基于深度学习的异源图像变化检测

发布时间：2021-09-09 14:11

　　变化检测技术是图像领域的重要研究方向之一,它的目标是通过对同一地区不同时间段获得的两幅图像进行观测与分析,从而定性定量的辨识出地表的变化信息,该技术能够广泛应用于灾害评估、土地监测等重要领域。按照图像获取来源是否相同,可以将图像变化检测问题分为同源图像变化检测和异源图像变化检测。近几年来,同源图像变化检测技术发展迅速,出现了很多效果卓著的算法,但随着图像获取技术的不断发展,这些同源图像变化检测算法越来越不能满足实际的需要。而且深度学习在图像领域的应用日益成熟,将其应用于图像变化检测问题中的可行性也越来越高。因此,本文在对传统的同源图像变化检测算法进行充分研究的基础上,提出了两种基于深度学习的异源图像变化检测算法,并设计了一个用以解决实际问题的图像变化检测系统。本文主要工作如下:（1）提出了一种基于特征学习与分类的异源图像变化检测算法。该算法通过深度神经网络的特征学习能力将变化检测问题转换到深层次特征空间上进行,首先构造初始变化检测结果图,然后利用堆叠自编码器学习两幅异源图像的深层特征,最后利用卷积神经网络根据初始结果图对特征图进行分类,得到最终变化检测结果。该算法无需产生差异图,实现了... 

【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】：97 页

【学位级别】：硕士

【部分图文】：

自编码器原理图

差来获得数据特征，因此，在自编码器神经网络的结构中，其输入层和输出层应该具有应有相同或近似的结构，如图 2.4 所示。图2.4 自编码器神经网络结构图其 中 输 入 层1 2 3{ , , ,..., }nI i i i i， 输 出 层1 2 3{ , , ,..., }nO o o o o， 隐 藏 层1 2 3{ , , ,..., }nA a a a a，隐藏层由输入层经过非线性函数映射得到，其计算方式如下：

图2.9 Sigmoid 函数曲线以看出 Sigmoid 函数会把数据映射到 0 到 1 之间进行输出化和输出的概率化，但是 Sigmoid 函数曲线的两端趋于平0，这种性质被称为函数的饱和性，在神经网络训练的后落入平缓区，导数接近于 0，导致向前层传递的梯度也变新，网络无法得到有效训练，算法无法正常收敛，这就是同理，当初始权值过大时，在神经网络训练的后向传递过现前层比后层梯度变化更快的问题，这就是梯度爆炸现值初始化一般采用正太分布初始化或小范围随机初始化题，最普遍的是梯度消失现象。度消失现象，现在流行的深度神经网络一般采用 ReLU（代替 Sigmoid 函数，其函数形式为：f ( x ) max(0, x)

【参考文献】：
期刊论文
[1]基于OpenCV的精量喷雾图像处理技术[J]. 陈钊,赵玉清,杨陆强,周桥,高彦玉,刘存瑞,王子辉,时玲.  农机化研究. 2018(06)



本文编号：3392239