基于深度学习的遥感影像变化检测方法研究

基于深度学习的遥感影像变化检测方法研究

论文摘要

随着航天航空技术以及电子信息技术深入发展,遥感技术突破了数据获取的瓶颈,已走向全面应用的新阶段。基于遥感影像的变化检测是研究全球地表变化的主要方法,变化检测在土地资源管理、农林监测、自然灾害监测与评价等方面有着重要的应用。面对日益增加的遥感数据,我们积累了海量地表随时间变化的数据,对这些遥感数据充分处理和利用,找到其中感兴趣的信息,从而得到感兴趣地物类型的变化或者内部状态的变化,但是由于遥感影像变化检测是一个复杂的综合处理过程,对不同时期拍摄用于变化检测的遥感图像由于受到季节变化、卫星传感器、太阳高度和大气条件的影响降低了变化检测输出的可实现精度,遥感变化检测技术的自动化程度和准确性都需要进一步提高与完善。近年来,深度学习算法在人工智能领域兴起。遥感数据本质上具有海量、多样、多维等特点,深度学习处理遥感数据有天然的优势,能够自动、多层次地提取复杂对象的抽象特征,从海量数据里学习和发现影像中地物目标的高层语义特征,大幅度提高遥感影像解译的精度,深度学习方法目前已经在图像识别领域广泛应用,同样该理论也应该能够应用到遥感影像变化检测领域,因此我们迫切需要开展基于深度学习的遥感影像变化检测的方法研究,这不仅可以大大提高遥感影像变化检测精度,同时也为实现当前高效快速、自动化变化检测的应用需求,开辟了一个新的自动化、智能化的处理方法。本文主要针对双时相光学遥感影像变化检测问题,提出按照检测对象的不同,将基于深度学习的遥感影像变化检测分为面向像元、面向对象、面向区域三类方法开展研究,主要工作包括以下几个方面:(1)提出了面向像元的循环神经网络遥感影像变化检测方法。面向像元的方法是经典的方法,它数学模型简单、速度快,在处理中低空间分辨率遥感影像时具有优势。本文结合循环神经网络模型适合处理时间序列数据的特点,提出了三种不同的输入方式和六种不同循环神经网络的面向像元的循环神经网络遥感影像变化检测模型,并通过实验比较分析它们对变化检测精度的影响,其中本文提出的基于邻域的结合卷积神经网络特征提取的循环神经网络变化检测模型相比其他单一深度学习模型能显著提高变化检测精度。(2)提出了基于深度学习的面向对象高分辨率遥感影像变化检测方法。对于高分辨率遥感影像,面向对象的变化检测方法是传统成熟的方法,本文将深度学习的方法与传统面向对象的方法相结合,提出了两种面向对象的深度学习遥感影像变化检测方法:一种是面向对象特征和堆栈自编码器的变化检测方法,我们提出了三种堆栈自编码器模型,并通过实验讨论他们的模型结构对变化检测精度的影响;另一种是基于原始对象和卷积神经网络的变化检测方法,我们提出了有掩膜和无掩膜两种对象处理方式,并设计基于单通道的卷积神经网络和基于孪生卷积神经网络两种检测方式,然后通过实验比较在几种常见的卷积神经网络模型下,他们对变化检测精度的影响,其中本文提出的将孪生卷积神经网络与面向对象的方法相结合的方法,可以在卷积神经网络模型结构较简单的条件下,获得较高的遥感影像变化检测精度。(3)提出了面向区域的卷积神经网络高分辨率遥感影像变化检测方法。在自然图像目标检测中,基于卷积神经网络检测方法已经广泛应用于复杂场景中快速提取和识别目标,本文把遥感影像上的“变化”看作待检测目标,直接从一定大小的“影像区域”中检测发生变化的部分,提出了基于Faster-RCNN和MaskRCNN两种高分辨率遥感影像变化检测模型,并在此基础上分别提出两种检测方式:一种是双时相影像合并之后再检测,另一种是双时相影像差值之后再检测。通过实验分析比较得到我们设计的面向区域的卷积神经网络高分辨率遥感影像变化检测模型相比其他深度学习的方法有更高检测精度,其中基于Mask-RCNN的变化检测方法效果最好,另外不论是基于Faster-RCNN还是Mask-RCNN模型,双时相影像差值之后再检测的精度更高,这说明在深度学习模型里传统的差值法也有助于提升变化检测精度。(4)设计并实现了一个基于深度学习的遥感影像变化检测系统原型。通过该系统,可以方便的进行基于深度学习的遥感影像变化检测方法实验,同时为后续遥感影像变化检测在相关领域的实际应用提供系统原型。

