多特征融合的遥感影像变化检测技术研究

发布时间：2017-03-21 12:07

  本文关键词：多特征融合的遥感影像变化检测技术研究，由笔耕文化传播整理发布。

【摘要】：遥感影像的变化检测是遥感数据处理与应用的重要环节。随着航空航天技术和传感器技术的快速发展,遥感影像的数据来源越来越丰富,且分辨率越来越高,传统的变化检测方法已经无法满足实际应用的需要。针对这一问题,本文系统研究了多特征融合的遥感影像变化检测技术,在影像分割和多种特征提取的基础上,分别研究了监督型和非监督型的多特征融合变化检测方法。论文的主要工作和创新点如下:1、系统总结了多特征融合的遥感影像变化检测的研究现状、一般原理、方法分类和主要流程。介绍了监督型的多特征融合变化检测原理和非监督型的多特征融合变化检测原理,并比较了各自的特点。2、提出了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。该方法针对图像自适应边缘检测的难点和传统多光谱遥感图像边缘检测方法的局限性,利用四元数来描述多光谱图像,通过矢量旋转完成了多光谱图像的边缘检测,并采用直方图统计的方法获取自适应阈值,实现了边缘图像的二值化。利用陆地多光谱遥感图像和水域多光谱遥感图像分别进行实验,验证了该方法的有效性。3、研究了基于BP神经网络的多特征融合变化检测方法和基于支持向量机(SVM)的多特征融合变化检测方法。在一定数量的样本支持下,利用BP神经网络或SVM对多特征差值向量集进行处理,完成了变化类和未变化类的判别。通过理论分析与实验比较,验证了这两种方法优于传统的影像代数法和仅使用对象光谱特征的方法,而基于SVM的多特征融合变化检测方法要优于基于BP神经网络的方法。4、提出了基于迭代慢特征分析(ISFA)的多特征融合变化检测方法。通过慢特征分析(SFA)将原始多个特征的变化变换到一个新的特征空间,增大了变化像元与未变化像元的可分性。为了提高算法的自适应能力,引入了选权迭代的思想,实现了多特征的自动融合和变换。实验表明ISFA法可以有效实现多特征融合的变化检测,精度上也优于基于主成分分析(PCA)的方法。通过与监督型方法的变化检测结果进行比较,发现ISFA法对光谱信息丰富的多光谱影像具有更好的检测效果。
【关键词】：变化检测 多特征融合 支持向量机 慢特征分析 神经网络 主成分分析 多光谱图像
【学位授予单位】：解放军信息工程大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：P237
【目录】：

