基于自步学习和多目标模糊聚类的无监督遥感图像变化检测

发布时间：2020-11-22 17:51

　　 变化检测技术旨在检测同一地域范围内、不同时刻拍摄的两幅图像之间的变化区域。遥感技术的发展为变化检测技术的发展提供了有效的数据依托,并且进一步推动了变化检测技术在军事、民用等领域的应用。近年来,遥感图像的变化检测方法经历了从传统的单目标、无监督的方法逐步发展到多目标、基于监督分类器的变化检测方法。虽然很多已经提出的变化检测方法已经获得了不错的检测性能,然而面对日益复杂的遥感图像数据,现有的变化检测方法的检测精度难以满足人们在实际应用中的需求,因此我们需要进一步研究探索来提升变化检测方法的性能。本文在分析国内外相关成果的基础上,提出了基于分组自步学习的变化检测框架,并为该框架提出了一个新的时变自步正则项以进一步提升检测性能,此外,我们还提出了基于自步学习和模糊聚类的进化多目标变化检测方法。本文的主要贡献如下:1.本文提出了一种基于分组自步学习的变化检测框架。该方法主要针对基于监督分类器的无监督变化检测方法中训练样本难以获取的问题,采用基于分组的自步学习方式为监督分类器挖掘可靠的训练样本。所提的变化检测框架用自步学习的机制,通过迭代地学习加权的训练样本和更新样本权重来自动地获取可靠的训练样本。具体地,在权重更新过程中,我们引入了组信息来避免训练样本取自图像的同质区域。在五个遥感图像数据集上的测试结果表明了所提变化检测框架的有效性。2.本文提出了一个新的时变自步正则项用于基于分组自步学习的变化检测框架。该时变自步正则项可以自动地为自步学习设计权重计算方案。具体地,在自步学习的初期,仅有少数训练样本被选来训练分类器,此时给这些样本较高的权重值,以便分类器充分学习训练特征与分类结果之间的映射关系;在自步学习的后期,随着步长参数值的增大,越来越多的复杂样本被用来训练,为了削弱不可靠样本对分类器的影响,仅给其中的少部分的更为可靠的样本较大的权重值,其余相对复杂的样本较小的权重值。在五个数据集上的测试结果表明了所提时变正则项的有效性。3.本文提出了基于自步学习和模糊聚类的进化多目标变化检测方法。针对多目标模糊聚类方法中由于目标函数值计算复杂而导致的候选解选择耗时的问题,我们采用回归技术来对进化过程中的子代候选解进行优越性预测。具体地,在进化过程中,我们使用自步学习为回归模型获取可靠的训练样本以获得更为鲁棒的回归模型,并从子代候选解中挑选可靠的子代解以便帮助进化算法收敛到更优的估计的Pareto最优解,从而改善多目标变化检测方法的性能。
【学位单位】：西安电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP751
【部分图文】：

(k) FCM+SPSM (l) FCM+GSPSM (m) FCM+SVM (n) FCM+SPSVM (o) FCM+GSPSVM图3.15渥太华数据集上的变化检测结果图及参考图（2）石门数据集的变化检测结果所提方法和对比方法在石门数据集上的变化检测结果图如图3.16所示，它们所对应的结果评价指标如表3.2所示。由图(b)～(f) 可以看出，传统的无监督方法中，MRFFCM和EM算法的结果图中存在大量的白色噪点误将不变区域检测为变化区域，因而其OE值较高，KC值较低；其他方法结果图中的误检情况有所改善但仍较为严重。相对于阈值法和聚类法，基于监督分类器的方法在抑制噪点方面取得了较30

(k) FCM+SPSM (l) FCM+GSPSM (m) FCM+SVM (n) FCM+SPSVM (o) FCM+GSPSVM图3.17旧金山数据集上的变化检测结果图及参考图表3.3旧金山数据集的评价指标结果变化检测方法PCC OE KC(%)FCM 0.8672 19161 62.49FLICM 0.9089 13144 71.76KWFLICM 0.8052 28111 51.17EM 0.9380 8940 78.12OTSU 0.9277 10436 76.28FCM+NN 0.8902 15847 67.18FCM+SPNN 0.9479 7524 80.84FCM+GSPNN 0.9495 7290 81.66FCM+SM 0.7721 19161 45.73FCM+SPSM 0.9441 8064 79.25FCM+GSPSM 0.9453 7893 80.21FCM+SVM 0.8861 16442 66.56FCM+SPSVM 0.9468 7680 80.45FCM+GSPSVM 0.9479 7517 81.29

西安电子科技大学硕士学位论文误检程度有所缓和；GSPSVM结图中尽管存在大量的绿色误检的噪点，但是同时其红色线状区域基本与差异图中的红色区域相一致，因而取得了较高的KC值。总体来看，本章所提的基于分组自步学习的变化检测方法取得了更好的变化检测结果。(a) Ref (b) FCM (c) FLICM (d) MRFFCM (e) EM(f) OTSU (g) FCM+NN (h) FCM+SPNN (i) FCM+GSPNN (j) FCM+SM
【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 李进;基于深度学习的高分辨率遥感图像变化检测[D];江西师范大学;2019年

2 王成军;基于超像素与主动学习采样策略的高分影像变化检测方法研究[D];福州大学;2018年

3 罗星;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[D];福州大学;2018年

4 刘本强;基于邻域相对熵和融合纹理信息的SAR影像变化检测[D];山东科技大学;2018年

5 周晓君;多时相高分辨率遥感影像变化检测算法研究[D];大连理工大学;2019年

6 张杰;基于样本不平衡学习和结构语义信息的SAR图像变化检测网络[D];西安电子科技大学;2019年

7 陈奎伊;基于倾斜摄影测量的建筑物对象级三维变化检测方法[D];西南交通大学;2019年

8 刘穗君;基于SAR影像强度与相干系数的滑坡提取研究[D];西南交通大学;2019年

9 王守峰;面向对象的多光谱遥感影像变化检测方法研究[D];合肥工业大学;2019年

10 吴宪;基于对象分割的卫星图像中物体变化检测与识别算法研究[D];北京交通大学;2019年

本文编号：2894619