论文部分内容阅读
遥感图像变化检测是指从不同时期的遥感数据中定量地分析和确定地物变化特征的过程,它的主要研究对象为自然地物和人造地物。随着遥感技术迅猛地发展和新型传感器的不断涌现,人们获取遥感数据能力的不断提高,空间遥感技术已从处理单一遥感数据发展到处理多时相、多通道、多源的遥感数据。不同传感器提供了地球表面丰富多样的遥感图像数据,由于这些海量数据之间存在着不一致性和互补性,如何充分利用这些数据资源挖掘人们所需要的信息是遥感科学界的一个难题。本文针对多源遥感图像变化检测完成了以下两个方面的工作,实验数据集主要是合成孔径雷达(Synthetic Aperture Radar,SAR)图像、光学图像和TM(Thematic mapper)图像:1)提出了基于栈式去噪自动编码器的联合分类多源遥感图像变化检测的方法。该方法首先将两幅待检测的图产生一个初始变化图,然后利用深度神经网络对其中的一幅图像进行特征学习,根据学习到的特征对该图进行聚类分割。其次,联合初始变化图选取分割后可靠的样本像素作为标签,对应的另一幅图的像素点作为输入训练栈式去噪编码器的分类能力。最后将另一幅图所有数据输入到训练好的网络进行自动分类,达到联合分类的目的。这样数据类型不一致的多源数据转换为可以直接比较的数据类型了,生成变化检测图。2)提出了基于栈式去噪自动编码器特征融合的多源遥感图像变化检测的方法。首先,利用对数比算子处理待检测图像产生初始变化图,便于后期挑选训练样本。其次,利用离散余弦变换、Sobel算子和灰度共生矩阵分别提取两待检测图像的特征,计算两时相图像提取的多特征差值,再选取部分可靠的训练样本训练栈式去噪自编码器进行多特征融合并分类,分为变化类和未变化类。最后将所有样本的多特征差值送入训练后的栈式自编码器中进行自动分类得到最终的变化检测图。传统的遥感图像变化检测方法一般前期先产生变化图,再从变化图中进行变化信息提取。然而考虑到多源遥感图像数据的不一致性,使用此类方法产生的变化图含有大量的伪变化信息,将会严重影响到后期的分析和检测。为了解决此问题,本文提出了的多源遥感变化检测方法不再对初始变化图进行变化信息提取。通过对真实遥感图像进行仿真实验,实验结果相比传统的变化检测方法降低了虚警数和漏检数,有效地提高了多源遥感图像变化检测的正确率。