基于深度学习的高分辨率遥感影像变化检测

论文摘要

遥感影像变化检测是指对相同范围不同时相的遥感影像进行对比分析,提取出影像上地物类别发生变化的像素。传统的遥感影像变化检测方法主要有分类后比较法、影像代数法、变化向量分析法及基于形状特征的变化检测方法等。虽然这些传统的变化检测方法已经在自然灾害预警监测、耕地保护监测、土地利用动态分析、国土资源保护与监测、社会发展分析等领域进行了广泛的应用,但是却普遍存在影像预处理环节要求严格、部分环节需要人工干预,难以实现自动化、难以处理多源影像数据等缺点。深度学习算法具有极强的学习能力,能够拟合复杂的映射关系,解决复杂的任务场景。因而,本文将深度学习算法引入遥感领域,利用深度神经网络强大的特征学习能力来解决复杂的遥感影像变化检测问题。本文主要进行了以下几方面的工作:(1)首先针对传统的空间屏蔽滤波算法在影像受到的噪声污染较为严重时存在噪声滤除不尽的问题,提出一种迭代空间屏蔽滤波算法。该算法通过对含噪影像进行多次空间屏蔽滤波将噪声最大程度滤除。并针对随迭代次数增加而产生的对有用信息的过度滤除现象,进而提出以最小二乘准则作为迭代终止条件实现最佳迭代次数。并通过实验验证,与传统的空间屏蔽滤波算法相比,迭代空间屏蔽滤波算法能够实现对噪声更加彻底的滤除,并且基于最小二乘准则可以使该算法终止于最佳迭代次数,避免过度滤除现象的产生。(2)为了验证深度学习算法应用于遥感影像变化检测的可行性及相较传统变化检测方法的优越性,创新性的将深度学习图像语义分割思想应用于遥感影像变化检测,构建全卷积神经网络遥感影像变化检测模型并与传统变化向量分析法构造差异图后阈值分割提取变化区域的方法进行对比实验分析。实验结果表明,基于深度学习的遥感影像变化检测方法在影像预处理精度要求、智能识别伪变化、发现弱变化区域以及变化检测图的整体精度等方面均优于传统方法。(3)在验证完基于深度学习的遥感影像变化检测方法相比于传统方法拥有巨大的优势之后,本文接下来着手于构建学习能力更加强大的深度神经网络模型来提升变化检测精度。引入在特征图上采样策略及上下文特征融合策略方面相比全卷积神经网络均有巨大改进的U型神经网络,并针对变化检测大影像预测任务对U型神经网络进行改进,加速其训练速度。设计并构建U型神经网络遥感影像变化检测模型,设计对比实验验证U型神经网络变化检测模型相比全卷积神经网络变化检测模型在变化检测图的各项精度评价指标以及变化区域的边缘分割精度方面相较于全卷积神经网络遥感影像变化检测模型均有明显提高。(4)基于神经网络深度越深特征提取能力越强的理论基础对U型神经网络遥感影像变化检测模型进行加深,同时考虑到深层神经网络模型退化问题,引入残差学习单元,设计并构建深度残差U型神经网络变化检测模型。并设计对比试验验证了深度残差UNet网络模型的残差学习结构使其在网络层数加深的同时有效的避免了模型退化问题,能够有效的提取到原始输入更高级、更复杂的特征,使得变化检测效果相比U型神经网络遥感影像变化检测模型得到了更近进一步的提升。

论文目录

文章来源

类型: 硕士论文

作者: 杨彬

导师: 张书毕

关键词: 遥感影像,变化检测,人工神经网络,深度学习

来源: 中国矿业大学

年度: 2019

分类: 基础科学

专业: 自然地理学和测绘学

单位: 中国矿业大学

分类号: P237

总页数: 95

文件大小: 4483K

下载量: 732

相关论文文献

• [1].一种面向地理国情监测的地表覆盖变化检测与更新方法[J]. 测绘地理信息 2020(03)
• [2].多时相遥感影像变化检测方法综述[J]. 武汉大学学报(信息科学版) 2018(12)
• [3].森林变化检测方法比较[J]. 四川林业科技 2018(03)
• [4].增强型形态学建筑指数的建筑物变化检测[J]. 测绘科学 2017(05)
• [5].SAR图像变化检测技术方法综述[J]. 地壳构造与地壳应力文集 2016(01)
• [6].遥感影像变化检测方法对比[J]. 地壳构造与地壳应力文集 2016(02)
• [7].基于分类变化检测方法的地表覆盖影像特征数据更新处理研究[J]. 测绘与空间地理信息 2020(11)
• [8].一种结合NDVI与图像变换的林地变化检测方法[J]. 江苏科技信息 2020(13)
• [9].高分遥感影像与矢量数据结合的变化检测方法[J]. 经纬天地 2020(04)
• [10].基于国产卫星影像的协同分割变化检测[J]. 北京建筑大学学报 2018(04)
• [11].变化检测技术在震害信息提取中的应用[J]. 地理空间信息 2014(02)
• [12].基于图像分割的城市变化检测[J]. 地球信息科学 2008(01)
• [13].基于深度置信网络与数学形态学融合的遥感影像建筑物变化检测[J]. 科学技术与工程 2020(08)
• [14].多时相极化SAR影像变化检测方法研究[J]. 测绘学报 2019(04)
• [15].多极化星载SAR森林覆盖变化检测方法[J]. 林业科学 2019(05)
• [16].半监督离散势理论在遥感影像变化检测中的应用[J]. 测绘通报 2019(08)
• [17].面向地表覆盖变化检测的服务关系模型与方法研究[J]. 测绘学报 2018(09)
• [18].地块破碎度对软硬变化检测法识别冬小麦分布精度的影响[J]. 农业工程学报 2016(10)
• [19].基于多尺度分割方法的地理国情变化检测研究[J]. 科技创新导报 2016(20)
• [20].聚类分析观点下的分散式最快变化检测[J]. 南京理工大学学报 2014(02)
• [21].基于巴氏距离的视频流场景变化检测(英文)[J]. 重庆邮电大学学报(自然科学版) 2009(01)
• [22].顾及空间自相关性的高分遥感影像中建设用地的变化检测[J]. 自然资源学报 2020(04)
• [23].基于主成分变换的遥感影像变化检测[J]. 四川建材 2014(06)
• [24].四种基于像元的地表覆盖变化检测方法比较[J]. 测绘科学 2015(01)
• [25].基于主动学习的油气管道沿线地物变化检测[J]. 科学技术与工程 2020(20)
• [26].基于支持向量机分类的耕地变化检测[J]. 中国信息化 2019(04)
• [27].一种面向变化检测的建筑物指数[J]. 测绘通报 2018(08)
• [28].历史解译知识引导下组合遥感图谱特征的变化检测方法[J]. 地球信息科学学报 2016(05)
• [29].遥感变化检测技术及其在震害信息提取中的应用[J]. 地壳构造与地壳应力文集 2012(00)
• [30].结合形态学属性断面与支持向量机的合成孔径雷达图像变化检测[J]. 光学精密工程 2014(10)

标签：遥感影像论文;  变化检测论文;  人工神经网络论文;  深度学习论文;