基于Siamese卷积神经网络的高分影像城市地物变化检测

发布时间：2020-07-31 09:39

【摘要】：变化检测是通过比较同一地理区域不同时间点获取的两张或多张遥感影像来发现地球表面所发生的变化的过程。传统的变化检测方法需要人工设计特征,这是一项费时费力的工作,且需要较强的专业知识。并且很难设计出一种适用于所有地物类型的通用特征。深度神经网络的多层非线性映射使其具备拟合任意函数的能力,因此能够构建出高维的分类面,高质量地完成模式分类识别任务。本文主要研究利用深度神经网络对城市地物实现“端到端”的变化检测,避免人工设计特征的过程,提升变化检测的精度。本文的主要研究内容包括以下三个方面:(1)设计了一种 Siamese 卷积神经网络(Siamese Convolutional Neural Network,SCNN),实现对两时相高分影像城市区域地物的变化检测。针对变化检测需要同时对两时相影像进行处理的特点,SCNN由两个分支网络和一个决策层网络组成。两个分支网络位于SCNN低层,分别对两时相影像进行特征提取。将提取的两时相影像特征进行特征连接,输入到决策层网络中。决策层网络对两时相影像特征进行相似性度量,输出变化检测结果。本文以影像“分割块”为变化检测的基本单元,可充分发挥深度神经网络对影像高层特征挖掘的能力,同时,可实现“全覆盖”的变化检测。本文基于SCNN对武汉市城市地物变化检测总体精度达到88.57%以上。(2)提出了针对变化检测的数据增强方法。变化检测中,不同时相影像由于获取条件的不同,本身存在一定的差异性,传统的图像分类领域通过对图像进行旋转、平移、加噪等实现数据增强的方法不适用于变化检测领域。针对这个问题,本文分别对变化样本和不变样本提出了不同的数据增强方法。对变化样本,采用“迭代训练SCNN——样本选择—一样本扩充”的方式实现数据增强;对变化样本,通过将位于不同位置的两时相影像组合成新的变化样本对实现对变化样本的扩充。该方法实现了对变化检测样本的扩充,有效抑制了过拟合现象的发生。(3)提出了基于模型迁移方法实现对其他城市地物的变化检测。不同城市由于建筑风格、规划设计的不同存在差异,一个城市训练好的模型不能直接用于另一个城市的变化检测。本文基于保守训练和层迁移策略,将在武汉市训练好的SCNN模型迁移至咸宁市,实现对咸宁市地物变化检测。咸宁市基于保守训练的变化检测总体精度达到83.07%以上,基于层迁移的变化检测总体精度达到86.98%以上。
【学位授予单位】：武汉大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：P237;TP183
【图文】：

变化检测,分析单元,流程

逡逑成变化图，精度评价五个步骤，如图１．１所示。影像预处理是对获取的数据源进逡逑行一系列的操作，以消除大气辐射、地球曲率、地面起伏等因素引起的影像畸变，逡逑得到变化检测可用的影像数据。影像预处理一般包括几何校正、辐射校正等过程。逡逑大部分变化检测方法需要预先进行多时相影像间的精确配准，在配准影像的基础逡逑上执行后续的变化检测步骤。也有一些方法将影像配准与变化检测同步进行，充逡逑分利用未变化地物特征作为配准的依据，减少配准误差的传递和累积，提高变化逡逑检测的精度（李德仁，２００３）。分析单元是指变化检测过程中确定“变化”或“未逡逑变化”的最小的目标单元。选择比较方法是指对分析单元进行特征提取与选择，逡逑确定合适的变化比较算法与判别准则。确定分析单元和选择比较方法是变化检测逡逑过程中的两个关键步骤，Ｔｅｗｋｅｓｂｕｒｙ邋ＡＰ，邋ｅｔａｌ．邋（２０１５）的最新研宄总结了变化检测逡逑领域过去几十年的研宄方法

变化检测,自编码,流程图,传统算法

获得光谱－空间一体化特征表达，建立多时相地物特征间的非线性联系，有效逡逑提高变化检测的精度（张良培等，２０１７）。基于深度学习进行变化检测成为目前逡逑重要的研究课题。如图１．２所示为传统变化检测算法和基于深度学习的变化检测逡逑算法对比流程图。逡逑原始影像１逦原始影像２逡逑１逦ｒ逡逑变换／特征提取逦变换／特征提取逡逑Ｉ逡逑比较方法逡逑ｊ逦原始影像１逦原始影像２逡逑生成变化影像逡逑分析变化影像逦ｙ丨丨练深度神经网络逡逑Ｔ￣—￣逦丁逡逑获得变化检测结果逦获得变化检测结果逡逑（ａ）逦（ｂ）逡逑图１．２变化检测算法流程图（ａ）基于传统算法的流程图（ｂ）基于深度学习算法的流程图逡逑目前，高分影像变化检测常用的深度神经网络模型包括自编码网络、深度置逡逑信网络、卷积神经网络等。ＸｕＹ，ｅｔａｌ．邋（２０１３）设计了一个自编码网络自动提取多逡逑时相影像的特征，然后对特征进行比较，设置阈值去除琐碎的伪变化区域，得到逡逑变化检测结果。ＧｏｎｇＭ，ｅｔａｌ．邋（２０１５）设计了一个深度限制玻尔兹曼机网络对ＳＡＲ逡逑影像进行变化检测。将同一区域两时相影像作为输入，变化检测结果图作为输出，逡逑避免了生成差异图的过程，从而避免了差异图对结果的影响，但对噪声的鲁棒性逡逑很差。ＺｈａｎｇＰ，ｅｔａｌ．邋（２０１６）针对

示意图,分层特征,网络模型,神经网络

概念让计算机构建较简单的概念来学习复杂概念（ＬｅｃｕｎＹ，邋ｅｔａｌ．，２０１５）。深度学习逡逑常用的形式是人工神经网络。一个深度神经网络包含了多个不同的层结构，将原逡逑始数据通过一层层简单但非线性的变换转化为更高层次、更抽象的表达。如图２．１逡逑所示，深度学习在图像识别领域的应用中，一张图像的初始格式是一个像素数组，逡逑经过深度神经网络的非线性变换，网络低层学习到诸如边缘等低层特征；进一步，逡逑由边缘组成的简单几何图形，如圆形、矩形等，这时会忽略一些干扰的边缘信息；逡逑随着网络进一步加深，由简单几何图形组成目标的一部分，最后组成一个完整的逡逑目标。深度学习的核心是，上述各层的特征都不是通过人工设计特征来实现的，逡逑而是使用一种通用的学习过程从大量数据中学习到的。逡逑＾邋＊＊Ｔ￣．逡逑目标模型逡逑目标的一部分逡逑（边栜合而成）逡逑甲边缘逡逑□邋Ｆｉｉ逡逑？邋像素逡逑ＫＸＸＪ逡逑图２．邋１深度神经网络分层特征学习示意图逡逑深度学习在近几年取得了迅猛的发展，出现了不同的网络模型。常用的模型逡逑包括自编码网络、深度置信网络、卷积神经网络、循环神经网络（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌ逡逑１１逡逑

【参考文献】