论文部分内容阅读
随着我国卫星遥感技术的不断发展和高分系列卫星的相继发射,急剧增长的多时相遥感数据为海岸带连续监测提供数据支持。一方面长时间序列卫星遥感数据记录了地物变化的过程,反映了其时空的变化规律,现有多时相变化检测方法已经难以满足卫星应用处理需求;另一方面“连续”的海岸带变化类型分析研究不足,且很少考虑时间维的信息。本文利用当前新型的高分遥感监测技术手段,研究能够有效利用多时相上下文信息的遥感图像变化检测和分类方法,实现对海岸带的动态监测。本文主要研究利用高分1号宽幅多时相遥感图像监测海岸带变化,监测的主要手段包括变化检测和多时相分类研究内容包括以下三个方面:首先,针对目前时序轨迹分析变化检测方法需要预先假设变化的模型和求模型的参数,研究无监督的多时相的变化检测方法。提出了无监督的慢特征分析网络,能够挖掘动态变化输入的抽象特征表示,在学习得到的慢特征上利用自动阈值分割检测变化,该方法对光照,大气等影响不敏感。实验将提出的方法和几种经典的变化检测方法进行了比较,结果表明本文提出慢特征网络综合来看有更好的表现,并能够有效的提高特征的可分性。然后,为进一步确定变化的类型,需要对多时相图像分类,针对多时相遥感图像标签获取困难,标签样本个数少,海岸带地物类型复杂,研究利用多核支持向量机分类海岸带地物。支持向量机因其能够处理小样本,分类效果好,被广泛应用,然而一般的单核支持向量机方法在处理复杂多类问题上存在不足,不同核在处理的数据类型上的优势不同,多核学习方法将不同的核函数有效的结合起来,有更好的泛化能力。实验比较了多核支持向量和单核的支持向量机分类方法,并对比了在原始特征和提取的慢特征上的分类效果,结果表明多核支持向量机和提取的慢特征能提高分类表现。最后,针对多核支持向量机等传统的统计分类方法将每个时相的遥感图像看成独立个体,忽略了时间维信息的问题,研究能够利用多时相上下文信息的时序分类模型鉴别地物变化。LSTM具有“记忆”功能,能够利用历史的信息进行预测和分类,本文在提取的慢特征上,利用LSTM类型识别网络分类多时相遥感图像,分析海岸带变化情况。对比了该方法和多核支持向量机,并分析了时相个数对LSTM识别效果的影响,实验结果表明在小样本时支持向量机更有优势,随样本数增加,LSTM识别效果更好,另外增加时相个数对LSTM的识别有着积极的影响。