發(fā)布時間：2018-03-05 10:16

  本文選題：深度神經網絡　切入點：遙感圖像　出處：《南京理工大學》2017年碩士論文　論文類型：學位論文

【摘要】：變化檢測是指對同一地區(qū)不同時相影像的地表變化信息進行監(jiān)測,可以定性或定量地分析地表的變化特征和過程。檢測出不同時相的遙感圖像之間變化的區(qū)域是一項挑戰(zhàn)性的技術,傳統(tǒng)的方法中檢測流程較繁瑣,如需要配準、輻射校正等預處理過程,構造差異圖,分析差異圖等。深度神經網絡的多層的非線性映射使其具備了擬合逼近任意函數形式的能力,因此能構造出復雜的分類面,高質量地完成模式分類識別任務。本文研究利用深度網絡解決遙感圖像變化檢測問題,相對傳統(tǒng)方法實現(xiàn)了流程的簡化,變化檢測精度的提升。本文主要包括以下三個方面的工作:(1)提出了一種基于深度神經網絡的遙感圖變化檢測問題中的差異圖構造方法。該方法使用了兩個深度置信網分別接受兩幅待檢測變化的遙感圖的輸入,由兩深度置信網的輸出構造差異圖,根據變化檢測問題的需要,設計了雙向BP調優(yōu)算法用于對深度置信網進行訓練,增加構造出的差異圖中變化區(qū)域與不變區(qū)域的分離度。比傳統(tǒng)的方法相比,提出的方法免去輻射校正預處理過程,差異圖的質量顯著提升。(2)設計了一種組合神經網絡分類器,并推導給出了它的訓練算法。兩個獨立的深度置信網連接Logistic Regression分類器構成組合神經網絡,組合神經網絡完成由兩遙感圖像像素值到變或不變類別的完整映射,將傳統(tǒng)的方法中的繁瑣流程如輻射校正,構造差異圖,分析差異圖等統(tǒng)一地納入組合神經網絡之中,方法具有顯著的簡潔性,且具有較高精度的變化檢測結果。組合神經網絡方法與一種已提出的用于遙感圖像變化檢測問題的單深度置信網模型相比,更適合于遙感圖像變化檢測問題,分類正確率更高,能得到噪聲點更少的變化檢測結果。(3)研究了使用深度置信網分析差異圖方法。設計了兩種差異圖分析方法,深度置信網對差異圖進行特征提取而后在特征空間中進行聚類,稱為DBN-kmeans方法,對DBN進行有監(jiān)督訓練,實現(xiàn)對差異圖中像元點進行變化或不變的二分類方法稱為DBN分析法。與主成分聚類分析方法相比,在一些數據集上,基于深度置信網方法的結果能勾勒更正確的局部輪廓,變化檢測結果的質量有所提升。
[Abstract]:Change detection refers to the monitoring of surface change information in different images of the same area. It is a challenging technique to detect the regions of variation between remote sensing images in different phases, and the traditional methods are more complicated, such as registration. Radiation correction and other preprocessing processes, such as constructing difference map, analyzing difference map, etc. The multi-layer nonlinear mapping of depth neural network has the ability to fit and approximate any function form, so it can construct complex classification surface. The task of pattern classification and recognition is accomplished with high quality. In this paper, the problem of remote sensing image change detection is solved by using depth network, and compared with the traditional method, the flow chart is simplified. This paper mainly includes the following three aspects: 1) this paper presents a method of constructing difference map in remote sensing image change detection problem based on depth neural network. Two depth sets are used in this method. The network receives input from two remote sensing images to be detected, According to the need of change detection problem, a bidirectional BP optimization algorithm is designed to train the depth confidence net by constructing the difference map from the output of the two depth confidence nets. Compared with the traditional method, the proposed method eliminates the process of radiation correction preprocessing, and the quality of the difference map is significantly improved. (2) A combined neural network classifier is designed. Its training algorithm is derived and given. Two independent depth confidence nets are connected with Logistic Regression classifiers to form a combined neural network. The combined neural network completes the complete mapping from pixel values of two remote sensing images to variable or invariant categories. The traditional methods, such as radiation correction, construction of difference maps and analysis of difference maps, are brought into the combinational neural network in a unified way. Compared with the proposed single depth confidence net model for remote sensing image change detection, the combined neural network method is more suitable for remote sensing image change detection, and the classification accuracy is higher. The method of using depth confidence net to analyze the difference map is studied. Two different map analysis methods are designed. The depth confidence net extracts the feature of the difference map and clusters it in the feature space. The two classification method called DBN-kmeans method, which can train DBN supervised and realize the change or invariance of pixel points in the difference graph, is called DBN analysis method. Compared with principal component clustering analysis method, on some data sets, The results based on the depth confidence net method can outline more accurate local contours and improve the quality of the change detection results.
【學位授予單位】：南京理工大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP751;TP183

