基于深度学习的超像素级别的图像变化检测

发布时间：2021-04-21 16:46

　　图像变化检测的任务是给定同一地区不同时刻的图像,通过算法快速锁定变化区域。传统的变化检测算法以像素点为基本分析单元,在处理简单场景或分辨率较低的场景时算法表现较好,但面临复杂场景或高分辨率问题时,算法的性能会受到限制。为了解决这些问题,本文以超像素作为基本分析单元,结合深度神经网络强大的多层非线性映射能力对超像素级别变化检测算法进行研究。本文的主要内容包括如下三个方面的工作:首先,针对多时相遥感图像变化检测问题提出基于卷积神经网络的超像素级别变化检测方法。该方法针对变化检测问题设计了联合简单线性迭代聚类分割算法,在保证对多时图像分割的轮廓相同的同时,将分割过程融入多时相图像的信息;为了度量分割的超像素块的相似度,一种简单超像素相似度度量法被提出,以概率形式度量超像素块的相似度,以相似度的高低为标准去选择正确分类的样本作为数据集;构建卷积神经网络对选择的训练数据集进行训练,用训练好的网络进行图像变化和未变化的分类。其次,针对多时相遥感图像的三分类变化检测问题提出基于深度置信网络的超像素级别变化分析方法。该方法首先运用无监督的变化向量分析法对超像素块进行预分类,然后通过一种简单有效的样本选... 

【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】：101 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究的背景及意义
    1.2 图像变化检测研究现状
        1.2.1 像素级别变化检测
        1.2.2 目标级别变化检测
        1.2.3 超像素级别变化检测
        1.2.4 深度学习与变化检测
    1.3 图像变化检测存在的问题
    1.4 论文的主要工作及内容安排
第二章 基于深度学习的超像素级别变化检测理论研究
    2.1 变化检测流程
        2.1.1 图像预处理
        2.1.2 差异影像图生成
        2.1.3 差异影像图分析
        2.1.4 评价指标
    2.2 超像素分割
    2.3 深度神经网络
        2.3.1 深度置信网络
        2.3.2 卷积神经网络
第三章 基于卷积神经网络的超像素级别遥感图像变化检测
    3.1 引言
    3.2 方法框架
        3.2.1 算法简介
        3.2.2 联合SLIC分割算法
        3.2.3 简单超像素相似度度量法
        3.2.4 卷积神经网络的构建
    3.3 实验研究
        3.3.1 数据集描述
        3.3.2 实验结果
    3.4 结论
第四章 基于深度置信网络的超像素级别多时相遥感图像三分类变化分析
    4.1 引言
    4.2 方法框架
        4.2.1 算法简介
        4.2.2 超像素协方差特征提取
        4.2.3 预分类阶段
        4.2.4 样本选择
        4.2.5 深度置信网络的训练
        4.2.6 多尺度的融合
    4.3 实验研究
        4.3.1 数据集描述
        4.3.2 评价指标
        4.3.3 参数设定
        4.3.4 实验结果
    4.4 结论
第五章 基于耦合卷积神经网络超像素级别异源图像变化检测
    5.1 引言
    5.2 方法框架
        5.2.1 算法简介
        5.2.2 超像素精化分割
        5.2.3 卷积自动编码器预训练
        5.2.4 耦合卷积神经网络训练
    5.3 实验研究
        5.3.1 数据集描述
        5.3.2 实验参数设置
        5.3.3 实验结果
    5.4 结论
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
作者简介


【参考文献】：
期刊论文
[1]图像分割中的超像素方法研究综述[J]. 宋熙煜,周利莉,李中国,陈健,曾磊,闫镔.  中国图象图形学报. 2015(05)
[2]建筑物震害遥感图像的变化检测与震害评估[J]. 张景发,谢礼立,陶夏新.  自然灾害学报. 2002(02)



本文编号：3152121