發(fā)布時(shí)間：2018-01-07 09:08

  本文關(guān)鍵詞：基于無(wú)監(jiān)督方法的SAR圖像變化檢測(cè)　出處：《西安電子科技大學(xué)》2014年碩士論文　論文類(lèi)型：學(xué)位論文

  更多相關(guān)文章： 變化檢測(cè) SAR圖像 無(wú)監(jiān)督 深度學(xué)習(xí) 小波分解 KI閾值

【摘要】：合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)技術(shù)具有高分辨率、全天時(shí)、全天候工作的特點(diǎn),被廣泛地應(yīng)用于科學(xué)研究、工農(nóng)業(yè)生產(chǎn)以及軍事等領(lǐng)域。目前隨著自然環(huán)境變化的加劇,城市也在迅速發(fā)展,各種自然災(zāi)害頻頻發(fā)生,圖像變化檢測(cè)技術(shù)也隨之快速崛起。無(wú)監(jiān)督方法對(duì)于解決大量的實(shí)際問(wèn)題具有重要的意義。本文對(duì)基于無(wú)監(jiān)督的SAR圖像變化檢測(cè)方法進(jìn)行研究,對(duì)已有的多種方法進(jìn)行改進(jìn),并提出自己的創(chuàng)新性算法,目前在該研究領(lǐng)域取得的研究成果如下:1.對(duì)無(wú)監(jiān)督特征學(xué)習(xí)方法進(jìn)行了研究。結(jié)合無(wú)監(jiān)督特征學(xué)習(xí)方法以及SAR圖像變化檢測(cè)問(wèn)題的特點(diǎn),提出了一種全新的基于深度學(xué)習(xí)的SAR圖像變化檢測(cè)方法。該學(xué)習(xí)算法主要包括無(wú)監(jiān)督的特征學(xué)習(xí)和有監(jiān)督的調(diào)整過(guò)程,無(wú)監(jiān)督的特征學(xué)習(xí)目的在于學(xué)習(xí)兩幅圖像之間的關(guān)系的表達(dá),有監(jiān)督的微調(diào)目的在于學(xué)習(xí)變化像素與未變化像素的概念。通過(guò)設(shè)計(jì)一個(gè)深度神經(jīng)網(wǎng)絡(luò)來(lái)檢測(cè)變化與未變化的部分。主要思路為使用深度神經(jīng)網(wǎng)絡(luò)直接作用于兩幅圖像以獲得最終變化檢測(cè)結(jié)果,從而省去了生成差異圖的過(guò)程,避免了差異圖結(jié)果對(duì)最終變化檢測(cè)結(jié)果的影響。算法在多組具有不同特點(diǎn)的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),均可以得到滿(mǎn)意的結(jié)果。2.對(duì)SAR圖像變化檢測(cè)問(wèn)題進(jìn)行分解研究。分別針對(duì)差異圖的構(gòu)造和差異圖分類(lèi)方法提出了改進(jìn)的策略。該部分主要是基于改進(jìn)的鄰域比操作和修正的KI閾值算法實(shí)現(xiàn)的。改進(jìn)的鄰域比操作主要是通過(guò)結(jié)合灰度信息和鄰域像素的空間信息產(chǎn)生差異圖。為了進(jìn)一步降低噪聲的影響,根據(jù)鄰域像素與中心像素的相似性關(guān)系,給每一個(gè)鄰域像素賦一個(gè)合理的閾值�；趶V義高斯假設(shè)的KI閾值算法主要是用來(lái)建模變化類(lèi)與未變化類(lèi)。實(shí)驗(yàn)結(jié)果表明,這兩種改進(jìn)方法的結(jié)合收到了良好的效果。3.對(duì)差異圖的分析進(jìn)行研究。使用多尺度的思想結(jié)合水平集分割算法解決SAR圖像變化檢測(cè)問(wèn)題。通過(guò)定義能量函數(shù)來(lái)區(qū)分差異圖的變化類(lèi)與未變化類(lèi)。根據(jù)水平集方法最小化能量函數(shù)尋找一個(gè)最優(yōu)輪廓來(lái)分隔圖像。為了獲得對(duì)噪聲更加魯棒的初始化輪廓,使用平穩(wěn)小波變換來(lái)產(chǎn)生多尺度的圖像。在低尺度下,噪聲和錯(cuò)誤邊緣將被減少,因此低尺度下的水平集演化對(duì)噪聲更加敏感,且避免閉合輪廓陷入局部最優(yōu)或錯(cuò)誤邊緣。低尺度上的結(jié)果將被作為更高尺度上水平集演化的初始化曲線。
[Abstract]:Synthetic Aperture radar (SAR) technology is widely used in scientific research due to its high resolution, all-weather and all-day work. Industrial and agricultural production as well as military and other fields. With the aggravation of natural environment changes, cities are also developing rapidly, a variety of natural disasters occur frequently. Image change detection technology is also rising rapidly. Unsupervised method is of great significance to solve a large number of practical problems. In this paper, the unsupervised SAR image change detection method is studied. The existing methods are improved and their own innovative algorithms are proposed. The research results in this field are as follows: 1. The