基于深度学习与模型融合的SAR图像变化检测
发布时间：2020-12-07 18:28
遥感图像的变化检测是指通过合适的算法分析同一地区不同时相的两幅图像,找出其中变化的区域。由于合成孔径雷达(Synthetic Aperture Radar,SAR)图像不受光照、天气等条件影响的优势,已经在环境检测、灾害评估、城市规划与监测等领域得到了广泛的应用。本文主要对一些原有的SAR图像的变化检测方法进行研究分析并对其改进。同时结合新理论提出一些新的方法来提高变化检测精度。本文主要内容如下:1.由于不同算子生成的差异图具有不同的优缺点,本文对差值法、对数比值法、均值比值法产生的3种差异图进行优势互补。不同于以往人工选取策略将其融合的方法,该算法将3幅差异图作为不同的特征图像输入到多通道卷积神经网络。然后卷积神经网络将自动学习并提取各个差异图的不同特征。该算法通过选择不同差异图的像素及其邻域空间像素生成训练样本训练卷积网络,然后由训练好的网络预测测试样本的变化类与不变类。2.针对边缘检测精度低的问题本文提出了一种多尺度模型融合算法。该部分首先提出了一种新的差异图生成算法:通过将比值算子差异图进行伽马变换然后得到一种新的差异图,该变换与对数变换都能使图像的对比度增强,新的差异图比对数...
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
光学图像与SAR图像区别
第二章 基于多特征与卷积神经网络的 SAR 图像变化检13图2.3 卷积神经网络示意图通常 CNN 由三大模块组成。输入层、多个卷积层和池化层的构成的特征提取器和全连结神经网络即多层感知机(Multilayer Perceptron, MLP)分类器。1.卷积层：卷积层为特征提取器，用来学习图像的特征，低层提取的特征为一些局部特征例如线条、边缘等特征。往上卷积将低层特征组合抽象成高级特征。卷积层中的神经元节点排列形成特征图(feature map)。feature map 中每个节点通过一组权重和低层 feature map 的局部连接。输入与权重进行卷积操作获得新的特征图，然后通过激活函数得到卷积结果。对于卷积层其提取特征的过程可以用公式 2-14 表示：l-1ii( )jl l lj ij jMX f X K b +(2-14)在上式中， 表示卷积操作，l 表示卷积神经网络的第 层，jM 表示第 层选择输入的 feature map 集合，lijK 为第 层的卷积核。ljb 为第 层每个输出 feature map 所对应的偏置向量。 f ( )为神经元的激活函数。ljX 表示第 层最终通过激活函数得到的第 j 个 feature map。2.下采样层：下采样层的作用是降低特征维度，使上一层输入的 featuremap 尺寸变小。达到平移空间不变性以及输入失真不变性[42]的目的。下采样层通常分为平均值采样和最大值采样。下采样层可以用公式 2-15 表示：1( ( ) )l l l lj j j jX f down X b + (2-15)在公式 2-15 中
说可以将相同的学习特征用到 feature map 上的所有区域。共享权值带来的优势是可以减少网络层与层之间的连接参数，减小了网络过拟合的概率。图2.4 卷积神经网络局部感知示意图卷积网络不需要输入和输出之间的数学公式。它能够自动的学习输入与输出之间的映射关系。CNN 会自动的对一张图片学习出最好的卷积核以及这些卷积核的组合办法。综合而言多层卷积网络通过卷积来提取和抽象特征。然后利用局部连接、下采样以及共享权重值等手段来减小连接参数数目，然后利用经典网络得到最终结果。2.2.4 数据集介绍每个数据集由 3 幅图像组成，两幅同一位置不同时相的原始图像，以及一幅变化检测的参考图像。参考图中白色像素位置为变化区域，黑色像素位置为不变区域。第 1 个数据集是渥太华(Ottawa)地区水灾的 SAR 图像，该图像由 Radarsat—SAR卫星拍摄，大小为290 350，拍摄时间分别为 1997 年 5 月和 1997 年 8 月。该数据集
【参考文献】：
期刊论文
[1]合成孔径雷达影像变化检测研究进展[J]. 公茂果,苏临之,李豪,刘嘉. 计算机研究与发展. 2016(01)
[2]一种改进的粒子群优化算法[J]. 侯振华. 计算机与现代化. 2010(02)
