论文部分内容阅读
随着空天观测能力的不断提升,遥感影像变化检测技术已经成为动态监测地球环境变化的重要手段,并在城市扩张演化分析、农业调查、自然灾害评估等方面得到了广泛应用。多时相遥感影像作为当前遥感数据的主要类型,包含丰富的丰富空间信息和时间信息,具有海量、高维和非结构化的特点。然而,如何高效求解多时相遥感影像变化检测中的学习和优化问题仍是我们当前面临的主要挑战。因此,本论文针对遥感影像变化检测展开深入研究,旨在发展面向多时相、多源空时影像联合解译的深度学习模型和算法,为遥感知识的提取与应用提供高效方法。具体内容包括以下几个方面:(1)合成孔径雷达具有全天时和全天候的拍摄能力,可以准确获取地物信息,并且不受天气和光照的影响,现已经成为遥感影像的重要数据来源。然而,由于它采用相干成像的原理对地物进行成像,获取的影像往往受到相干斑噪声的污染,这极大地增加了准确检测地面变化的难度。针对传统变化检测算法无法有效平衡变化细节保持与相干斑噪声抑制的缺陷,我们提出了两种基于卷积神经网络的决策级变化检测方法。利用不同的比值算子生成多幅差异图,通过预分类和样本选择策略得到高置信度的训练样本,进而完成卷积神经网络模型的构建,实现变化像素和未变化像素的识别。实验结果表明,这两种方法均能有效检测地面变化并抑制相干斑噪声的干扰,从而得到准确的检测结果。(2)相较于合成孔径雷达影像,高分辨多光谱遥感影像蕴含丰富的光谱信息,能够清晰地显示地物的类别信息,且获取方便,是我们观测地球环境变化的重要数据来源。然而,如何有效利用多个谱段信息来监测土地覆盖/利用的变化一直是一个具有挑战性的开放式问题。针对这一难题,我们提出了一种基于超像素差异表示学习的变化检测框架。该方法利用超像素分割技术对多时相遥感影像进行图像分割,以超像素(图斑)作为基本分析单元,从光谱、纹理、空间结构三个维度提取变化信息,并采用深度神经网络进一步确定实际发生变化的区域,消除检测结果中的伪变化和野值点。该模型在不同传感器获取的高分辨多光谱数据集上表现优异,能够准确检测实际发生变化的区域。(3)对于不同类型的遥感影像,我们通常需要对其进行图像建模分析,设计合适的算法来检测发生变化的区域。这一过程往往需要花费大量的人力和物力成本,极大制约了已有方法在真实场景中的应用。目前,合成孔径雷达影像与光学影像已成为观测地球环境变化的主要数据来源,设计一种通用的变化检测方法是十分有必要的。针对这一需求,我们采用预训练深度全卷积神经网络模型自动提取原始影像的高阶特征表示,在结合光谱信息的基础上进行不确定性分析,并利用多尺度图像分割技术和样本选择策略得到有效的训练样本,从而训练出鲁棒的支撑矢量机分类器,完成变化区域的识别。实验结果表明,该方法对遥感影像类型不敏感,能在不同的数据集上取得令人满意的检测效果。(4)目前获取的大部分遥感影像均来自于相同的传感器,通常称之为同源影像。然而,在一些实际的突发事件中(如地震,洪水,台风等),由于天气和影像获取条件的限制,我们无法及时获取事件发生前后的同源影像。此时,如何利用不同传感器获取的影像信息来进行变化检测具有十分重要的价值和实际意义。针对这一问题,我们设计了一种基于对数变换特征学习的变化检测方法,将合成孔径雷达影像进行对数变换,从而获得与光学影像相似的统计特性。在此基础上,利用无监督联合特征学习技术对变换后的影像对进行特征提取与比较分析,并使用深度神经网络进一步提高变化区域的识别率。实验结果表明,该方法在不同传感器获取的影像数据集上均可有效地检测变化区域,验证了算法的可行性。(5)传统的变化检测方法通常仅检测发生变化的区域,忽略了对变化区域的进一步分析。如何有效区分不同种类的变化已成为目前遥感数据分析的难点。针对这一问题,我们提出了一种基于迭代特征映射网络的多类变化检测框架,该方法利用无监督特征学习技术自动提取遥感影像的高阶特征表示,并使用随机初始化的方法对得到的特征集进行迭代映射学习,以便获取更有区分度的特征。通过结合分层聚类分析技术,我们可以有效地识别变化区域的类别信息,并明确不同变化类别之间的关系。该方法在同源与异源的多时相遥感影像数据集上均能准确地识别不同类型的变化,有利于推动后续变化区域的影像信息解译与分析。