论文目录

  • 中文摘要
  • ABSTRACT
  • 1 绪论
  •   1.1 论文选题背景和意义
  •   1.2 国内外研究现状和发展趋势
  •   1.3 本论文研究内容
  •   1.4 本论文结构
  • 2 深度学习基本理论
  •   2.1 深度学习介绍
  •     2.1.1 基本概念
  •     2.1.2 模型
  •     2.1.3 损失函数
  •     2.1.4 优化算法
  •     2.1.5 常用的深度学习框架和公开数据集
  •   2.2 神经网络模型
  •     2.2.1 人工神经元
  •     2.2.2 常用激活函数
  •     2.2.3 反向传播算法
  •     2.2.4 多层感知器
  •     2.2.5 卷积神经网络
  •     2.2.6 循环神经网络
  •   2.3 本章小结
  • 3 面向像元的循环神经网络遥感影像变化检测
  •   3.1 循环神经网络模型及其变体
  •     3.1.1 循环神经网络
  •     3.1.2 长短期记忆网络
  •     3.1.3 门限循环网络
  •     3.1.4 双向循环网络
  •   3.2 面向像元的循环神经网络遥感影像变化检测模型设计
  •     3.2.1 面向单像元的循环神经网络遥感影像变化检测模型
  •     3.2.2 面向像元邻域的循环神经网络遥感影像变化检测模型
  •     3.2.3 结合CNN的循环神经网络遥感影像变化检测模型
  •   3.3 实验与分析
  •     3.3.1 实验数据准备
  •     3.3.2 精度评价方法
  •     3.3.3面向像元的循环神经网络遥感影像变化检测实验
  •     3.3.4与其他面向像元的遥感影像变化检测方法的对比实验
  •   3.4 本章小结
  • 4 基于深度学习的面向对象高分辨率遥感影像变化检测
  •   4.1 面向对象高分辨遥感影像变化检测
  •     4.1.1 面向对象高分辨遥感影像变化检测方法
  •     4.1.2 影像分割
  •     4.1.3 特征提取
  •   4.2 基于栈式自动编码器的面向对象变化检测
  •     4.2.1 自动编码器理论模型
  •     4.2.2 栈式自动编码器理论模型
  •     4.2.3 基于栈式自动编码器的面向对象变化检测模型设计
  •   4.3 基于卷积神经网络的面向对象变化检测
  •     4.3.1 分割对象处理
  •     4.3.2 孪生网络理论模型
  •     4.3.3 基于卷积神经网络的面向对象变化检测模型设计
  •   4.4 实验与分析
  •     4.4.1 实验数据准备
  •     4.4.2基于栈式自动编码器的面向对象变化检测实验
  •     4.4.3基于卷积神经网络的面向对象变化检测实验
  •     4.4.4 精度评定与结果分析
  •   4.5 本章小结
  • 5 面向区域的卷积神经网络高分辨率遥感影像变化检测
  •   5.1 面向区域卷积神经网络的图像目标检测方法
  •     5.1.1 卷积神经网络与图像目标检测
  •     5.1.2 Faster-RCNN模型
  •     5.1.3 Mask-RCNN模型
  •     5.1.4 FPN模型
  •     5.1.5 影像区域处理
  •   5.2 基于Faster-RCNN高分辨率遥感影像变化检测
  •     5.2.1 实验数据准备
  •     5.2.2 基于Faster-RCNN的变化检测模型
  •     5.2.3 实验与结果分析
  •   5.3 基于Mask-RCNN的高分辨率遥感影像变化检测
  •     5.3.1 实验数据准备
  •     5.3.2 模型设计及训练过程
  •     5.3.3 实验与结果分析
  •   5.4 本章小结
  • 6 基于深度学习的遥感影像变化检测系统原型设计与开发
  •   6.1 系统总体设计
  •     6.1.1 系统设计目标
  •     6.1.2 系统流程设计
  •     6.1.3 系统开发软硬件环境
  •   6.2 系统功能设计与实现
  •     6.2.1 空间数据基本操作模块设计
  •     6.2.2 样本管理模块设计
  •     6.2.3 深度学习模型管理模块设计
  •     6.2.4 变化检测模块设计
  •   6.3 本章小结
  • 7 总结与展望
  •   7.1 总结
  •   7.2 研究展望
  • 参考文献
  • 附录
  • 致谢
  • 文章来源

    类型: 博士论文

    作者: 王庆

    导师: 张晓东

    关键词: 变化检测,深度学习,循环神经网络,自动编码器,卷积神经网络,目标检测

    来源: 武汉大学

    年度: 2019

    分类: 基础科学

    专业: 自然地理学和测绘学

    单位: 武汉大学

    分类号: P237

    总页数: 131

    文件大小: 6800K

    下载量: 421

    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:;  ;  ;  ;  ;  ;  

    基于深度学习的遥感影像变化检测方法研究
    下载Doc文档

    猜你喜欢