• 摘要4-5
• Abstract5-10
• 第一章 绪论10-17
• 1.1 研究背景和意义10-11
• 1.2 国内外研究现状11-15
• 1.2.1 遥感影像变化检测整体研究现状11-13
• 1.2.2 多特征融合技术研究现状13-14
• 1.2.3 面向对象特征提取技术研究现状14-15
• 1.3 论文的主要研究内容及章节安排15-17
• 1.3.1 论文的主要研究内容15-16
• 1.3.2 论文的章节安排16-17
• 第二章 多特征融合的遥感影像变化检测基础17-25
• 2.1 遥感影像变化检测分类17-19
• 2.1.1 按照分析层次分类17-19
• 2.1.2 按照检测方法分类19
• 2.2 多特征融合的遥感影像变化检测概述19-21
• 2.2.1 一般流程20
• 2.2.2 方法分类20-21
• 2.2.3 主要难点21
• 2.3 本文的实验方法21-24
• 2.3.1 对比实验算法21-23
• 2.3.2 精度评价方法23-24
• 2.4 本章小结24-25
• 第三章 影像分割及多种特征提取25-38
• 3.1 基于边缘的影像分割25
• 3.2 结合四元数与直方图的自适应边缘检测25-34
• 3.2.1 四元数理论26-27
• 3.2.2 基于矢量旋转的多光谱图像边缘检测27-28
• 3.2.3 基于矢量距离的边缘图像二值化28
• 3.2.4 基于直方图的边缘图像二值化28-30
• 3.2.5 陆地遥感图像实验与分析30-32
• 3.2.6 水域遥感图像实验与分析32-34
• 3.3 边缘连接和区域合并34-35
• 3.3.1 边缘连接34-35
• 3.3.2 区域合并35
• 3.4 遥感影像的多种特征提取35-37
• 3.4.1 光谱特征提取35-36
• 3.4.2 纹理特征提取36
• 3.4.3 空间特征提取36-37
• 3.4.4 归一化处理37
• 3.5 本章小结37-38
• 第四章 监督型的多特征融合变化检测方法38-57
• 4.1 基于BP神经网络的多特征融合变化检测38-41
• 4.1.1 BP神经网络基本原理38-40
• 4.1.2 神经网络的特点40
• 4.1.3 基于BP神经网络的变化检测方法40-41
• 4.2 基于SVM的多特征融合变化检测41-46
• 4.2.1 SVM的基本二分类方法41-43
• 4.2.2 SVM的非线性二分类方法43-45
• 4.2.3 SVM与神经网络的比较45
• 4.2.4 基于SVM的变化检测方法45-46
• 4.3 实验结果及分析46-55
• 4.4 本章小结55-57
• 第五章 非监督型的多特征融合变化检测方法57-72
• 5.1 基于PCA的多特征融合变化检测57-59
• 5.1.1 PCA基本原理57-58
• 5.1.2 基于PCA的变化检测方法58-59
• 5.2 基于ISFA的多特征融合变化检测59-64
• 5.2.1 SFA基本原理59-61
• 5.2.2 基于SFA的变化检测方法61-63
• 5.2.3 基于ISFA的变化检测方法63-64
• 5.3 实验结果及分析64-70
• 5.4 本章小结70-72
• 第六章 总结与展望72-74
• 6.1 本文研究工作的总结72
• 6.2 对今后研究工作的展望72-74
• 致谢74-75
• 参考文献75-80
• 作者简历 攻读硕士学位期间完成的主要工作80

【参考文献】

中国期刊全文数据库 前10条

1 李亮;舒宁;王凯;龚煈;;融合多特征的遥感影像变化检测方法[J];测绘学报;2014年09期

2 林栋;秦志远;杨婧玮;张占睦;;高分辨率遥感影像多特征协同地物分类方法[J];测绘科学技术学报;2014年02期

3 李亮;龚煈;李雪;王凯;;像斑直方图相似性测度的高分辨率遥感影像变化检测[J];遥感学报;2014年01期

4 李雪;舒宁;李井冈;刘小利;;基于特征贡献选择的遥感影像变化检测方法研究[J];武汉大学学报(信息科学版);2013年10期

5 湛宁;;多特征和SVM相融合的三维物体识别方法[J];计算机仿真;2013年03期

6 刘晓伟;孟岩;龚浩;周赞东;骆方;;基于多特征融合的SAR图像输电走廊变化检测[J];电力科学与技术学报;2012年04期

7 陈克明;周志鑫;卢汉清;胡文龙;孙显;;基于高斯过程的高分辨率遥感图像变化检测[J];遥感学报;2012年06期

8 王东广;肖鹏峰;宋晓群;王铁成;陈刚;;结合纹理信息的高分辨率遥感图像变化检测方法[J];国土资源遥感;2012年04期

9 杜培军;柳思聪;;融合多特征的遥感影像变化检测[J];遥感学报;2012年04期

10 李晖;肖鹏峰;冯学智;冯莉;王珂;;基于向量场模型的多光谱遥感图像多尺度边缘检测[J];测绘学报;2012年01期

  本文关键词：多特征融合的遥感影像变化检测技术研究，，由笔耕文化传播整理发布。

本文编号：259626