基于主动集成学习和不确定性分析的遥感影像变化检测

发布时间：2020-03-21 22:54

【摘要】：基于多时相遥感影像的变化检测技术在土地利用监测、城市建设、植被覆盖研究等方面都具有重要的意义。然而随着遥感影像空间分辨率的提高,波段数目随之减少,变化检测中出现空间地物结构更加复杂、训练样本标记代价变高、同类地物的光谱差异增大、光谱域可分性降低等现象。针对以上问题,论文在综合考虑面向像元和面向对象变化检测的基础上,提出了基于主动学习的多分类器集成和多尺度不确定性分析的检测。并且利用不确定性分析后的分类概率与变化概率结果,结合贝叶斯融合进行变化类型的检测。主要研究内容如下:(1)为了充分利用高分辨率遥感影像丰富的地物结构信息,提取了纹理特征、形态特征和Gabor滤波特征,并将优化后的空间特征与光谱特征组合,构建了最优特征矢量作为信息提取的变化检测数据集。(2)为了利用不同分类器各自的优势和多尺度信息来有效识别图像中所有的变化信息,论文提出了基于多分类器集成和多尺度不确定性分析的变化检测算法。根据分类器异质性研究构建基于K近邻、支持向量机、极限树的多分类器集成系统,在此过程中还引入主动学习思想,利用空间优化和breaking ties(BT)算法选择信息量丰富的未标记样本作为增选样本,用来解决监督变化检测中训练样本不足问题;为了有效利用遥感影像的尺度信息在图像分析和特征识别中的重要意义,通过具有传播关系的多尺度层进行不确定性分析,并结合所有尺度上的确定对象构成最终变化检测结果。该算法在减少面向像元变化检测中“椒盐噪声”影响的同时,能降低传统的面向对象变化检测中变化检测精度对分割尺度的依赖性。(3)为了得到变化类型结果,构建了基于不确定性分析和贝叶斯融合的分类后变化类型检测算法。首先利用非监督变化检测和支持向量机相结合来获取变化概率图,利用极限随机树算法进行分类概率图的获取,然后分别对两个时相的分类概率图进行不确定性分析,将不确定变化类型的分类概率图与变化概率图利用贝叶斯融合得到像素级变化类型的检测结果,最后通过面向对象的类别判定来确定最终变化类型检测结果。
【图文】：

ZY-3正视相机 - 0.50~0.80 2.1前、后视相机 - 0.50~0.80 3.5多光谱相机Blue 0.45~0.525.8Green 0.52~0.59Red 0.63~0.69Nir 0.77~0.89GF-2全色相机 - 0.45~0.90 1多光谱相机Blue 0.45~0.524Green 0.52~0.59Red 0.63~0.69Nir 0.77~0.89第一组 ZY-3 号实验数据包含的两时相影像分别获取于 2012 年 11 月 6 日和2013 年 11 月 4 日，覆盖范围为江苏省西北部徐州市云龙区；第二组 GF-2 号实验数据包含的两时相遥感影像分别获取于 2016 年 11 月 3 日和 2017 年 10 月 9日，覆盖范围为江苏省西南部南京市秦淮区，两组数据的位置如图 2-1 所示。

2 多源特征集的构建与分类器异质性度量其中第一组实验数据影像大小为 像元，包含 Red、Green、Blue、Nir 四个波段，空间分辨率为 5.8 米，包含的典型地物类型主要有植被、水体、建筑物、道路和裸土，主要变化类型包括建筑物类型的变化以及植被的减少。其R-G-B 真彩色影像如图 2-2 所示。第二组实验数据影像大小为 像元，，包含 R、G、B、Nir 四个波段，空间分辨率为 4 米，包含的典型地物类型主要有植被、建筑物、水体、道路和桥梁。主要变化类型包括道路和建筑物的增加以及植被覆盖的减少。其 R-G-B 真彩色影像如图 2-3 所示。
【学位授予单位】：中国矿业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：P237