【相似文獻】

相關期刊論文 前10條

1 宋翠玉;李培軍;楊鋒杰;;運用多尺度圖像紋理進行城市擴展變化檢測[J];國土資源遙感;2006年03期

2 方針,張劍清,張祖勛;基于城區(qū)航空影像的變化檢測[J];武漢測繪科技大學學報;1997年03期

3 徐宏根;宋妍;;顧及陰影信息的高分辨率遙感圖像變化檢測方法[J];國土資源遙感;2013年04期

4 倪林,冷洪超;機場區(qū)域變化檢測研究[J];遙感技術與應用;2002年04期

5 李小春,陳鯨;一種變化檢測的新算法[J];宇航學報;2005年03期

6 唐德可,付琨,王宏琦;基于光譜和空域信息的城區(qū)變化檢測方法研究[J];測繪科學;2005年06期

7 鐘家強;王潤生;;一種基于線特征的道路網變化檢測算法[J];遙感學報;2007年01期

8 吳華;常艷玲;沙瑞;;基于Laplacian Eigenmap的圖像變化檢測虛警優(yōu)化技術[J];計算機工程與應用;2007年32期

9 霍春雷;程健;盧漢清;周志鑫;;基于多尺度融合的對象級變化檢測新方法[J];自動化學報;2008年03期

10 李雪;舒寧;王琰;;利用向量相似性進行基于像斑的土地利用變化檢測[J];遙感信息;2009年06期

相關會議論文 前10條

1 尤紅建;詹芊芊;;尺度優(yōu)化的星載SAR圖像變化檢測[A];中國測繪學會第九次全國會員代表大會暨學會成立50周年紀念大會論文集[C];2009年

2 劉元波;;環(huán)境遙感變化探測研究中的若干問題：輻射校正方法與變化檢測算法及其理論關系[A];中國地理學會2007年學術年會論文摘要集[C];2007年

3 邢帥;徐青;;高分辨率衛(wèi)星遙感影像變化檢測技術的研究[A];第十三屆全國圖象圖形學學術會議論文集[C];2006年

4 霍春雷;程健;周志鑫;盧漢清;;基于尺度傳播的多尺度變化檢測新方法[A];第十四屆全國圖象圖形學學術會議論文集[C];2008年

5 張蔚然;韓萍;;基于去取向理論的極化SAR變化檢測[A];第二十五屆中國（天津）2011’IT、網絡、信息技術、電子、儀器儀表創(chuàng)新學術會議論文集[C];2011年

6 胡艷;李勝;何宗;羅靈軍;李靜;;水體變化檢測在重慶市干旱遙感監(jiān)測中的應用[A];重慶市測繪學會第三屆優(yōu)秀論文評選獲獎論文暨2005-2006年度學術交流會論文選編[C];2008年

7 張鐵軍;;年度土地利用變更調查中遙感監(jiān)測圖斑提取方法淺析[A];福建省土地學會2012年年會論文集[C];2012年

8 柳思聰;杜培軍;;基于形態(tài)學濾波的多時相遙感影像變化檢測方法研究[A];第十七屆中國遙感大會摘要集[C];2010年

9 劉志剛;李夕海;錢昌松;;遙感圖像變化檢測問題淺析[A];陜西地球物理文集（五）國家安全與軍事地球物理研究[C];2005年

10 劉翔;李萬茂;高連如;陶發(fā)達;倪金生;;基于遙感圖像變化檢測的投資項目搜索技術研究[A];中國遙感應用協(xié)會2010年會暨區(qū)域遙感發(fā)展與產業(yè)高層論壇論文集[C];2010年

相關博士學位論文 前10條

1 郝明;基于空間信息準確性增強的遙感影像變化檢測方法研究[D];中國礦業(yè)大學;2015年

2 王凌霞;基于多尺度分析和自然進化優(yōu)化的遙感圖像配準與變化檢測[D];西安電子科技大學;2015年

3 劉趕超;基于雙噪聲相似性模型的SAR圖像變化檢測[D];西安電子科技大學;2016年

4 呂志勇;顧及影像空間特征的地表覆蓋變化檢測方法研究[D];武漢大學;2014年

5 陸苗;面向地表覆蓋數據更新的變化檢測方法研究[D];武漢大學;2014年

6 徐金燕;全極化星載SAR影像輻射校正與城區(qū)變化檢測[D];武漢大學;2014年

7 武辰;遙感影像多層次信息變化檢測研究[D];武漢大學;2015年

8 李向軍;遙感土地利用變化檢測方法探討[D];中國科學院研究生院（遙感應用研究所）;2006年

9 鄧小煉;基于變化矢量分析的土地利用變化檢測方法研究[D];中國科學院研究生院（遙感應用研究所）;2006年

10 李雪;基于像斑信息挖掘的土地利用變化檢測方法研究[D];武漢大學;2010年

相關碩士學位論文 前10條

1 張家琦;遙感影像變化檢測方法及應用研究[D];中國地質大學(北京);2015年

2 李玲玲;基于NSCT和NSST的圖像變化檢測算法研究及應用[D];新疆大學;2015年

3 胡雪梅;基于MST的遙感圖像變化檢測研究[D];新疆大學;2015年

4 楊國棟;基于分布式并行聚類的SAR圖像變化檢測算法研究[D];西安電子科技大學;2014年

5 王橋;基于多目標模糊聚類的SAR圖像變化檢測[D];西安電子科技大學;2014年

6 張文婷;基于自適應權值差異圖融合和聚類的SAR圖像變化檢測方法研究[D];西安電子科技大學;2014年

7 任新營;基于OpenCL的并行SAR圖像變化檢測[D];西安電子科技大學;2014年

8 宮金杞;面向地理國情監(jiān)測的地表覆蓋變化檢測方法研究及系統(tǒng)實現(xiàn)[D];山東農業(yè)大學;2015年

9 趙姣姣;基于無監(jiān)督方法的SAR圖像變化檢測[D];西安電子科技大學;2014年

10 李曉婷;基于信息融合與勻質區(qū)域提取的SAR圖像變化檢測[D];西安電子科技大學;2014年

，

本文編號：1569819