[3]SAR图像乘性噪声模型分析[J]. 高贵,张军,吕信明,周蝶飞,黄纪军,蒋咏梅. 信号处理. 2008(02)
博士论文
[1]SAR图像相干斑抑制算法研究[D]. 陈少波.华中科技大学 2010
[2]SAR图像噪声抑制和局部特征提取[D]. 李军侠.西安电子科技大学 2008
硕士论文
[1]基于深度神经网络的SAR图像变化检测[D]. 周林浩.西安电子科技大学 2018
[2]深度神经网络可视化技术研究与应用[D]. 夏志强.电子科技大学 2017
本文编号：2903710
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
光学图像与SAR图像区别
第二章 基于多特征与卷积神经网络的 SAR 图像变化检13图2.3 卷积神经网络示意图通常 CNN 由三大模块组成。输入层、多个卷积层和池化层的构成的特征提取器和全连结神经网络即多层感知机(Multilayer Perceptron, MLP)分类器。1.卷积层：卷积层为特征提取器，用来学习图像的特征，低层提取的特征为一些局部特征例如线条、边缘等特征。往上卷积将低层特征组合抽象成高级特征。卷积层中的神经元节点排列形成特征图(feature map)。feature map 中每个节点通过一组权重和低层 feature map 的局部连接。输入与权重进行卷积操作获得新的特征图，然后通过激活函数得到卷积结果。对于卷积层其提取特征的过程可以用公式 2-14 表示：l-1ii( )jl l lj ij jMX f X K b +(2-14)在上式中， 表示卷积操作，l 表示卷积神经网络的第 层，jM 表示第 层选择输入的 feature map 集合，lijK 为第 层的卷积核。ljb 为第 层每个输出 feature map 所对应的偏置向量。 f ( )为神经元的激活函数。ljX 表示第 层最终通过激活函数得到的第 j 个 feature map。2.下采样层：下采样层的作用是降低特征维度，使上一层输入的 featuremap 尺寸变小。达到平移空间不变性以及输入失真不变性[42]的目的。下采样层通常分为平均值采样和最大值采样。下采样层可以用公式 2-15 表示：1( ( ) )l l l lj j j jX f down X b + (2-15)在公式 2-15 中
说可以将相同的学习特征用到 feature map 上的所有区域。共享权值带来的优势是可以减少网络层与层之间的连接参数，减小了网络过拟合的概率。图2.4 卷积神经网络局部感知示意图卷积网络不需要输入和输出之间的数学公式。它能够自动的学习输入与输出之间的映射关系。CNN 会自动的对一张图片学习出最好的卷积核以及这些卷积核的组合办法。综合而言多层卷积网络通过卷积来提取和抽象特征。然后利用局部连接、下采样以及共享权重值等手段来减小连接参数数目，然后利用经典网络得到最终结果。2.2.4 数据集介绍每个数据集由 3 幅图像组成，两幅同一位置不同时相的原始图像，以及一幅变化检测的参考图像。参考图中白色像素位置为变化区域，黑色像素位置为不变区域。第 1 个数据集是渥太华(Ottawa)地区水灾的 SAR 图像，该图像由 Radarsat—SAR卫星拍摄，大小为290 350，拍摄时间分别为 1997 年 5 月和 1997 年 8 月。该数据集
【参考文献】：
期刊论文
[1]合成孔径雷达影像变化检测研究进展[J]. 公茂果,苏临之,李豪,刘嘉. 计算机研究与发展. 2016(01)
[2]一种改进的粒子群优化算法[J]. 侯振华. 计算机与现代化. 2010(02)
[3]SAR图像乘性噪声模型分析[J]. 高贵,张军,吕信明,周蝶飞,黄纪军,蒋咏梅. 信号处理. 2008(02)
博士论文
[1]SAR图像相干斑抑制算法研究[D]. 陈少波.华中科技大学 2010
[2]SAR图像噪声抑制和局部特征提取[D]. 李军侠.西安电子科技大学 2008
硕士论文
[1]基于深度神经网络的SAR图像变化检测[D]. 周林浩.西安电子科技大学 2018
[2]深度神经网络可视化技术研究与应用[D]. 夏志强.电子科技大学 2017
本文编号：2903710
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2903710.html
