论文部分内容阅读
变化检测是遥感图像处理的一项重要应用。它是根据同一地理区域不同时间点获取的两幅或者多幅遥感图像,定性或定量地分析和确定地面变化的技术。遥感图像获取具有远距离和非接触的特点。随着高新技术的发展,遥感数据的获取技术日益先进以及遥感数据不断累积,遥感图像已经成为地面观测一种不可或缺的方式。遥感图像变化检测方法能够快速获取地面的变化信息,更加经济便捷。变化检测具有广阔的应用前景和迫切的科学研究需求。遥感图像变化检测的一般步骤是:生成差异图;分析差异图从而得到变化图。其中利用差异图得到变化图的过程可以看成是一个二分类问题。遗传算法(Genetic Algorithm,GA)是一种随机的全局多点进化优化方法,具有高效、并行的特点,可以使用遗传算法分析差异图,从而优化求解出差异图每个像素点的类别标签。但差异图尺寸太大时,搜索空间过大成为遗传算法应用于变化检测的瓶颈。借鉴人眼视觉系统通过关注显著区域,获取有用信息并减少运算量的机制,本文将显著性检测模型与GA相结合,提出了两种基于进化优化的遥感图像变化检测方法,旨在减少GA搜索空间和提高噪声抑制能力,使获得的变化图检测效果更优。此外,显著性检测模型得到的非显著区域能够得到大量可靠的含有丰富噪声信息的非变化类样本,并且通过预分类可自动获得可信度高的变化类样本。以这些可靠样本为训练样本,设计了一种基于显著性检测与卷积神经网络的遥感图像变化检测方法。具体内容安排如下:(1)提出了一种基于显著图像引导和加速GA的遥感图像变化检测算法。首先,根据同一地区获取的两个时相遥感图像,使用对数比算子生成差异图像。然后,在差异图像中应用显著性检测模型提取包含变化类像素的显著区域,并通过模糊C均值(Fuzzy C-Means,FCM)聚类算法将显著区域进一步划分为三类:变化类(具有高灰度值的像素集),非变化类(具有低灰度值的像素集)和不确定类(中等灰度值的像素集,难以分类)。最后,使用提出的加速GA进化求解出不确定类像素的类别标签。在加速GA中,目标函数考虑了像素的邻域信息;利用不确定类像素的邻域信息作为启发信息,自适应地确定每个不确定类像素的变异概率,从而设计出一种高效的变异算子,显著加快了遗传算法的收敛速度。两组数据集上的实验结果证明了所提出方法的良好检测效果。总体而言,本方法在检测精度方面优于其他五种现有方法。(2)提出了一种基于子块分解与融合的进化优化遥感图像变化检测方法。该方法是在第一个方法基础上的改进,主要研究动机是希望进一步提高GA在变化检测问题上的抗噪性和运行速度。在算法中,使用BM3D算法对遥感图像进行预处理,从而增强图像有用信息并抑制噪声。其次,使用基于显著性检测与FCM的预分类方法实现搜索空间自动收缩,获得不确定类像素的位置。然后,借鉴分治策略的思想,将仅含有显著区域的差异图进行全局的子块划分,子块可实现并行的加速GA优化。最后,子块的优化结果被重新映射到其原差异图的位置,并在局部邻域对子块结果进行决策级融合,输出最终变化图。通过参数分析,得出最合适的子块分解个数为4×4。实验结果充分说明了本方法具有出色的抗噪性能和检测效果,且运行时间更少。(3)提出了一种基于显著性检测与卷积神经网络的遥感图像变化检测方法。首先,对差异图使用基于显著性检测与FCM的预分类自动获取训练样本,其中样本选择方式为:在非显著区域的非变化类点和显著区域的变化类点,分别取以其为中心的9×9邻域块,再随机重复采样固定数量的训练样本。然后,构建了一个用于遥感图像变化检测的卷积神经网络,并用选取的可靠样本进行训练。最后,使用训练好的卷积网络对显著区域的不确定类像素进行分类,得到最终变化图。样本选择过程中,非显著区域的非变化类样本数量大,可靠性高,同时噪声信息丰富,使训练的卷积网络鲁棒性更好,在强噪声遥感图像中仍能得到令人满意的检测效果。