【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 孙扬;朱凌;修田雨;;基于国产卫星影像的协同分割变化检测[J];北京建筑大学学报;2018年04期

9 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

10 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

相关会议论文 前10条

1 刘元波;;环境遥感变化探测研究中的若干问题：辐射校正方法与变化检测算法及其理论关系[A];中国地理学会2007年学术年会论文摘要集[C];2007年

2 毛卫华;;时态遥感数据对象级变化检测方法研究[A];2016年度浙江省测绘与地理信息学会优秀论文集[C];2016年

3 林丽群;舒宁;肖俊;;MODIS影像自动变化检测[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年

4 刘志刚;李夕海;钱昌松;;遥感图像变化检测问题浅析[A];陕西地球物理文集（五）国家安全与军事地球物理研究[C];2005年

5 王长海;陈文静;;基于遥感影像分类的城镇建成区变化检测方法研究[A];国家安全地球物理丛书（十三）——军民融合与地球物理[C];2017年

6 蒋汾龙;王善峰;公茂果;马晶晶;张明阳;武越;;基于降噪耦合卷积神经网络的多源遥感影像变化检测[A];第五届高分辨率对地观测学术年会论文集[C];2018年

7 郑安明;罗健;康薇薇;;基于遥感影像的流域下垫面变化检测[A];环境变化与水安全——第五届中国水论坛论文集[C];2007年

8 陈宇;唐伟成;;基于北京一号小卫星遥感数据的徐州东矿区土地利用/覆盖变化检测方法研究[A];第十七届中国遥感大会摘要集[C];2010年

9 李全;李霖;;基于LANDSAT TM影像的城市变化检测研究[A];中国地理学会2004年学术年会暨海峡两岸地理学术研讨会论文摘要集[C];2004年

10 欧阳峗;马建文;戴芹;;动态贝叶斯网络在遥感变化检测中的应用[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年

相关重要报纸文章 前2条

1 本报记者 孙楠 徐文彬;提高我国在气候变化检测归因领域的国际影响力[N];中国气象报;2016年

2 通讯员 孙爱华　张向峰;区域气候变化检测研讨会召开[N];中国气象报;2009年

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 李振轩;基于差分测度的高分辨率遥感影像可靠性变化检测方法研究[D];中国矿业大学;2018年

6 刘博宇;时序NDVI数据集螺线型构建及多形状参数变化检测[D];吉林大学;2018年

7 李胜;联合领域知识和深度学习的城市地表覆盖变化检测方法[D];武汉大学;2018年

8 赵金奇;多时相极化SAR影像变化检测方法研究[D];武汉大学;2018年

9 刘嘉;多目标演化深度神经网络模型与应用[D];西安电子科技大学;2018年

10 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

相关硕士学位论文 前10条

1 杨彬;基于深度学习的高分辨率遥感影像变化检测[D];中国矿业大学;2019年

2 郭欣;光学与SAR图像像素级融合的水体变化检测[D];中国矿业大学;2019年

3 张玉沙;基于主动集成学习和不确定性分析的遥感影像变化检测[D];中国矿业大学;2019年

4 刘陆洋;基于双差异图的SAR图像变化检测研究[D];新疆大学;2019年

5 娄雪梅;基于SAR图像的变化检测算法研究[D];新疆大学;2019年

6 丁永;高分辨率遥感影像结合地表覆盖矢量数据的变化检测方法研究[D];武汉大学;2017年

7 许竞轩;面向对象的高分辨率遥感影像变化检测方法研究[D];战略支援部队信息工程大学;2018年

8 孙扬;基于超像素协同分割的遥感影像变化检测方法[D];北京建筑大学;2019年

9 唐文博;基于卷积神经网络的高分辨率多光谱遥感图像上的城区建筑物变化检测技术[D];浙江大学;2019年

10 庄姊琪;基于Siamese卷积神经网络的高分影像城市地物变化检测[D];武汉大学;2018年

本文编号：2594059