光学与SAR图像像素级融合的水体变化检测

发布时间：2020-10-20 14:47

　　 地表信息变化检测与我们的生产建设密切相关。人类社会的生产建设、自然界环境的正常演替、洪涝地震等灾害的爆发等,都会引起地表信息的变化,反之,检测这些变化,又可以为我们进行生产建设和应对突发灾害提供重要的理论和决策支持。遥感技术,可以便捷地实现大面积地表观测,为地表变化检测提供了极大的便利。目前,卫星科技飞速发展,传感器种类和数量不断增加,既提升了图像的获取质量,也造成了遥感图像多类型和多分辨率并存的局面。光学传感器和合成孔径雷达图像,作为其中最重要的两种传感器数据,有着各自地优劣,虽然在变化检测中都有着出色的表现,却较少能够协同合作,并未实现对现有地表信息的充分利用。针对以上问题,本文首先对Sentinel-1A SAR和Sentinel-2A MSI影像进行像素级融合,再利用Unet深度学习网络进行地表信息变化检测,并与非融图像的阈值检测方法进行比较,确定图像融合和Unet的检测贡献率,分析融合处理与最终检测精度之间的关系。主要研究内容如下:(1)图像像素级融合。图像的像素级融合方法众多,为了能够尽可能兼顾到各种方法种类,本文从基于成分替代、基于多尺度变换和基于模型三个方面,选择具有代表性的方法,分别执行融合处理,然后选择均方根误差和互信息量两个评价指标,分别从图像光谱保真和信息丰富程度两方面,对所用融合方法进行精度评价。(2)利用Unet网络进行水体变化检测。Unet在图像信息提取方面的作用,已经多次得到了证明。本文使用labelme工具,分别对Sentinel-1A SAR、Sentinel-2A MSI影像及其融合影像进行标注,进行样本制作,执行训练和检测处理,获得水体变化检测结果,并通过统计方法获得检测准确率,进行检测精度评价。(3)融合和Unet在检测中的作用分析。为了确定融合处理和Unet网络对地表变化检测实践的具体意义,本文通过与非融合图像阈值检测成果进行比较,获得融合贡献率和Unet贡献率,定量化地表示其在变化检测的作用。此外,通过绘制融合精度-检测精度变化曲线,大致确定融合精度和最终检测精度之间的整体关系,最终发现融合精度和变化检测精度之间存在着一定的正相关关系。(4)宁乡市水体变化检测。根据融合和Unet在检测中的作用分析结果,选择最优图像融合方法,和Unet相结合,对2017年6月的水体变化情况进行检测。该论文有图31幅,表13个,参考文献106篇。
【学位单位】：中国矿业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：P237
【部分图文】：

实验流程图

图 2-1 二维图像小波分解Figure 2-1 The discrete wavelet decomposition of 2D image二维图像的DWT分解和重构处理可以根据一维小波分解和重构方法转假设已经设置横向的一维低通滤波器 Hr 和一维高通滤波器 Gr，设置纵低通滤波器 Hc 和一维高通滤波器 Gc，则按照 Mallat 算法，二维图像 j 时，分解方式如下：1112131, 0,1,...,j r c jj r c jj r c jj r c jC H H CD H G Cj jD H H CD H G C 式中，j1C 为第 j 级分解后图像的低频图像；1j1D ，2j1D ，3j1D 分别解后，垂直方向、水平方向和对角线方向上的高频图像。根据 Mallat 图像 DWT 重构方式如下：1 2 3j r c j 1 r c j 1 r c j 1 r c j1C H H C H G D G H D G G D 式中，*rH 和*rG 分别为rH 和rG 的共轭转置矩阵，*cH 和*cG 分别为cH 和转置矩阵。

图 2-2 基于 DWT 变换的图像融合过程Figure 2-2 Image fusion process based on DWT transform2.3.2 基于 Atrous 变换的图像融合2.3.2.1 二维图像的 Atrous 变换Atrous 变换过程，和 DWT 变换相同，将二维图像分解为一个低频子图像和若干个高频自图像。低频图像反映源图像的近似信息，而高频图像像反映着细节信息。假设待处理的源图像为 C0(k)，经过尺度函数 ( x)的一次滤波运算后，得到第一级低频成分 C1(k)和高频成分{C0(k)-C1(k)}，低频系数再经过逐级滤波处理，获得第二级低频成分 C2(k)和高频成分{C1(k)-C2(k)}，以此类推，第 j 级别分解后得到的低频系数为：1( ) ( ), ( )2 2jj jx kC k f x (2-20)也可以采用卷积的形式代替，转换成如下形式：11( ) ( ) ( 2 )jj jC k h l C k l (2-21)第 j 级别分解后的高频成分为：
【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 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

5 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

6 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

7 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

8 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

9 蒋月;集成面向对象与多分类器的遥感影像回溯变化检测研究[D];兰州大学;2019年

10 薛丁华;面向高分辨率遥感图像的变化检测方法研究[D];陕西科技大学;2019年

本文编号：2848813