基于深度置信网络与数学形态学融合的遥感影像建筑物变化检测

发布时间：2021-04-02 07:42

　　当前人工调查土地资源利用情况具有较高的人力成本且劳动强度大,对其实现自动变化检测具有较高的理论和应用价值。将深度置信网络（deep belief network,DBN）应用于高分辨率遥感影像的建筑物变化检测,但DBN在变化检测时存在由误判现象造成的建筑物完整度欠缺、空间存在噪声等问题,提出DBN与数学形态学融合模型对高分辨率遥感影像建筑物进行变化检测。在遥感影像预处理基础上,标记少量明显的变化与未变化样本,利用搜索窗口从标记的区域获取大量带有标签的样本训练融合模型分类器对建筑物进行变化检测,检测方法准确率为94.76%,召回率为87.63%,F₁为91.06%。实验结果表明,该方法可以为建筑物的变化检测提供有效依据。 

【文章来源】：科学技术与工程. 2020,20(08)北大核心

【文章页数】：7 页

【部分图文】：

受限玻尔兹曼机

在DBN进行建筑物变化检测后,会存在建筑物完整度欠缺、空间存在孤立点等问题,会对建筑物变化检测精度造成一定负影响。而数学形态学在图像滤波、特征抽取、图像增强和恢复等方面具有良好的性能,利用形态学算子还可以有效地消除图像噪声,同时保留图像中原有的信息,突出图像的几何特征[16]。因此,采用数学形态学理论对建筑物变化检测结果进行优化。数学形态学的基本思想是通过集合来定量描述目标信号的几何结构,即利用预先定义好的结构元素与信号的集合特征进行局部匹配或修整,同时保留目标信号的主要形状特征,以达到抑制噪声并提取有用信息的目的。其中,结构元素是数学形态学的基本要素,具有任意形状和尺寸[17]。数学形态学处理对象主要为灰度图像和二值图像[18],其基本运算包括膨胀、腐蚀、闭运算、开运算等。

式(12)表示用结构B膨胀A,在B中定义一个原点,且B的移动过程与卷积核移动的过程一致,同卷积核与图像有重叠之后再计算,将结构元素B的原点平移到图像像元(x,y)位置。如果在图像像元(x,y)处与A的交际不为空,即B中为1的元素位置上对应A的图像值至少有一个为1,则输出图像对应的像元(x,y)赋值为1,否则赋值为0。膨胀过程如图3所示。图4 腐蚀运算示意图

【参考文献】：
期刊论文
[1]基于数学形态学的位场数据边缘增强方法[J]. 张建民,胡英飒,曾昭发,杜威,张领,槐楠,胡志鹏.  吉林大学学报(地球科学版). 2019(03)
[2]基于DBN和SOFTMAX的网络入侵检测模型[J]. 魏嘉毅,安琪,周超.  山东农业大学学报(自然科学版). 2019(02)
[3]一种正样本单分类框架下的高分辨率遥感影像建筑物变化检测算法[J]. 刘波,燕琴,刘恒飞,马磊.  测绘工程. 2019(02)
[4]一种融合MBI的多特征建筑物变化检测方法[J]. 俞晓飞.  测绘与空间地理信息. 2018(11)
[5]基于数学形态学图像处理的泥质纹层定量表征——以加拿大麦凯河油砂区块为例[J]. 陈浩,穆龙新,黄继新,常广发,武军昌,孙天建.  科学技术与工程. 2018(26)
[6]基于极限学习机的GF-2影像分类[J]. 王明常,张馨月,张旭晴,王凤艳,牛雪峰,王红.  吉林大学学报(地球科学版). 2018(02)
[7]结合像元级和目标级的高分辨率遥感影像建筑物变化检测[J]. 张志强,张新长,辛秦川,杨晓羚.  测绘学报. 2018(01)
[8]基于DBN与对象融合的遥感图像变化检测方法[J]. 窦方正,孙汉昌,孙显,刁文辉,付琨.  计算机工程. 2018(04)
[9]遥感图像建筑物识别及变化检测方法[J]. 张永梅,季艳,马礼,张睿,李洁琼,熊焰.  电子学报. 2014(04)
[10]基于数学形态学图像分割算法在水果分级中的应用[J]. 朱培逸,刘红晴.  科学技术与工程. 2013(34)



本文编号：3114885