论文部分内容阅读
随着经济社会的飞快发展以及城市化进程的推进,城镇面积不断增加,土地利用和土地覆盖(Land Use&LU Land Cover,LULC)信息处于急剧的变化之中,及时、准确地掌握地表覆盖发生的变化信息在城市发展规划、土地管理、植被覆盖等实际领域中具有重要的作用和意义。高分辨率遥感影像作为对地观测的重要数据来源,已广泛用于地表覆盖信息监测中。遥感影像数据经过数据解译后,在为决策部门提供坚实可靠的数据支撑的同时,也带来了如何对大量的遥感影像进行快速、有效处理的问题。针对传统算法提取遥感影像变化信息需要提取人工设计的图像特征,并且模型泛化能力不强,且整个变化检测过程需要人为干预、过程繁琐,自动化程度不高的问题,本文利用深度学习中语义分割方法,将遥感影像变化检测问题转化为变化与未变化的二值分割问题,利用端到端的卷积神经网络对前后两时期遥感影像进行变化检测,本文的主要研究内容如下:(1)基于编码解码结构的遥感影像变化检测,为引入前后两时期遥感图像的多分辨率信息,在变化检测网络模型结构中引入中心环绕模块,利用步长为2的卷积层替换变化检测网络中的池化层以防止由于在池化过程中引起图像信息丢失,通过在变化检测网络中加入ASPP模块以更多的引入图像的上下文信息,此外,在将浅层特征和深层特征进行融合时,引入注意力门控机制,提高变化检测精度。(2)为了弥补基于编码解码结构变化检测网络结果的容易忽略像素与像素之间的关系,影响变化检测结果,引入生成对抗网络。将基于编码解码结构的变化检测网络作为GAN网络的生成网络,用Wasserstein距离代替原始GAN网络模型中的JS散度,构建基于GAN网络的变化检测网络,使得检测的地物完整性更好,提高遥感影像的变化检测精度。本论文有图幅36幅,表6个,参考文献116篇。