unsupervised feature learning method is studied, which combines the unsupervised feature learning method and the characteristics of SAR image change detection problem. A new SAR image change detection method based on depth learning is proposed, which mainly includes unsupervised feature learning and supervised adjustment process. The purpose of unsupervised feature learning is to learn the expression of the relationship between two images. The purpose of supervised fine-tuning is to learn the concept of variable pixel and unchanged pixel. A depth neural network is designed to detect the changed and unchanged parts. The main idea is to use the depth neural network to act directly on the two parts. The image is used to obtain the final change detection result. Thus, the process of generating difference map is eliminated, and the influence of the result of difference map on the final change detection result is avoided. The algorithm is experimented on different sets of data sets with different characteristics. All of them can get satisfactory results. 2. Decomposing the problem of SAR image change detection. The improved strategy is put forward for the construction of difference map and the classification method of difference map respectively. This part is mainly based on the improved method. Neighborhood ratio operation and modified Ki threshold algorithm are implemented. The improved neighborhood ratio operation is mainly by combining gray information and neighborhood pixel spatial information to produce difference map. In order to further reduce the impact of noise. According to the similarity between neighborhood pixels and center pixels. Ki threshold algorithm based on generalized Gao Si hypothesis is mainly used to model change class and unchanged class. The experimental results show that. The combination of the two improved methods has a good effect. 3. The analysis of the difference map is studied. The multi-scale idea combined with the level set segmentation algorithm is used to solve the problem of SAR image change detection. The energy is defined. Based on the level set method to minimize the energy function to find an optimal contour to separate the image. In order to obtain more robust initialization contour for noise. Stationary wavelet transform is used to generate multi-scale image. At low scale, noise and error edge will be reduced, so the level set evolution at low scale is more sensitive to noise. The results on the lower scale will be regarded as the initialization curve of the evolution of the level set on a higher scale.
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類(lèi)號(hào)】：TN957.52

