多特征融合的高分辨率遥感影像飞机目标变化检测

发布时间：2021-10-05 06:39

　　为利用高分辨率遥感影像实现高精度的飞机目标变化检测,提出了一种自适应的多特征融合变化检测与深度学习相结合的方法。首先,通过加权迭代的多元变化检测法获取变化强度图,并结合自适应的直方图统计法自动获取显著的变化与不变化样本;然后,提取多时相影像的光谱、边缘和纹理特征,完成多特征融合的变化检测,并通过形态学处理得到变化图斑;最后,利用训练的NIN（Network in Network）结构的卷积神经网络飞机识别模型,完成变化图斑的类型判别,实现变化飞机的检测。实验结果表明,本文方法在两组数据的正确率分别达到100%和91.89%,均优于对比方法,能实现准确可靠的飞机目标变化检测。 

【文章来源】：遥感学报. 2020,24(01)北大核心EICSCD

【文章页数】：16 页

【部分图文】：

本文方法流程

(3)本文取强度图中大于阈值T的像素为变化样本，设有m个，并设剩余像素总数为n。为了保证后续SVM分类中变化与不变化的样本数量接近，可以从n个像素中随机取m个作为不变化样本。2.3 多特征提取

综合上述考虑，本文构建一个用于二分类的NIN卷积神经网络(图3)。该网络模型包含9个卷积层(C),2个池化层(P)。各卷积层与池化层的参数设置如表1所示，其中192@5×5表示192个大小为5×5的卷积核，S为池化层的步长。NIN网络不包含全连接层，一个大小为32×32的图像，经过逐层的前向传播，以ReLU为激活函数，在最后一个卷积层输出两个大小为8×8的特征图。然后直接采取最大池化的方式，并利用softmax函数将输出的标量映射为该图像对应类别的概率分布。基于NIN模型的优化目标函数为

【参考文献】：
期刊论文
[1]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)
[2]高分辨率遥感影像的深度学习变化检测方法[J]. 张鑫龙,陈秀万,李飞,杨婷.  测绘学报. 2017(08)
[3]知识驱动下的飞机目标变化检测方法[J]. 项盛文,文贡坚,高峰.  国土资源遥感. 2016(04)
[4]窗口融合特征对比度的光学遥感目标检测[J]. 李湘眷,王彩玲,李宇,孙皓.  光学精密工程. 2016(08)
[5]基于BP神经网络的多特征融合变化检测方法[J]. 郝睿,徐俊峰,王庆宝,张保明.  海洋测绘. 2016(01)
[6]一种基于背景先验的飞机目标检测方法[J]. 陈丽勇,闫梦龙,孙显,王宏琦.  测绘科学. 2016(03)
[7]一种结合四元数与直方图的多光谱图像自适应边缘检测方法[J]. 徐俊峰,郭海涛,张锐,刘攀成.  测绘科学技术学报. 2015(01)
[8]融合多特征的遥感影像变化检测方法[J]. 李亮,舒宁,王凯,龚龑.  测绘学报. 2014(09)
[9]融合多特征的遥感影像变化检测[J]. 杜培军,柳思聪.  遥感学报. 2012(04)



本文编号：3419199