面向高分辨率遥感图像的变化检测方法研究

发布时间：2020-07-14 06:38

【摘要】：变化检测是对比分析在不同时期捕获同一地理位置的图像,提取不同时期图像的差异特征,并分析其差异性,最后检测识别不同时期的变化区域(变化信息)的过程。本文研究的主要对象是高分辨率遥感图像,具体来说是研究如何从不同时相的遥感数据中定量分析和确定地表变化的方法。随着航天技术的快速发展,高分辨率遥感影像因其包含更丰富的地物信息,且具有高空间分辨率、高清晰度等优点而被广泛应用。近年来,面向遥感图像的变化检测方法已被广泛应用在土地覆盖和利用、自然灾害预测评估、农业资源调查、城市规划布局、开展资源调查、环境监测分析、城市扩展变化信息获取、地理数据更新以及军事侦察等领域。因此,开展面向高分辨率遥感图像的变化检测方法研究具有重要的应用价值。本文主要的工作和内容如下:(1)首先对近几年国内外的变化检测经典文献进行深入的调查研究,并分析了主流的变化检测方法,结合高分辨率遥感图像的特性,说明研究适合高分辨率遥感影像变化检测方法的必要性。之后通过调查研究和分析找出变化检测中可能存在的问题,针对具体问题提出可执行方案,以便后续更好的开展变化检测工作。(2)针对当前变化检测研究中存在的两个问题,即传统的变化检测方法都是基于其灰度差异图像进行阈值图像分割获取变化区域,忽略了高分辨率遥感图像的结构信息,以及高分辨率遥感图像尺寸偏大,会导致更高的算法执行时间。本文提出一种基于快速模糊聚类算法的无监督遥感变化检测方法,该方法将改进的模糊C均值聚类算法,应用于高分辨率遥感图像,能有效利用图像的空间信息,进而获得更能代表差异特征的差分图像;另一方面,该方法将高斯金字塔和模糊C均值聚类算法结合使用,旨在有效减少图像的冗余数据,提高算法计算效率,降低计算复杂度。(3)基于以上研究,本文还提出一种基于深度对称式全卷积神经网络的变化检测算法框架,用于获取高分辨率遥感图像的变化区域结果。该模型是基于U-net网络的U形对称结构,它能够采用多层连接,考虑来自多个卷积层的特征,将低维和高维特征合并到最终特征图中,并有效地探索图像的上下文信息,以获得更广泛的接受域。此外,多尺度池化模块能够更好地利用滑坡区域的空间多尺度特征,有效解决单尺度池化的缺点,具有更强的特征表示能力。此外,所提出的用于变化检测的深度卷积神经网络模型为变化区域提供了更准确的定位。
【学位授予单位】：陕西科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751
【图文】：

灰度值,计算复杂度,遥感图像,图像

如减小对噪声的敏感程度。但应用到 VHR 遥感图像中的时候，算法对于 VHR 遥感像具有较高的计算复杂度。根据目标函数的计算公式（3-4），可以看出，FCM 算法计算复杂度受到图像总像素个数和聚类个数值的影响，越大，计算复杂度越高图像尺寸较大或较大时，FCM 算法的执行时间会较长。因此，可以通过去除图像的余信息，同时保留图像的结构化信息来降低 FCM 算法的计算复杂度。具体将在下一节进行介绍。3.2 基于快速模糊聚类算法的变化检测考虑可以将FCM算法应用于变化检测中，即利用FRFCM算法生成双时相遥感图像割结果。其次，利用双时相VHR遥感图像对应的分割结果计算差异图像，以获得初化区域。因为FCM的计算复杂度受图像大小的影响，所以在VHR遥感图像上执行FC要很长的运行时间。尽管一些改进的FCM算法，如EnFCM[56]能够降低FCM的计算复，但它们仅适用于灰度图像。EnFCM和FRFCM都使用直方图代替像素来去除图像余信息。然而，很难将EnFCM和FRFCM扩展到多波段遥感图像。因此，可以通过图像的冗余信息，同时保留图像的结构化信息来降低FCM的计算复杂度。

遥感图像,变化检测,结构信息,灰度值

面向高分辨率遥感图像的变化检测方法研究结构信息化检测方法中使用双时相 VHR 遥感图像的灰度值来获取差异图HR 遥感图像的结构信息是相似的，因此本文中提出利用图像的计算差异图像，因为图像分割结果往往包括丰富的空间结构信息化检测是有利的。基于灰度值差异的变化检测如上图 3-1 所示。图像对灰度值的变化很敏感。为了克服这个缺点，获得更好的变图像结构信息进行变化检测，获得变化检测结果，如图 3-2 所示

聚类中心,变化区域,对应图,多分辨率图像

a) b) c) d) 3-4 使用表 3-1 中的四组聚类中心得到的候选变化区域（对应图 3-3）：a) 使用表 3-1 所示的（a）类中心；b) 使用表 3-1 所示的（b）聚类中心；c) 使用表 3-1 所示的（c）聚类中心；d) 使用表3-1 所示的（d）聚类中心ig. 3-4 Candidate landslides of Fig. a) of 3-3 using four groups of clustering centers in Table 3-1: a) Can-idate landslides using clustering centers shown in Table 3-1(a); b) Candidate landslides using clusteringenters shown in Table 3-1(b); c) Candidate landslides using clustering centers shown in Table 3-1(c); andd) Candidate landslides using clustering centers shown in Table 3-1(d)表 3-2. 模糊 C 均值聚类算法在多分辨率图像上的执行时间（秒）（ =5）Table 3-2 Execution time (in seconds) of the FCM algorithm on multi-resolution images（ =5）输入（a）（b）（c）（d）时间 69.84 17.48 3.28 0.98

【相似文献】