基于深度学习的多时相遥感影像变化检测研究

发布时间：2021-12-12 07:45

　　随着空天观测能力的不断提升,遥感影像变化检测技术已经成为动态监测地球环境变化的重要手段,并在城市扩张演化分析、农业调查、自然灾害评估等方面得到了广泛应用。多时相遥感影像作为当前遥感数据的主要类型,包含丰富的丰富空间信息和时间信息,具有海量、高维和非结构化的特点。然而,如何高效求解多时相遥感影像变化检测中的学习和优化问题仍是我们当前面临的主要挑战。因此,本论文针对遥感影像变化检测展开深入研究,旨在发展面向多时相、多源空时影像联合解译的深度学习模型和算法,为遥感知识的提取与应用提供高效方法。具体内容包括以下几个方面:(1)合成孔径雷达具有全天时和全天候的拍摄能力,可以准确获取地物信息,并且不受天气和光照的影响,现已经成为遥感影像的重要数据来源。然而,由于它采用相干成像的原理对地物进行成像,获取的影像往往受到相干斑噪声的污染,这极大地增加了准确检测地面变化的难度。针对传统变化检测算法无法有效平衡变化细节保持与相干斑噪声抑制的缺陷,我们提出了两种基于卷积神经网络的决策级变化检测方法。利用不同的比值算子生成多幅差异图,通过预分类和样本选择策略得到高置信度的训练样本,进而完成卷积神经网络模型的构建...

【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】：142 页

【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 研究背景与意义
    1.2 国内外研究现状
        1.2.1 SAR影像变化检测研究现状
        1.2.2 光学遥感影像变化检测研究现状
        1.2.3 异源遥感影像变化检测研究现状
    1.3 遥感影像变化检测面临的挑战
    1.4 变化检测方法的评价机制
        1.4.1 二值变化检测的评价指标
        1.4.2 多类变化检测的评价指标
    1.5 研究内容与章节安排
第二章 基于卷积神经网络的SAR影像变化检测
    2.1 引言
    2.2 卷积神经网络
    2.3 基于CNN的SAR影像变化检测模型
        2.3.1 差异图生成
        2.3.2 预分类
        2.3.3 样本选择
        2.3.4 CNN分类
    2.4 数据集介绍
    2.5 实验结果与分析
        2.5.1 参数测试
        2.5.2 红河数据集的实验结果
        2.5.3 渥太华数据集的实验结果
        2.5.4 黄河稻田数据集的实验结果
        2.5.5 黄河入海口数据集的实验结果
    2.6 本章小结
第三章 基于超像素差异表示学习的多光谱影像变化检测
    3.1 引言
    3.2 深度信念网络
    3.3 基于DBN的多光谱影像变化检测模型
        3.3.1 一致性图像分割
        3.3.2 超像素变化信息提取
        3.3.3 预分类与样本选择
        3.3.4 差异表示学习
    3.4 数据集介绍
    3.5 实验结果与分析
        3.5.1 参数测试
        3.5.2 明丰湖数据集的实验结果
        3.5.3 红旗渠数据集的实验结果
        3.5.4 堰渡村数据集的实验结果
        3.5.5 敏感性分析
    3.6 本章小结
第四章 基于多尺度空谱特征联合学习的同源影像变化检测
    4.1 引言
    4.2 全卷积网络
    4.3 基于多尺度空谱特征联合学习的变化检测模型
        4.3.1 图像预处理
        4.3.2 深度特征提取
        4.3.3 不确定性分析
        4.3.4 多尺度差异表示学习
    4.4 数据集介绍
    4.5 实验结果与分析
        4.5.1 参数测试
        4.5.2 多光谱影像的实验结果
        4.5.3 光学RGB影像的实验结果
        4.5.4 SAR影像的实验结果
        4.5.5 尺度敏感性分析
    4.6 本章小结
第五章 基于对数变换特征学习的异源影像变化检测
    5.1 引言
    5.2 深度自编码器
    5.3 基于对数变换特征学习的异源影像变化检测模型
        5.3.1 图像变换
        5.3.2 联合特征提取
        5.3.3 变化分析
    5.4 数据集介绍
    5.5 实验结果与分析
        5.5.1 参数测试
        5.5.2 黄河数据集的实验结果
        5.5.3 曙光村数据集的实验结果
        5.5.4 武汉数据集的实验结果
    5.6 本章小结
第六章 基于迭代特征映射网络的多类变化检测
    6.1 引言
    6.2 变化检测问题分类
    6.3 迭代特征映射网络
        6.3.1 特征提取
        6.3.2 网络构建
        6.3.3 优化方法
        6.3.4 分层聚类分析
    6.4 数据集介绍
    6.5 实验结果与分析
        6.5.1 参数测试
        6.5.2 异源影像的实验结果
        6.5.3 同源影像的实验结果
    6.6 本章小结
第七章 总结与展望
    7.1 研究内容总结
    7.2 未来工作展望
参考文献
致谢
作者简介



本文编号：3536281