像素级与对象级相结合的高分遥感影像变化检测方法研究
发布时间：2021-01-16 03:26
由于航空航天科技高速发展,高分遥感影像成为实现对地观测的重要数据来源,利用变化检测技术可以迅速获取城镇扩张、自然灾害评估、植被监测分析等结果。然而,由于高分遥感影像包含地物信息量大的特点,同时在获取高分遥感影像会受到光照、角度、配准等因素影响,提高了对高分遥感影像的处理及特征提取的难度,导致高分遥感影像的变化检测技术方法面临更多挑战。现有的高分遥感影像变化检测方法中,像素级变化检测结果中一般会有椒盐现象,而基于图像分割的对象级变化检测方法存在影像分割尺度难以确定的问题。因此本文提出了一种将像素级变化检测与对象级变化检测相结合的方法,通过融合两种方法得到的结果来获取目标地物发生变化区域,从而实现变化检测精度提升。本文的主要研究内容如下:（1）U-net网络模型结构改进。为利用深度学习对图像特征有较高理解的优点,本文使用U-net网络对高分遥感影像进行对象级图像分割。原U-net网络还存在过拟合、模型训练较慢等现象,因此对其进行改进。本文方法首先改进U-net模型结构,在U-net网络结构中加入批标准化层,然后引入迁移学习采用VGG16网络的参数初始化本文改进的U-net模型,并添加Dro...
【文章来源】：东北林业大学黑龙江省 211工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图１－１遥感影像变化检测方法常见类别??高分辨率遥感影像按时相分可以分为单时相影像和多时相影像
统方法手工标注特征的操作，近期在图像分割研??宄中可以取得比较满意的效果，也成为遥感图像分割领域最热门的研宄方向。??２．５深度学习??２．５．１概述??人工神经网络（Ａｒｔｉｆｉｃｉａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＡＮＮ）起源于?Ｗａｒｒｅｎ?ＭｃＣｕｌｌｏｃｈ?和?Ｗａｌｔｅｒ??Ｐｉｔｔｓ于１９４３年首次建立的神经网络模型。一个人工神经元由输入、输出和加法器这三??个基本部分组成，以人工神经元为节点将人工神经元按层排列，并用有向加权弧连接起??来即可得到人工神经网络。如图２－３所示，人工神经网络一般包括三种结构，分别为输??入层，隐藏层和输出层。人工神经网络通过自身的训练学习某种规则，无需提前给定输??入与输出之间映射关系，可以在给定输入值时得到最接近期望输出值的结果。??Ｗ１?Ｗ２??？?？??输入层?隐藏层?输出层??图２－３神经网络模型??２００６年，Ｇｅｏｆｆｒｅｙ?Ｈｉｎｔｏｎ提出深度神经网络模型深度置信网络ＤＢＮＩ６７］，自此神经??网络逐渐开始向深度学习的方向发展。深度神经网络是一种属于深度学习的网络结构，??相比于浅层神经网络具有更多的隐含层的神经网络。深度神经网络依然保有人工神经网??络的特点，不需要人工设计特征提取器，而是通过对数据进行从低维到高维的映射方式??来自动提取并学习数据有效的特征。对于复杂非线性问题的描述更细致高效，非常适用??于无规律且变化多端的自然数据，具有非常好的泛化能力和鲁棒性。??２．５．２卷积神经网络??卷积神经网络于１９９８年由ＹａｎｎＬｅｃｕｎ提出，是一种多层的带有卷积结构的监督学??习神经网络【６８】。该网络通过逐层反向调节更新网络中的权重参数，
２个卷积层、２个池化层、２个全连接层及输出层，在进入全连接层之前所有??特征均转换为一维特征向量。??卷积神经网络中卷积层、激活函数、池化层和全连接层为最重要的结构，下面具体??介绍这四个部分的功能：??（１）卷积层??卷积Ｕ是卷积祌经网络的核心，对输入数据或者上的特征图使用卷积核进行卷??积运算来提取特征，并将结果传递给下一足。如果时卷积ＫＨ吏用多个卷积核进行卷积操??作，则神经网络可以对多个卷积核的参数学习，得到多个不同的特征映射，可以更好得??表示数据特征。卷积操作的原理如图２－４所示，卷积核的初始值通常选择随机小数矩阵??形式，通过不断的迭代学习到来更新参数值直到得到合理的参数权值。??３?０?１２?７??１５?８?９?３?１?０?－１?—５?－４?０??２?７?２?５?１?ｘ?１?〇－１?＝?－１０?－２?２??０?１３?１７?１?〇?－１?０－２－４??４?２?１６?２???????１?卷积滤波器??输入特征图?３ｘ３?输出特征图??５ｘ５?步长为１?３ｘ３??图２－４卷积操作原理图??卷积操作就是使用一个卷积核作为模板在阁像上滑动，使用一个像素点以及周围点??的像素值的加权平均数代替原本的像素值来计算模板中心对应点的值，以此提取阁像局??部特征信息。卷机器的计算公式如下：??（２－５）??／＝］??其中，表示第］层的第ｊ个特征图的值，ｘｒ表示第丨－】层的笫丨个特征值。足卷??积核的权值参数，是偏置值，此两项都是卷积层中的可训练参数。／（？）为非线性激活??函数，一般为Ｓｉｇｍｏｉｄ函数或ＲｅＬｕ函数＿。＊为卷积操作，ｎ为输入特征图的数這。??假设输入特征图的
