)結(jié)果中一般會(huì)有椒鹽現(xiàn)象,而基于圖像分割的對(duì)象級(jí)變化檢測(cè)方法存在影像分割尺度難以確定的問題。因此本文提出了一種將像素級(jí)變化檢測(cè)與對(duì)象級(jí)變化檢測(cè)相結(jié)合的方法,通過融合兩種方法得到的結(jié)果來獲取目標(biāo)地物發(fā)生變化區(qū)域,從而實(shí)現(xiàn)變化檢測(cè)精度提升。本文的主要研究?jī)?nèi)容如下:（1）U-net網(wǎng)絡(luò)模型結(jié)構(gòu)改進(jìn)。為利用深度學(xué)習(xí)對(duì)圖像特征有較高理解的優(yōu)點(diǎn),本文使用U-net網(wǎng)絡(luò)對(duì)高分遙感影像進(jìn)行對(duì)象級(jí)圖像分割。原U-net網(wǎng)絡(luò)還存在過擬合、模型訓(xùn)練較慢等現(xiàn)象,因此對(duì)其進(jìn)行改進(jìn)。本文方法首先改進(jìn)U-net模型結(jié)構(gòu),在U-net網(wǎng)絡(luò)結(jié)構(gòu)中加入批標(biāo)準(zhǔn)化層,然后引入遷移學(xué)習(xí)采用VGG16網(wǎng)絡(luò)的參數(shù)初始化本文改進(jìn)的U-net模型,并添加Dro... 

【文章來源】：東北林業(yè)大學(xué)黑龍江省 211工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－１遙感影像變化檢測(cè)方法常見類別??高分辨率遙感影像按時(shí)相分可以分為單時(shí)相影像和多時(shí)相影像

統(tǒng)方法手工標(biāo)注特征的操作，近期在圖像分割研??宄中可以取得比較滿意的效果，也成為遙感圖像分割領(lǐng)域最熱門的研宄方向。??２．５深度學(xué)習(xí)??２．５．１概述??人工神經(jīng)網(wǎng)絡(luò)（Ａｒｔｉｆｉｃｉａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＡＮＮ）起源于?Ｗａｒｒｅｎ?ＭｃＣｕｌｌｏｃｈ?和?Ｗａｌｔｅｒ??Ｐｉｔｔｓ于１９４３年首次建立的神經(jīng)網(wǎng)絡(luò)模型。一個(gè)人工神經(jīng)元由輸入、輸出和加法器這三??個(gè)基本部分組成，以人工神經(jīng)元為節(jié)點(diǎn)將人工神經(jīng)元按層排列，并用有向加權(quán)弧連接起??來即可得到人工神經(jīng)網(wǎng)絡(luò)。如圖２－３所示，人工神經(jīng)網(wǎng)絡(luò)一般包括三種結(jié)構(gòu)，分別為輸??入層，隱藏層和輸出層。人工神經(jīng)網(wǎng)絡(luò)通過自身的訓(xùn)練學(xué)習(xí)某種規(guī)則，無需提前給定輸??入與輸出之間映射關(guān)系，可以在給定輸入值時(shí)得到最接近期望輸出值的結(jié)果。??Ｗ１?Ｗ２??？?？??輸入層?隱藏層?輸出層??圖２－３神經(jīng)網(wǎng)絡(luò)模型??２００６年，Ｇｅｏｆｆｒｅｙ?Ｈｉｎｔｏｎ提出深度神經(jīng)網(wǎng)絡(luò)模型深度置信網(wǎng)絡(luò)ＤＢＮＩ６７］，自此神經(jīng)??網(wǎng)絡(luò)逐漸開始向深度學(xué)習(xí)的方向發(fā)展。深度神經(jīng)網(wǎng)絡(luò)是一種屬于深度學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)，??相比于淺層神經(jīng)網(wǎng)絡(luò)具有更多的隱含層的神經(jīng)網(wǎng)絡(luò)。深度神經(jīng)網(wǎng)絡(luò)依然保有人工神經(jīng)網(wǎng)??絡(luò)的特點(diǎn)，不需要人工設(shè)計(jì)特征提取器，而是通過對(duì)數(shù)據(jù)進(jìn)行從低維到高維的映射方式??來自動(dòng)提取并學(xué)習(xí)數(shù)據(jù)有效的特征。對(duì)于復(fù)雜非線性問題的描述更細(xì)致高效，非常適用??于無規(guī)律且變化多端的自然數(shù)據(jù)，具有非常好的泛化能力和魯棒性。??２．５．２卷積神經(jīng)網(wǎng)絡(luò)??卷積神經(jīng)網(wǎng)絡(luò)于１９９８年由ＹａｎｎＬｅｃｕｎ提出，是一種多層的帶有卷積結(jié)構(gòu)的監(jiān)督學(xué)??習(xí)神經(jīng)網(wǎng)絡(luò)【６８】。該網(wǎng)絡(luò)通過逐層反向調(diào)節(jié)更新網(wǎng)絡(luò)中的權(quán)重參數(shù)，

