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
发布时间：2021-04-24 23:07
遥感变化检测技术是以多源遥感数据为基础,以知识库为辅助对不同时段的目标、现象、过程状态的变化进行探测、识别及分析的计算机图像处理技术,包括多源数据的获取、原始数据预处理、变化信息提取及变化性质确定、变化信息后处理及检测精度评价等内容,其主要目的是通过判断目标是否发生变化,确定发生变化的区域,鉴定变化的类别,评价变化的时间和空间分布模式。随着机器学习以及深度学习的发展,以大数据为核心的深度学习算法已经从传统的自然图像处理,并逐渐扩展到遥感图像处理。本文结合机器学习及深度学习算法,对基于对象分割的卫星图像中物体变化检测和识别的算法开展深入研究,选题具有重要的意义和实用价值。本文将机器学习算法和深度学习算法相结合,以建筑物为研究对象,对卫星影像的建筑物变化检测和识别开展一系列研究,论文主要的研究内容和创新点包括以下几点:（1）对现有的遥感图像数据集进行分析,得到现有的数据集有物体变化检测和识别。针对遥感图像变化检测包含前后时相影像的特征,以前时相为参考,对后时相影像进行图像规定化。针对不同样本库分布不均衡、类间距离过近等问题,提出样本库均衡模块;为了解决样本量不足的问题,提出针对卫星图像的数...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：102 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
1 绪论
1.1 研究背景和意义
1.2 研究现状
1.2.1 目标对象提取研究现状
1.2.2 变化检测研究现状
1.3 研究内容和论文组织架构
1.3.1 主要研究内容
1.3.2 论文组织结构
2 数据集介绍及数据处理
2.1 数据集介绍
2.1.1 Stone-Gate数据集
2.1.2 撒丁岛数据集
2.1.3 INRIA Aerial Image数据集
2.1.4 QuickBird卫星影像数据
2.1.5 IKONOS数据集
2.2 数据处理
2.2.1 影像拉伸
2.2.2 数据均衡
2.2.3 数据增强
2.3 本章小结
3 基于无监督特征提取算法的变化区域检测
3.1 图像配准
3.2 SDAE算法
3.3 模糊C均值
3.4 实验分析
3.4.1 实验步骤
3.4.2 实验结果与分析
3.5 对比实验与分析
3.5.1 实验设置
3.5.2 对比算法简介
3.5.3 评估标准
3.5.4 Stone-Gate数据集结果与分析
3.5.5 撒丁岛数据集结果与分析
3.6 本章小结
4 目标建筑物识别
4.1 基于特征的建筑物识别算法
4.2 基于深度学习的建筑物识别
4.2.1 U-net模型
4.2.2 模型优化——W-net模型
4.2.3 损失函数
4.2.4 后处理边缘精细化
4.3 实验分析
4.3.1 实验步骤
4.3.2 对比算法
4.3.3 评估标准
4.3.4 INRIA Aerial Image数据集结果与分析
4.4 本章小结
5 基于对象的建筑物变化检测算法
5.1 对象级差分变化检测算法简介
5.2 基于SDAE+FCM+W-net的建筑物变化检测算法
5.3 实验分析
5.3.1 实验步骤
5.3.2 对比算法
5.3.3 评估标准
5.3.4 QuickBird数据集结果与分析
5.3.5 IKONOS数据集结果与分析
5.3.6 常用方法对比实验分析
5.4 本章小结
6 结论
6.1 总结
6.2 展望
参考文献
附录A
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集
【参考文献】：
期刊论文
[1]一种融合MBI的多特征建筑物变化检测方法[J]. 俞晓飞. 测绘与空间地理信息. 2018(11)
[2]基于改进Harris角点检测算法的遥感影像匹配研究[J]. 郐洪杰. 电视技术. 2018(05)
[3]DInSAR形变异常的建筑物违章检测方法[J]. 张栩婕,胡庆武. 测绘科学. 2019(04)
[4]多特征多尺度相结合的高分辨率遥感影像建筑物提取[J]. 林雨准,张保明,徐俊峰,侯凯,周迅. 测绘通报. 2017(12)
[5]城郊高分影像中利用阴影的建筑物自动提取[J]. 高贤君,郑学冬,沈大江,杨元维,张佳华. 武汉大学学报(信息科学版). 2017(10)
[6]Landsat时序变化检测综述[J]. 汤冬梅,樊辉,张瑶. 地球信息科学学报. 2017(08)
[7]利用格式塔的高分辨率遥感影像建筑物提取[J]. 李青,李玉,王玉,赵泉华. 中国图象图形学报. 2017(08)
[8]面向对象的形态学建筑物指数及其高分辨率遥感影像建筑物提取应用[J]. 林祥国,张继贤. 测绘学报. 2017(06)
[9]基于偏移阴影分析的高分辨率可见光影像建筑物自动提取[J]. 高贤君,郑学东,刘子潇,杨元维. 光学学报. 2017(04)
