卫星遥感图像非监督变化检测及其在洪涝区域的应用研究

发布时间：2020-11-16 18:16

　　 目前通过遥感获取的图像的常见用途是对地球表面发生的变化进行详细监测。这些变化(如洪水)会产生光谱差异,可通过遥感图像分析进行区分。无论图像的来源和表面变化的类型如何,这些数据的正确处理意味着采用灵活,稳健且可能非线性的方法来计算正确表征图像像素的复杂统计关系。在变化检测领域已经建立了许多方法。实际上,检测变化是一个过程,需要谨慎考虑许多功能,如检测变化问题的性质,图像处理预设,选择合适的变量和算法来解决CD问题。传统的变化检测方法消耗更多的时间,与手动调节有关,并且受到区域内噪声或复杂光谱类别的影响。通过这些方法获得的变化地图通常会出现孤立变化的像素并且呈现低精度。因此,无监督变化检测是一种完全自动且无监督的方法,用于对变化进行准确的二进制检测。该技术允许在没有任何用户干预的情况下进行精确的映射,这导致当待机和系统响应时间是确定在不同时间获取的两个或多个配准的遥感图像变化的关键障碍时特别有用。核心k均值聚类过程用于将两组像素相关联到“变化”和“无变化”类。我们提供了一种有效的方法来区分这两类变化:这种方法依赖于三个不同的步骤:(A)初始化聚类,(B)核函数参数估计和聚类,以及(C)最终分配像素到他们的类。为了评估Kkm技术对多种遥感图像和应用的有效性,通过Landsat TM获得两个不同的数据集。结果显示了这种自动CD方法用于环境变化监测的灵活性和有效性。
【学位单位】：哈尔滨工业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP751
【文章目录】：
Abstract
摘要
CHAPTER 1.GENERAL INTRODUCTION
    1.1 Introduction
    1.2 Literature review
    1.3 Problem description and research motivation
        1.3.1 Problem description
        1.3.2 Research motivation
    1.4 Research objectives
        1.4.1 Main objectives
        1.4.2 Specific objectives
    1.5 Research methods and outlines
Chapter 2 Background on Remote Sensing Field and Change Detection Methods
    2.1 Introduction to remote sensing imagery
        2.1.1 Remote sensing data collection
        2.1.2 Principles of electromagnetic spectrum in remote sensing
        2.1.3 Remote sensing platforms and sensor characteristics
        2.1.4 Image characteristics
        2.1.5 Optical remote sensing
        2.1.6 Hyperspectral remote sensing
    2.2 An overview of remote sensing change detection
        2.2.1 Change detection difficulties and challenges
        2.2.2 Unit of analysis
        2.2.3 Comparison methods
    2.3 Brief summary
Chapter 3 Unsupervised Change Detection with Kernels
    3.1 Study area and dataset
    3.2 Kernel-based change-detection framework
        3.2.1 Kernel k-means partitioning algorithm
        3.2.2 Initialization
        3.2.3 Unsupervised cost function
        3.2.4 Feature maps
        3.2.5 Accuracy evaluation
        3.2.6 Receiver operating characteristic
    3.3 Brief summary
Chapter 4 Experimental Results
    4.1 Paraguay-Parana river dataset
    4.2 Change maps for Paraguay-Parana river
    4.3 Cambodia flooding dataset
    4.4 Change maps for Cambodia flooding
    4.5 Training sample and Kernel parameter selection precising
    4.6 Change detection maps enhancement
    4.7 Change maps for Paraguay-Parana river after enhancement
    4.8 Opening morphology
    4.9 Change maps for Cambodia flooding opening morphology
    4.10 Brief summary
Conclusion
结论
References
Acknowledgements
Resume

【相似文献】

相关期刊论文 前10条

1 眭海刚;冯文卿;李文卓;孙开敏;徐川;;多时相遥感影像变化检测方法综述[J];武汉大学学报(信息科学版);2018年12期

2 谢馨娴;岳彩荣;霍鹏;;森林变化检测方法比较[J];四川林业科技;2018年03期

3 王娜;张景发;;SAR图像变化检测技术方法综述[J];地壳构造与地壳应力文集;2016年01期

4 宋英旭;牛瑞卿;张景发;李永生;罗毅;冯时;陈艳;;遥感影像变化检测方法对比[J];地壳构造与地壳应力文集;2016年02期

5 李强;张景发;;变化检测技术在震害信息提取中的应用[J];地理空间信息;2014年02期

6 龙玄耀;李培军;;基于图像分割的城市变化检测[J];地球信息科学;2008年01期

7 于跃龙,卢焕章;以统计变化检测为基础的实时分割视频对象新方法[J];中国图象图形学报;2005年01期

8 王鑫;;聚类分析观点下的分散式最快变化检测[J];南京理工大学学报;2014年02期

9 沈壁川;毛期俭;吕翊;;基于巴氏距离的视频流场景变化检测(英文)[J];重庆邮电大学学报(自然科学版);2009年01期

10 陈雪,戴芹,马建文,冯春;多光谱遥感数据直接分类变化检测的神经网络方法研究[J];计算机工程与应用;2004年28期

相关博士学位论文 前10条

1 郑耀国;基于结构化表示学习的遥感图像分类及变化检测[D];西安电子科技大学;2016年

2 苏临之;基于像素信息和深度学习的遥感图像变化检测技术[D];西安电子科技大学;2016年

3 贾璐;基于核理论的遥感影像变化检测算法研究[D];西安电子科技大学;2016年

4 李瑜;基于特征学习的SAR图像变化检测方法研究[D];西安电子科技大学;2016年

5 庞世燕;三维信息辅助的建筑物自动变化检测若干关键技术研究[D];武汉大学;2015年

6 何鹏飞;基于不确定性分析的遥感影像变化检测方法研究[D];中国矿业大学;2017年

7 杜晓敏;热红外遥感煤火探测方法及煤火变化检测[D];中国矿业大学(北京);2015年

8 石娟;基于无人机影像的变化检测关键技术研究[D];武汉大学;2015年

9 解云琳;面向对象的城市土地遥感变化检测和提取方法研究[D];武汉大学;2013年

10 程涛;基于压缩感知的遥感变化检测研究[D];武汉大学;2013年

相关硕士学位论文 前10条

1 李延金;影像相关性分析在遥感变化检测中的应用研究[D];长安大学;2018年

2 吴静波;盐碱地信息提取和变化检测方法应用与比较[D];宁夏大学;2018年

3 虢英杰;一种目标级高分辨率遥感影像的频域变化检测方法研究[D];昆明理工大学;2018年

4 刘波;基于SVDD特征选择的随机森林高分辨率遥感影像变化检测[D];兰州交通大学;2018年

5 郭庆乐;多时相遥感图像变化检测及趋势分析[D];哈尔滨工业大学;2018年

6 REZKI MOSTEFA;卫星遥感图像非监督变化检测及其在洪涝区域的应用研究[D];哈尔滨工业大学;2018年

7 刘霜辰;高分遥感影像在林地变化检测中的应用研究[D];西安科技大学;2018年

8 纪超南;多时相卫星影像变化检测中关键问题研究[D];山东大学;2018年

9 刘春成;基于点云数据的柱状目标变化检测[D];北京建筑大学;2018年

10 袁玉;基于SAR图像相干变化检测的建筑物震害信息提取研究[D];防灾科技学院;2018年

本文编号：2886513