基于孪生残差神经网络的遥感影像变化检测

发布时间：2021-06-29 16:11

　　为减少遥感影像变化检测方法中"伪变化"的影响以及检测效果不理想等问题,提出一种基于孪生残差神经网络的变化检测方法。对多时相多光谱影像超像素进行分割与合并,对分割的子块提取特征,得到初级变化检测图,选择变化图中变化与未变化的区域为训练样本,通过孪生残差神经网络（SiameseResNet）进行二次分类获得相似度,经过OTSU阈值分割后获得到最后的变化检测结果。实验结果表明,超像素分割与二次分类的方法可以有效提高变化检测正确率,减少"伪变化"对变化检测的影响,具有较强鲁棒性。 

【文章来源】：计算机工程与设计. 2020,41(12)北大核心

【文章页数】：7 页

【部分图文】：

孪生残差神经网络

图1 孪生残差神经网络第一组为杭州某地2016年3月27号和2018年6月25日数据集。第二组为惠州2015年1月1日和2018年3月23日的数据集,如图3所示。

本文采用以下方法与本文方法进行对比实验:包括遥感影像变化检测领域经典常用的方法:最小噪声分离法(minimumnoisefractionrotation,MNFRotation)、独立成分分析(independent component correlation algorithm,ICA)、双色多视图方法(twocolormulti-view,2CMV)、波谱角(spectralangle,SA)和基于植被归一化指数与红/蓝波段比率以及人造地物相结合的差值变化检测方法Subtractive[14]变化向量分析法(change vector analysis,CVA)[15]、主成分分析(principalcomponentsanalysis,PCA)[16]、多元迭代变化检测法(iterativelyreweighted multivariatealterationdetection,IR-MAD)[17],同时,为了验证本文方法的有效性,本文还将与文献[12]中的面向对象的多特征分级CVA变化检测方法与文献[13]中的混合像元分解法进行比较,并在分别标记为Paper1与Paper2。3.1 训练样本选择

【参考文献】：
期刊论文
[1]多时相遥感影像变化检测方法综述[J]. 眭海刚,冯文卿,李文卓,孙开敏,徐川.  武汉大学学报(信息科学版). 2018(12)
[2]超像素分割和多方法融合的遥感影像变化检测方法[J]. 肖明虹,冯文卿,眭海刚.  测绘通报. 2018(10)
[3]面向对象的多特征分级CVA遥感影像变化检测[J]. 赵敏,赵银娣.  遥感学报. 2018(01)
[4]基于混合像元分解与EM算法的中低分辨率遥感影像变化检测[J]. 吴柯,何坦,杨叶涛.  武汉大学学报(信息科学版). 2019(04)
[5]基于遥感的城市地表覆盖变化检测综述[J]. 张涛,温素馨.  现代测绘. 2017(03)
[6]基于多特征融合的遥感图像特征提取方法[J]. 孙红岩.  计算机仿真. 2016(10)
[7]遥感影像变化检测算法综述[J]. 佟国峰,李勇,丁伟利,岳晓阳.  中国图象图形学报. 2015(12)
[8]基于协同分割的高分辨率遥感图像变化检测[J]. 袁敏,肖鹏峰,冯学智,张学良,胡永月.  南京大学学报(自然科学). 2015(05)



本文编号：3256745