基于中层语义特征的高分辨率遥感影像变化检测方法研究
【学位单位】:福州大学
【学位级别】:硕士
【学位年份】:2018
【中图分类】:P237
【部分图文】:
得探讨[11]。??计算机视觉领域指出图像理解是具有层次化结构的M,即底层的图像处理、??中层的图像分析和高层的图像认知三层,见图1-1。按照图像理解的层次结构,??可对应将图像的特征分为底层视觉特征、中层语义特征和高级抽象语义属性。其??中,中层语义特征是指在底层特征的基础上,通过统计、量化和编码等方法得到??的更深层次特征,中层特征相对于底层特征能更好地表示图像的语义信息,相对??于高层特征具有计算复杂度较低的特点,被广泛用于计算机图像分类和检索领??域。??本研究依托于福建省科技厅“基于时空自相关的城市建设用地变化检测技术??研宄与示范应用”项目,结合高分影像不仅清晰地呈现出了各种各样的地物,还??反映出了地物与周围环境的关系的特点(如图1?-2?),从影像的中层语义特征出发,??提出基于中层语义的高分影像变化检测方法,分别研究高分影像在对象级和场景??级的变化检测问题,以期待突破现有方法的局限性。??f-l?m? ̄ ̄|场景语义?居民区??L中丨层1?lda主题模型涟濟??■?T?H酿翻?■齡??■?|?■?)i??底层| ̄ ̄|颜色、纹理等|?III??图M图像理解的层次结构??2??
2.1.1文本中的词包模型??词包模型最早是被用于文本分析,其特点是不考虑各个单词的顺序和语法关??系,根据各个单词出现的频率来反映文档大意。如图2-1所示,给定的文档集W??包含了两个简单的文本文档wl和w2,通过遍历文档集中所有文档的单词构建??此文档集的词典D,词典包含了文档集W中出现的关键单词,并赋予了每个单??词唯一索引index,那么最终该文档集中所有文档都可以用字典中单词在文档中??出现的频率来表示。??:\?wl?■?■?w2?;,??’?|>f?Wl? ̄ ̄"j°hn??|?\?l.John?2.likes?3.to?'?i?likes?to?watch??John?John?also?!?|?|?运?movies.?Mary??|?likes?to?watch?likes?to?watch?丨?^?1?4.movies?S.Mary?6.too?j?i?爾?likes?too.?!??1?movies.?Mary?football?games?11?)?i?i?|?),????!?likes?too.?丨?V?丨?7.also?8.games?[?V?[??!?????!?*?9.football?lO.watch?;?!?LLL1?J?I?I?I_^?!??、、?/?、'?/??文挡集w?字典D?文档wl的频率表示??图2-1文本分析中的词包模型示意图??后来该模型被引入计算机视觉领域[67]
接下来是根据特征点邻域像元梯度给每个特征点分配方向,梯度直方图的最大值??所对应的方向就为其主方向。确定特征点的位置、尺度和方向之后,需要生成每??个特征点的特征描述符,图2-2给出了特征描述符的生成过程。如图所示,以特??征点为中心确定一个16x16的邻域作采样窗口,将16x16的邻域划分为4x4个??子区域,以每个子区域为种子点,每个种子点有8个方向,再将邻域内的采样点??分配到对应的子区域内,将子区域内的梯度值分配到8个方向上,最后则获得了??4x4x8=128维的特征描述符。??一? ̄| ̄ ̄i?r?‘:?r?||???,,??:????,今,?,、,.+,??4?:?::.??媢.....*???*?'■:?p?溥….灰…??%、?*,讀??????????_____??????图2-2?SIFT特征描述符的生成过程??稠密SIFT?(Dense?SIFT
【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 邵攀;非监督遥感变化检测模糊方法研究[D];武汉大学;2016年
2 李文卓;时序无人机影像二三维综合的面向对象建筑物变化检测关键技术研究[D];武汉大学;2017年
3 吕臻;高分辨率遥感影像道路提取与变化检测关键技术研究[D];武汉大学;2017年
4 彭代锋;基于多特征信息挖掘的对象级光学卫星影像变化检测研究[D];武汉大学;2017年
5 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
6 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
7 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
8 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
9 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
10 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
相关硕士学位论文 前10条
1 陈祖洋;盐池县缓坡地带荒漠化信息提取及变化检测研究[D];宁夏大学;2019年
2 张苗琳;基于时空融合数据的矿区植被覆盖变化检测[D];中国地质大学(北京);2019年
3 陈圆圆;基于多尺度子空间分析的多光谱遥感图像变化检测方法研究[D];西安电子科技大学;2019年
4 熊云塔;基于胶囊网络学习的同源和异源遥感图像变化检测研究[D];西安电子科技大学;2019年
5 杨月磊;基于生成对抗网络的多光谱图像变化检测[D];西安电子科技大学;2019年
6 吴飞;基于生成对抗网络和非局部神经网络的SAR图像变化检测[D];西安电子科技大学;2019年
7 牛旭东;基于生成对抗网络的遥感图像变化检测[D];西安电子科技大学;2019年
8 王艳艳;基于空间邻域信息的遥感影像变化检测[D];西安电子科技大学;2019年
9 寇佳宁;基于卷积神经网络特征学习的SAR图像变化检测方法研究[D];西安电子科技大学;2019年
10 杨孟然;基于卷积神经网络的SAR图像变化检测及硬件实现[D];西安电子科技大学;2019年
本文编号:2877855
本文链接:https://www.wllwen.com/kejilunwen/dizhicehuilunwen/2877855.html