[10]基于GF-1卫星遥感影像的海岸线生态化监测与评价研究——以营口市为例[J]. 索安宁,曹可,初佳兰,于永海,王权明,关道明. 海洋学报. 2017(01)
博士论文
[1]基于流形学习算法的高光谱图像分类和异常检测[D]. 马丽.华中科技大学 2010
硕士论文
[1]基于高分辨率遥感影像的城区建筑物提取方法研究[D]. 郑璐.吉林大学 2017
[2]基于超像素区域融合的遥感图像地物分类算法研究[D]. 于海涛.东北大学 2014
[3]时间序列异常检测的研究[D]. 曹忠虔.电子科技大学 2012
本文编号：3158231
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：102 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
1 绪论
1.1 研究背景和意义
1.2 研究现状
1.2.1 目标对象提取研究现状
1.2.2 变化检测研究现状
1.3 研究内容和论文组织架构
1.3.1 主要研究内容
1.3.2 论文组织结构
2 数据集介绍及数据处理
2.1 数据集介绍
2.1.1 Stone-Gate数据集
2.1.2 撒丁岛数据集
2.1.3 INRIA Aerial Image数据集
2.1.4 QuickBird卫星影像数据
2.1.5 IKONOS数据集
2.2 数据处理
2.2.1 影像拉伸
2.2.2 数据均衡
2.2.3 数据增强
2.3 本章小结
3 基于无监督特征提取算法的变化区域检测
3.1 图像配准
3.2 SDAE算法
3.3 模糊C均值
3.4 实验分析
3.4.1 实验步骤
3.4.2 实验结果与分析
3.5 对比实验与分析
3.5.1 实验设置
3.5.2 对比算法简介
3.5.3 评估标准
3.5.4 Stone-Gate数据集结果与分析
3.5.5 撒丁岛数据集结果与分析
3.6 本章小结
4 目标建筑物识别
4.1 基于特征的建筑物识别算法
4.2 基于深度学习的建筑物识别
4.2.1 U-net模型
4.2.2 模型优化——W-net模型
4.2.3 损失函数
4.2.4 后处理边缘精细化
4.3 实验分析
4.3.1 实验步骤
4.3.2 对比算法
4.3.3 评估标准
4.3.4 INRIA Aerial Image数据集结果与分析
4.4 本章小结
5 基于对象的建筑物变化检测算法
5.1 对象级差分变化检测算法简介
5.2 基于SDAE+FCM+W-net的建筑物变化检测算法
5.3 实验分析
5.3.1 实验步骤
5.3.2 对比算法
5.3.3 评估标准
5.3.4 QuickBird数据集结果与分析
5.3.5 IKONOS数据集结果与分析
5.3.6 常用方法对比实验分析
5.4 本章小结
6 结论
6.1 总结
6.2 展望
参考文献
附录A
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集
【参考文献】：
期刊论文
[1]一种融合MBI的多特征建筑物变化检测方法[J]. 俞晓飞. 测绘与空间地理信息. 2018(11)
[2]基于改进Harris角点检测算法的遥感影像匹配研究[J]. 郐洪杰. 电视技术. 2018(05)
[3]DInSAR形变异常的建筑物违章检测方法[J]. 张栩婕,胡庆武. 测绘科学. 2019(04)
[4]多特征多尺度相结合的高分辨率遥感影像建筑物提取[J]. 林雨准,张保明,徐俊峰,侯凯,周迅. 测绘通报. 2017(12)
[5]城郊高分影像中利用阴影的建筑物自动提取[J]. 高贤君,郑学冬,沈大江,杨元维,张佳华. 武汉大学学报(信息科学版). 2017(10)
[6]Landsat时序变化检测综述[J]. 汤冬梅,樊辉,张瑶. 地球信息科学学报. 2017(08)
[7]利用格式塔的高分辨率遥感影像建筑物提取[J]. 李青,李玉,王玉,赵泉华. 中国图象图形学报. 2017(08)
[8]面向对象的形态学建筑物指数及其高分辨率遥感影像建筑物提取应用[J]. 林祥国,张继贤. 测绘学报. 2017(06)
[9]基于偏移阴影分析的高分辨率可见光影像建筑物自动提取[J]. 高贤君,郑学东,刘子潇,杨元维. 光学学报. 2017(04)
[10]基于GF-1卫星遥感影像的海岸线生态化监测与评价研究——以营口市为例[J]. 索安宁,曹可,初佳兰,于永海,王权明,关道明. 海洋学报. 2017(01)
博士论文
[1]基于流形学习算法的高光谱图像分类和异常检测[D]. 马丽.华中科技大学 2010
硕士论文
[1]基于高分辨率遥感影像的城区建筑物提取方法研究[D]. 郑璐.吉林大学 2017
[2]基于超像素区域融合的遥感图像地物分类算法研究[D]. 于海涛.东北大学 2014
[3]时间序列异常检测的研究[D]. 曹忠虔.电子科技大学 2012
本文编号：3158231
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3158231.html
