隨著空天觀測能力的不斷提升,遙感影像變化檢測技術(shù)已經(jīng)成為動態(tài)監(jiān)測地球環(huán)境變化的重要手段,并在城市擴張演化分析、農(nóng)業(yè)調(diào)查、自然災(zāi)害評估等方面得到了廣泛應(yīng)用。多時相遙感影像作為當(dāng)前遙感數(shù)據(jù)的主要類型,包含豐富的豐富空間信息和時間信息,具有海量、高維和非結(jié)構(gòu)化的特點。然而,如何高效求解多時相遙感影像變化檢測中的學(xué)習(xí)和優(yōu)化問題仍是我們當(dāng)前面臨的主要挑戰(zhàn)。因此,本論文針對遙感影像變化檢測展開深入研究,旨在發(fā)展面向多時相、多源空時影像聯(lián)合解譯的深度學(xué)習(xí)模型和算法,為遙感知識的提取與應(yīng)用提供高效方法。具體內(nèi)容包括以下幾個方面:(1)合成孔徑雷達(dá)具有全天時和全天候的拍攝能力,可以準(zhǔn)確獲取地物信息,并且不受天氣和光照的影響,現(xiàn)已經(jīng)成為遙感影像的重要數(shù)據(jù)來源。然而,由于它采用相干成像的原理對地物進(jìn)行成像,獲取的影像往往受到相干斑噪聲的污染,這極大地增加了準(zhǔn)確檢測地面變化的難度。針對傳統(tǒng)變化檢測算法無法有效平衡變化細(xì)節(jié)保持與相干斑噪聲抑制的缺陷,我們提出了兩種基于卷積神經(jīng)網(wǎng)絡(luò)的決策級變化檢測方法。利用不同的比值算子生成多幅差異圖,通過預(yù)分類和樣本選擇策略得到高置信度的訓(xùn)練樣本,進(jìn)而完成卷積神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建...

【文章來源】： 西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：142 頁

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 SAR影像變化檢測研究現(xiàn)狀
        1.2.2 光學(xué)遙感影像變化檢測研究現(xiàn)狀
        1.2.3 異源遙感影像變化檢測研究現(xiàn)狀
    1.3 遙感影像變化檢測面臨的挑戰(zhàn)
    1.4 變化檢測方法的評價機制
        1.4.1 二值變化檢測的評價指標(biāo)
        1.4.2 多類變化檢測的評價指標(biāo)
    1.5 研究內(nèi)容與章節(jié)安排
第二章 基于卷積神經(jīng)網(wǎng)絡(luò)的SAR影像變化檢測
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 基于CNN的SAR影像變化檢測模型
        2.3.1 差異圖生成
        2.3.2 預(yù)分類
        2.3.3 樣本選擇
        2.3.4 CNN分類
    2.4 數(shù)據(jù)集介紹
    2.5 實驗結(jié)果與分析
        2.5.1 參數(shù)測試
        2.5.2 紅河數(shù)據(jù)集的實驗結(jié)果
        2.5.3 渥太華數(shù)據(jù)集的實驗結(jié)果
        2.5.4 黃河稻田數(shù)據(jù)集的實驗結(jié)果
        2.5.5 黃河入�？跀�(shù)據(jù)集的實驗結(jié)果
    2.6 本章小結(jié)
第三章 基于超像素差異表示學(xué)習(xí)的多光譜影像變化檢測
    3.1 引言
    3.2 深度信念網(wǎng)絡(luò)
    3.3 基于DBN的多光譜影像變化檢測模型
        3.3.1 一致性圖像分割
        3.3.2 超像素變化信息提取
        3.3.3 預(yù)分類與樣本選擇
        3.3.4 差異表示學(xué)習(xí)
    3.4 數(shù)據(jù)集介紹
    3.5 實驗結(jié)果與分析
        3.5.1 參數(shù)測試
        3.5.2 明豐湖數(shù)據(jù)集的實驗結(jié)果
        3.5.3 紅旗渠數(shù)據(jù)集的實驗結(jié)果
        3.5.4 堰渡村數(shù)據(jù)集的實驗結(jié)果
        3.5.5 敏感性分析
    3.6 本章小結(jié)
第四章 基于多尺度空譜特征聯(lián)合學(xué)習(xí)的同源影像變化檢測
    4.1 引言
    4.2 全卷積網(wǎng)絡(luò)
    4.3 基于多尺度空譜特征聯(lián)合學(xué)習(xí)的變化檢測模型
        4.3.1 圖像預(yù)處理
        4.3.2 深度特征提取
        4.3.3 不確定性分析
        4.3.4 多尺度差異表示學(xué)習(xí)
    4.4 數(shù)據(jù)集介紹
    4.5 實驗結(jié)果與分析
        4.5.1 參數(shù)測試
        4.5.2 多光譜影像的實驗結(jié)果
        4.5.3 光學(xué)RGB影像的實驗結(jié)果
        4.5.4 SAR影像的實驗結(jié)果
        4.5.5 尺度敏感性分析
    4.6 本章小結(jié)
第五章 基于對數(shù)變換特征學(xué)習(xí)的異源影像變化檢測
    5.1 引言
    5.2 深度自編碼器
    5.3 基于對數(shù)變換特征學(xué)習(xí)的異源影像變化檢測模型
        5.3.1 圖像變換
        5.3.2 聯(lián)合特征提取
        5.3.3 變化分析
    5.4 數(shù)據(jù)集介紹
    5.5 實驗結(jié)果與分析
        5.5.1 參數(shù)測試
        5.5.2 黃河數(shù)據(jù)集的實驗結(jié)果
        5.5.3 曙光村數(shù)據(jù)集的實驗結(jié)果
        5.5.4 武漢數(shù)據(jù)集的實驗結(jié)果
    5.6 本章小結(jié)
第六章 基于迭代特征映射網(wǎng)絡(luò)的多類變化檢測
    6.1 引言
    6.2 變化檢測問題分類
    6.3 迭代特征映射網(wǎng)絡(luò)
        6.3.1 特征提取
        6.3.2 網(wǎng)絡(luò)構(gòu)建
        6.3.3 優(yōu)化方法
        6.3.4 分層聚類分析
    6.4 數(shù)據(jù)集介紹
    6.5 實驗結(jié)果與分析
        6.5.1 參數(shù)測試
        6.5.2 異源影像的實驗結(jié)果
        6.5.3 同源影像的實驗結(jié)果
    6.6 本章小結(jié)
第七章 總結(jié)與展望
    7.1 研究內(nèi)容總結(jié)
    7.2 未來工作展望
參考文獻(xiàn)
致謝
作者簡介



本文編號：3536281