论文部分内容阅读
遥感图像变化检测是对遥感卫星拍摄的同一地点不同时刻的两幅图像进行分析,得到该地区对应时段的变化区域。异源遥感图像是利用不同传感器拍摄出的遥感图像,它们对同一种景象有着不同的表现形式。随着传感器技术的发展以及应用的需求,异源遥感图像的变化检测技术越来越受到关注。然而,由于异源图像在低维空间对同一地点的相同景象有着不同的表述,无法直接进行比较。而深度神经网络能够很好地表示复杂的非线性映射关系,将图像映射到特征空间,提取图像中的特征信息。本文将深度神经网络应用于异源遥感图像的变化检测中,提取异源图像中对同一地点相同景象的近似特征表述,并根据特征差异得到变化检测的结果。本文主要包括以下三个工作:1)提出了基于图像邻域信息重建的异源图像变化检测方法。该方法是将其中一幅图像的邻域信息输入进深度神经网络来对另一幅图像的邻域信息重建,在两幅图像对应的变化区域会有重建误差,根据重建误差可以生成差异图,再对差异图分割处理,得到最终的变化监测结果。2)提出了基于差异信息学习的异源图像变化检测方法。将两幅图像的信息输入到设计的类对称的深度神经网络中,被映射到特征空间。在特征空间中,每个像素位置对应着一对特征向量,该对特征向量分别表示输入的两幅图像在该像素位置的特征信息。本文通过对特征向量的比较分析可以获取对应的差异图,对差异图进行聚类分割即可得到变化检测的结果。该方法不需要提前生成微调网络的参考图,用于调整网络参数的样本在网络更新的过程中自发选择,所以是完全无监督的。3)提出了基于伪标签样本学习的异源图像变化检测。该方法仍然在特征空间分析两幅异源遥感图像的差异性,但是在网络参数更新的过程中,重新设定了参与训练样本的伪标签的取值方式,最大程度上增大变化类区域与未变化类之间的差异,并且采用改进后的模糊聚类算法分割差异图,以获得更高精度的变化检测结果。这三种方法逐步提高了异源遥感图像变化检测结果的精度。基于图像邻域信息重建的方法利用了所有像素点训练网络,生成的变化检测结果图的精度明显优于传统的后分类比较方法。基于差异信息学习的方法更新网络参数时从变化类与未变化类中同时抽选样本,并对两类样本设定了不同类型的标签值,获取的差异图的性能与变化检测的精度得到了明显的提升。基于伪标签学习的异源图像变化检测算法改进了伪标签的取值准则,进一步优化了变化检测的性能。本文摒弃了传统方法中复杂的数据转化方式,所提出的三种方法都是利用深度神经网络完全无监督地实现了对异源遥感图像的变化检测,实验结果验证了三种方法在异源遥感图像变化检测上的有效性。