２個(gè)卷積層、２個(gè)池化層、２個(gè)全連接層及輸出層，在進(jìn)入全連接層之前所有??特征均轉(zhuǎn)換為一維特征向量。??卷積神經(jīng)網(wǎng)絡(luò)中卷積層、激活函數(shù)、池化層和全連接層為最重要的結(jié)構(gòu)，下面具體??介紹這四個(gè)部分的功能：??（１）卷積層??卷積Ｕ是卷積祌經(jīng)網(wǎng)絡(luò)的核心，對(duì)輸入數(shù)據(jù)或者上的特征圖使用卷積核進(jìn)行卷??積運(yùn)算來提取特征，并將結(jié)果傳遞給下一足。如果時(shí)卷積ＫＨ吏用多個(gè)卷積核進(jìn)行卷積操??作，則神經(jīng)網(wǎng)絡(luò)可以對(duì)多個(gè)卷積核的參數(shù)學(xué)習(xí)，得到多個(gè)不同的特征映射，可以更好得??表示數(shù)據(jù)特征。卷積操作的原理如圖２－４所示，卷積核的初始值通常選擇隨機(jī)小數(shù)矩陣??形式，通過不斷的迭代學(xué)習(xí)到來更新參數(shù)值直到得到合理的參數(shù)權(quán)值。??３?０?１２?７??１５?８?９?３?１?０?－１?—５?－４?０??２?７?２?５?１?ｘ?１?〇－１?＝?－１０?－２?２??０?１３?１７?１?〇?－１?０－２－４??４?２?１６?２???????１?卷積濾波器??輸入特征圖?３ｘ３?輸出特征圖??５ｘ５?步長(zhǎng)為１?３ｘ３??圖２－４卷積操作原理圖??卷積操作就是使用一個(gè)卷積核作為模板在閣像上滑動(dòng)，使用一個(gè)像素點(diǎn)以及周圍點(diǎn)??的像素值的加權(quán)平均數(shù)代替原本的像素值來計(jì)算模板中心對(duì)應(yīng)點(diǎn)的值，以此提取閣像局??部特征信息。卷機(jī)器的計(jì)算公式如下：??（２－５）??／＝］??其中，表示第］層的第ｊ個(gè)特征圖的值，ｘｒ表示第丨－】層的笫丨個(gè)特征值。足卷??積核的權(quán)值參數(shù)，是偏置值，此兩項(xiàng)都是卷積層中的可訓(xùn)練參數(shù)。／（？）為非線性激活??函數(shù)，一般為Ｓｉｇｍｏｉｄ函數(shù)或ＲｅＬｕ函數(shù)＿。＊為卷積操作，ｎ為輸入特征圖的數(shù)這。??假設(shè)輸入特征圖的


本文編號(hào)：2980069