论文部分内容阅读
遥感图像中港口、油库等典型战略目标的自动检测及土地利用的变化检测一直是遥感领域的研究热点。但随着遥感图像分辨率不断提高,现有的目标检测和变化检测算法都面临极大的挑战。这是因为现有的检测算法大多利用人工设计特征,使得检测算法存在鲁棒性差的问题。近几年,能够更好提取具有辨识力特征的卷积神经网络(Convolutional neural network,CNN)在图像分类等应用中取得了巨大成功,如何利用CNN提取适用于目标检测和变化检测的特征,提高目标检测的精度、检测土地利用变化及其变化类型具有重要的研究和应用价值。在分析讨论常用的CNNs网络以及孪生卷积神经网络的基础上,本文主要研究利用卷积神经网络实现大幅面遥感图像中港口、油库等战略目标的检测以及土地利用变化检测。本文主要的工作与创新如下:(1)针对大幅面遥感图像中港口检测,利用港口出现在海陆交界处以及港口主要由码头组成两个先验知识,提出结合深度学习和结构特征的港口检测算法。首先,将大幅面遥感图像下采样,在得到的较低分辨率的遥感图像上利用ResNet(Residual Network)快速检测海陆交界带,从而确定港口区域范围,降低后续检测的误检。然后利用基于卷积神经网络的目标检测算法SSD(Single Shot MultiBox Detector)检测码头区域,根据码头的几何结构设计了一种半封闭结构检测器来确认真正码头区域,进一步排除误检。最后将码头区域合并得到准确的港口区域。相比于直接通过检测码头来检测港口的方法,所提算法在查准率和查全率上分别平均提高了10.25%和2%。(2)针对大幅面遥感图像油库检测,提出融合多层次特征的油罐检测算法。首先,将大幅面遥感图像下采样,在得到的较低分辨率的大幅面遥感图像上利用ResNet初步检测出油库区域,然后融合不同特征层的特征实现油罐的检测和精确定位,利用改进的DBSCAN聚类算法提取不同的油库区域。所提算法比SSD算法查全率提高了2.2%,F1-measure提高了0.9%。(3)针对遥感图像变化检测,变化检测转化为分类问题,提出了有监督的卷积神经网络AggregationNet的变化检测方法,尽管此方法也是将变化检测转化为分类问题,但是不同于分类后变化检测,它不仅可以判断变与不变,而且可以直接获得变化类型。AggregationNet由一个特征提取网络和一个特征融合网络组成,设计了二维标签图进行训练。在SAT-6数据集上,AggregationNet比先分类后比较变化检测方法精度提高1.6%。在TISZADOB数据集上,相比于传统的CXM(Conditional multilayer mixed MRF model)、基于卷积神经网络的SCCN(Symmetric Convolutional Coupling Network)与DSCN(Deep Siamese Convolutional Network)等算法,AggregationNet均获得最高的查准率、查全率。