本文编号：2980069
【文章来源】：东北林业大学黑龙江省 211工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图１－１遥感影像变化检测方法常见类别??高分辨率遥感影像按时相分可以分为单时相影像和多时相影像
统方法手工标注特征的操作，近期在图像分割研??宄中可以取得比较满意的效果，也成为遥感图像分割领域最热门的研宄方向。??２．５深度学习??２．５．１概述??人工神经网络（Ａｒｔｉｆｉｃｉａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＡＮＮ）起源于?Ｗａｒｒｅｎ?ＭｃＣｕｌｌｏｃｈ?和?Ｗａｌｔｅｒ??Ｐｉｔｔｓ于１９４３年首次建立的神经网络模型。一个人工神经元由输入、输出和加法器这三??个基本部分组成，以人工神经元为节点将人工神经元按层排列，并用有向加权弧连接起??来即可得到人工神经网络。如图２－３所示，人工神经网络一般包括三种结构，分别为输??入层，隐藏层和输出层。人工神经网络通过自身的训练学习某种规则，无需提前给定输??入与输出之间映射关系，可以在给定输入值时得到最接近期望输出值的结果。??Ｗ１?Ｗ２??？?？??输入层?隐藏层?输出层??图２－３神经网络模型??２００６年，Ｇｅｏｆｆｒｅｙ?Ｈｉｎｔｏｎ提出深度神经网络模型深度置信网络ＤＢＮＩ６７］，自此神经??网络逐渐开始向深度学习的方向发展。深度神经网络是一种属于深度学习的网络结构，??相比于浅层神经网络具有更多的隐含层的神经网络。深度神经网络依然保有人工神经网??络的特点，不需要人工设计特征提取器，而是通过对数据进行从低维到高维的映射方式??来自动提取并学习数据有效的特征。对于复杂非线性问题的描述更细致高效，非常适用??于无规律且变化多端的自然数据，具有非常好的泛化能力和鲁棒性。??２．５．２卷积神经网络??卷积神经网络于１９９８年由ＹａｎｎＬｅｃｕｎ提出，是一种多层的带有卷积结构的监督学??习神经网络【６８】。该网络通过逐层反向调节更新网络中的权重参数，
２个卷积层、２个池化层、２个全连接层及输出层，在进入全连接层之前所有??特征均转换为一维特征向量。??卷积神经网络中卷积层、激活函数、池化层和全连接层为最重要的结构，下面具体??介绍这四个部分的功能：??（１）卷积层??卷积Ｕ是卷积祌经网络的核心，对输入数据或者上的特征图使用卷积核进行卷??积运算来提取特征，并将结果传递给下一足。如果时卷积ＫＨ吏用多个卷积核进行卷积操??作，则神经网络可以对多个卷积核的参数学习，得到多个不同的特征映射，可以更好得??表示数据特征。卷积操作的原理如图２－４所示，卷积核的初始值通常选择随机小数矩阵??形式，通过不断的迭代学习到来更新参数值直到得到合理的参数权值。??３?０?１２?７??１５?８?９?３?１?０?－１?—５?－４?０??２?７?２?５?１?ｘ?１?〇－１?＝?－１０?－２?２??０?１３?１７?１?〇?－１?０－２－４??４?２?１６?２???????１?卷积滤波器??输入特征图?３ｘ３?输出特征图??５ｘ５?步长为１?３ｘ３??图２－４卷积操作原理图??卷积操作就是使用一个卷积核作为模板在阁像上滑动，使用一个像素点以及周围点??的像素值的加权平均数代替原本的像素值来计算模板中心对应点的值，以此提取阁像局??部特征信息。卷机器的计算公式如下：??（２－５）??／＝］??其中，表示第］层的第ｊ个特征图的值，ｘｒ表示第丨－】层的笫丨个特征值。足卷??积核的权值参数，是偏置值，此两项都是卷积层中的可训练参数。／（？）为非线性激活??函数，一般为Ｓｉｇｍｏｉｄ函数或ＲｅＬｕ函数＿。＊为卷积操作，ｎ为输入特征图的数這。??假设输入特征图的
本文编号：2980069
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2980069.html
