【摘要】：隨著我國衛(wèi)星遙感技術的不斷發(fā)展和高分系列衛(wèi)星的相繼發(fā)射,急劇增長的多時相遙感數(shù)據(jù)為海岸帶連續(xù)監(jiān)測提供數(shù)據(jù)支持。一方面長時間序列衛(wèi)星遙感數(shù)據(jù)記錄了地物變化的過程,反映了其時空的變化規(guī)律,現(xiàn)有多時相變化檢測方法已經難以滿足衛(wèi)星應用處理需求;另一方面“連續(xù)”的海岸帶變化類型分析研究不足,且很少考慮時間維的信息。本文利用當前新型的高分遙感監(jiān)測技術手段,研究能夠有效利用多時相上下文信息的遙感圖像變化檢測和分類方法,實現(xiàn)對海岸帶的動態(tài)監(jiān)測。本文主要研究利用高分1號寬幅多時相遙感圖像監(jiān)測海岸帶變化,監(jiān)測的主要手段包括變化檢測和多時相分類研究內容包括以下三個方面:首先,針對目前時序軌跡分析變化檢測方法需要預先假設變化的模型和求模型的參數(shù),研究無監(jiān)督的多時相的變化檢測方法。提出了無監(jiān)督的慢特征分析網絡,能夠挖掘動態(tài)變化輸入的抽象特征表示,在學習得到的慢特征上利用自動閾值分割檢測變化,該方法對光照,大氣等影響不敏感。實驗將提出的方法和幾種經典的變化檢測方法進行了比較,結果表明本文提出慢特征網絡綜合來看有更好的表現(xiàn),并能夠有效的提高特征的可分性。然后,為進一步確定變化的類型,需要對多時相圖像分類,針對多時相遙感圖像標簽獲取困難,標簽樣本個數(shù)少,海岸帶地物類型復雜,研究利用多核支持向量機分類海岸帶地物。支持向量機因其能夠處理小樣本,分類效果好,被廣泛應用,然而一般的單核支持向量機方法在處理復雜多類問題上存在不足,不同核在處理的數(shù)據(jù)類型上的優(yōu)勢不同,多核學習方法將不同的核函數(shù)有效的結合起來,有更好的泛化能力。實驗比較了多核支持向量和單核的支持向量機分類方法,并對比了在原始特征和提取的慢特征上的分類效果,結果表明多核支持向量機和提取的慢特征能提高分類表現(xiàn)。最后,針對多核支持向量機等傳統(tǒng)的統(tǒng)計分類方法將每個時相的遙感圖像看成獨立個體,忽略了時間維信息的問題,研究能夠利用多時相上下文信息的時序分類模型鑒別地物變化。LSTM具有“記憶”功能,能夠利用歷史的信息進行預測和分類,本文在提取的慢特征上,利用LSTM類型識別網絡分類多時相遙感圖像,分析海岸帶變化情況。對比了該方法和多核支持向量機,并分析了時相個數(shù)對LSTM識別效果的影響,實驗結果表明在小樣本時支持向量機更有優(yōu)勢,隨樣本數(shù)增加,LSTM識別效果更好,另外增加時相個數(shù)對LSTM的識別有著積極的影響。
【圖文】：

圖 1-1 高分 1 號衛(wèi)星發(fā)射和飛行狀態(tài)示意圖究的目的和意義直處于劇烈的動態(tài)變化中，尤其是經濟發(fā)展，人擴張、填海造地、漁業(yè)養(yǎng)殖、鹽田建設等人類活因此成為研究全球變化的重要區(qū)域。利用當前新，強化現(xiàn)有智慧海洋中基于遙感的數(shù)字化海洋的和多時相分類技術，可以實現(xiàn)海岸帶的變化監(jiān)測帶土地利用狀態(tài)評估，從而更合理規(guī)劃和開發(fā)海寬幅(Gao Fen 1 Wide Field of View，GF1WFV)數(shù)度寬，為大面積的海岸帶連續(xù)監(jiān)測提供可能。一的多時相遙感圖像的增多提供了更豐富的信息，給數(shù)據(jù)處理提出了重大挑戰(zhàn)。如何同時處理多個分利用時相相關性是一個難點。用 GF1WFV 數(shù)據(jù)時間和空間分辨率較高的特點

圖 2-4 可分性示意圖正；，, ,=i j j id d ；| )= ( | )i j c p x c 時， =0，也就是說一個分布；計獨立的特征1 2, ,...,px x x ，，有 ( | )= Ni p p x c p,( )i j p x，因而散度隨特征數(shù)的增加而增加或互獨立并且滿足高斯分布，因此散度的計算1 1,1 11= {( )( )}21{( )( )( ) }2i j i j i jTi j i j i jd tr C C C Ctr C C m m m m 第 i 類的方差和均值向量。
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP751

【參考文獻】

相關博士學位論文 前1條

1 張路;基于多元統(tǒng)計分析的遙感影像變化檢測方法研究[D];武漢大學;2004年

相關碩士學位論文 前1條

1 王宏;基于多分辨率多核學習的高光譜圖像分類方法研究[D];哈爾濱工業(yè)大學;2014年

本文編號：2706924