论文部分内容阅读
在快速变化和高速发展的现代社会,为了能够可持续性的利用地球资源,就必须实时掌握地表土地利用现状和变化情况。由于遥感技术具有覆盖面广、快捷简便、信息丰富等优点,基于遥感图像的变化检测技术一直广受关注。遥感变化检测最主要的目的就是获取研究区域的变化范围以及判断变化类型。在众多变化检测方法中,基于变化矢量分析(Change Vector Analysis,CVA)的方法则相对独立地分析变化范围和变化类型。该方法最主要的是要获取变化强度图像和变化方向图像,变化强度图像是为了确定变化范围,而变化方向图像是为了得到变化类型。本文从变化检测精度和效率出发,主要研究了利用深度学习机的CVA的变化检测算法,并且利用统一计算设备架构(Compute Unified Device Architecture,CUDA)实现变化检测的并行化,主要内容如下:(1)为了确定变化类型,在获取变化强度图像后,需要对其进行二值化,以确定变化的范围。目前最常用的就是阈值分析法,然而,很难得到某一优化的阈值来检测变化区域和未变化区域,而且简单的利用某一阈值来判断变化与否也是不严格的。因此本文利用了深度信念网络对变化强度图像进行分析,从而获取变化范围。此外,为了确定变化类型的具体意义,本文首先分别计算两个时相图像的指数图像:归一化植被指数(Normalized Difference Vegetation Index,NDVI)、归一化建筑物指数(Normalized Difference Built-up Index,NDBI)以及归一化水体指数(Normalized Difference Water Index,NDWI)等指数,然后将指数特征图像代替原始图像计算变化方向图像。(2)为了实现基于遥感影像的实时变化检测,本文针对CVA的变化检测算法,设计了一种CUDA的并行处理模型。首先利用地理空间数据提取库(Geospatial Data Abstraction Library,GDAL)实现大数据量遥感影像的分块读取、操作和保存;其次将CVA变化检测过程分为变化强度检测、基于深度信念网络(Deep Belief Network,DBN)的变化范围确定、映射表构建和变化方向检测,并借助CUDA C将基于CVA算法的以上四个步骤分别嵌入到CPU和GPU中进行研究;最后利用该模型对不同数据量的遥感影像进行CVA变化检测并作对比分析。