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馬云飛;李宏;;遙感變化檢測(cè)技術(shù)方法綜述[J];測(cè)繪與空間地理信息;2014年01期

2 曹森;潘耀忠;張錦水;喻秋艷;;土地覆蓋圖斑多時(shí)相遙感影像自動(dòng)配準(zhǔn)[J];測(cè)繪學(xué)報(bào);2014年03期

3 韓鵬鵬;黃進(jìn)良;王立輝;胡硯霞;王久玲;;長(zhǎng)汀縣土地覆被變化檢測(cè)及植被演替趨勢(shì)監(jiān)測(cè)[J];測(cè)繪科學(xué);2014年04期

4 李亮;舒寧;王凱;龔煈;;融合多特征的遙感影像變化檢測(cè)方法[J];測(cè)繪學(xué)報(bào);2014年09期

5 楊冀紅;郭蕾;孫家波;趙冬玲;史良樹(shù);戰(zhàn)鷹;張超;;利用SPOT-6影像提取新增建設(shè)用地的方法研究[J];地理信息世界;2014年04期

6 李莎;倪維平;嚴(yán)衛(wèi)東;吳俊政;張晗;;基于選權(quán)迭代估計(jì)與非監(jiān)督分類(lèi)的多光譜圖像變化檢測(cè)[J];國(guó)土資源遙感;2014年04期

7 宋小莎;;一種面向?qū)ο蟮幕伦兓瘷z測(cè)方法[J];地理空間信息;2015年04期

8 張一晨;賈振紅;覃錫忠;楊杰;Nikola Kasabov;;基于NSCT域圖像融合改進(jìn)算法的SAR圖像無(wú)監(jiān)督變化檢測(cè)[J];光電子·激光;2015年10期

9 彭博;楊丹;;沈陽(yáng)市城市熱島效應(yīng)研究[J];價(jià)值工程;2014年01期

10 鞠明明;汪閩;張東;謝偉軍;崔丹丹;呂林;朱瑞;;基于面向?qū)ο髨D像分析技術(shù)的圍填海用海工程遙感監(jiān)測(cè)[J];海洋通報(bào);2013年06期

相關(guān)博士學(xué)位論文 前8條

1 顏學(xué)穎;SAR圖像相干斑抑制和分割方法研究[D];西安電子科技大學(xué);2013年

2 崔曉臨;秦嶺地區(qū)土地利用/覆被變化及水熱環(huán)境響應(yīng)[D];西北大學(xué);2013年

3 李亞麗;城市建設(shè)用地?cái)U(kuò)展及其碳排放研究[D];河南大學(xué);2013年

4 王廣學(xué);UWB SAR葉簇隱蔽目標(biāo)變化檢測(cè)技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2012年

5 熊博蒞;SAR圖像配準(zhǔn)及變化檢測(cè)技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2012年

6 張扣強(qiáng);大區(qū)域居住用地信息特征遙感影像提取方法研究[D];中國(guó)地質(zhì)大學(xué)（北京）;2013年

7 董錫超;面向熱帶雨林的多維度SAR毀林檢測(cè)技術(shù)研究[D];北京理工大學(xué);2014年

8 陳寅;多時(shí)相遙感圖像變化檢測(cè)技術(shù)研究[D];華中科技大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 陸明媚;遙感圖像變化檢測(cè)新方法研究[D];西安電子科技大學(xué);2013年

2 梁方;多尺度圖像變換檢測(cè)算法研究與實(shí)現(xiàn)[D];長(zhǎng)沙理工大學(xué);2013年

3 馬靜林;基于字典及稀疏表示的遙感圖像變化檢測(cè)方法研究[D];西安電子科技大學(xué);2013年

4 余田田;基于圖和稀疏表示的遙感圖像變化檢測(cè)方法[D];西安電子科技大學(xué);2013年

5 陳默;基于輪廓波變換和非局部均值的SAR圖像變化檢測(cè)[D];西安電子科技大學(xué);2013年

6 王孝梅;基于差異圖融合的變化檢測(cè)研究[D];西安電子科技大學(xué);2013年

7 賈彩杰;基于模糊聚類(lèi)算法的遙感圖像變化檢測(cè)的研究[D];西安電子科技大學(xué);2013年

8 孫一博;基于光譜反射率變化分析的多光譜遙感圖像變化檢測(cè)研究[D];西安電子科技大學(xué);2013年

9 熊禮平;SAR圖像的變化檢測(cè)及毀傷分析應(yīng)用[D];西安電子科技大學(xué);2013年

10 胡恒智;基于MODIS的長(zhǎng)三角地表溫度時(shí)空變化研究[D];上海師范大學(xué);2013年

，

本文編號(hào)：1391898