用于遥感图像变化检测的不同深度神经网络研究

发布时间：2021-11-24 09:17

　　由于人口的增长,地球表面正经历持续的变化,采用遥感图像变化检测来分析与检测地表变化是当今研究领域的一大热点。在过去的十年里,该技术引起越来越多的研究人员的广泛关注,多种利用遥感图像数据进行变化检测的方法如雨后春笋般出现,并且这些方法也被应用到许多领域中,如灾难评估、土地规划、视频监控以及森林预警等。但是由于遥感图像的获取容易受到各种杂波的干扰,导致图像轮廓模糊,同时伴随遥感技术的不断成熟发展,所获取的数据量也呈指数级增长,传统的图像变化检测方法在检测性能和效率上面临巨大的考验。最近几年,深度学习以其优秀的特征表征能力被应用于计算机视觉与自然语言处理等领域,它突破了传统图像处理算法的约束,为遥感图像处理注入了新鲜的血液。本文主要针对遥感图像的变化检测问题展开研究,通过设计不同的深度神经网络模型,灵活实现问题驱动的变化检测任务。本文重点包含以下工作:1.提出一种基于深度可分离卷积的遥感图像变化检测方法。该方法考虑图像的联合分布,将两时刻图像堆叠为一幅两通道的图像,每一通道为不同时刻的图像块,经过这样的处理,图像变化检测可以看作图像分割问题,进而以图像语义分割中常见的全卷积网络的变体U-Ne... 

【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】：83 页

【学位级别】：硕士

【部分图文】：

基于深度可分离卷积的U-Net网络

从而将两个步骤分离开来。这样就可以充分利用模型参数进行表示学习，从而得到性能更好的模型。图3.2 深度可分离卷积示意图为了更好地说明深度可分离卷积相比传统卷积的优势，假设网络的输入维度为

2时刻图像的辐射校正结果 (d)参考图图3.3 光学航空图像 SZADA/1 数据集和辐射校正结果(a) 在 1时刻获取的图像 (b) 在 2时刻获取的图像(c) 2时刻图像的辐射校正结果 (d)参考图图3.4光学航空图像 TISZADOB/3 数据集和辐射校正结果(a) 在 1时刻获取的图?

【参考文献】：
期刊论文
[1]基于深度残差生成对抗网络的医学影像超分辨率算法[J]. 高媛,刘志,秦品乐,王丽芳.  计算机应用. 2018(09)
[2]结合像元级和目标级的高分辨率遥感影像建筑物变化检测[J]. 张志强,张新长,辛秦川,杨晓羚.  测绘学报. 2018(01)
[3]“风云”激荡四十载——中国风云系列气象卫星工程研制纪实[J]. 赵聪.  太空探索. 2018(01)
[4]面向变化检测的遥感影像弹性配准方法[J]. 孙越,王宏琦,李峰,王宁.  武汉大学学报(信息科学版). 2018(01)
[5]机器翻译的现状和前景[J]. 徐一灿,刘继斌.  海外英语. 2017(21)
[6]高光谱观测卫星及应用前景[J]. 孙允珠,蒋光伟,李云端,杨勇,代海山,何军,王琦,叶擎昊,曹琼.  上海航天. 2017(03)
[7]高空间分辨率遥感影像分割定量实验评价方法综述[J]. 陈扬洋,明冬萍,徐录,赵璐.  地球信息科学学报. 2017(06)
[8]农作物遥感变化检测识别研究进展[J]. 朱爽,张锦水.  中国农业资源与区划. 2015(07)
[9]高光谱侦察技术特点及其对地面军事目标威胁分析[J]. 麻永平,张炜,刘东旭.  上海航天. 2012(01)
[10]遗传算法选择策略比较[J]. 张琛,詹志辉.  计算机工程与设计. 2009(23)

硕士论文
[1]高分辨率图像变化检测及其在应急灾害评估中的应用研究[D]. 慕春芳.哈尔滨工业大学 2011



本文编号：3515681