欢迎来到三一办公! | 帮助中心 三一办公31ppt.com(应用文档模板下载平台)
三一办公
全部分类
  • 办公文档>
  • PPT模板>
  • 建筑/施工/环境>
  • 毕业设计>
  • 工程图纸>
  • 教育教学>
  • 素材源码>
  • 生活休闲>
  • 临时分类>
  • ImageVerifierCode 换一换
    首页 三一办公 > 资源分类 > DOC文档下载  

    信号与信息毕业论文.doc

    • 资源ID:3935154       资源大小:4.65MB        全文页数:64页
    • 资源格式: DOC        下载积分:8金币
    快捷下载 游客一键下载
    会员登录下载
    三方登录下载: 微信开放平台登录 QQ登录  
    下载资源需要8金币
    邮箱/手机:
    温馨提示:
    用户名和密码都是您填写的邮箱或者手机号,方便查询和重复下载(系统自动生成)
    支付方式: 支付宝    微信支付   
    验证码:   换一换

    加入VIP免费专享
     
    账号:
    密码:
    验证码:   换一换
      忘记密码?
        
    友情提示
    2、PDF文件下载后,可能会被浏览器默认打开,此种情况可以点击浏览器菜单,保存网页到桌面,就可以正常下载了。
    3、本站不支持迅雷下载,请使用电脑自带的IE浏览器,或者360浏览器、谷歌浏览器下载即可。
    4、本站资源下载后的文档和图纸-无水印,预览文档经过压缩,下载后原文更清晰。
    5、试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓。

    信号与信息毕业论文.doc

    硕士研究生学位论文新 疆 大 学 论文题目(中文):多时相遥感影像变化检测算法研究 论文题目(外文):Change Detections in Multi-temporal Satellite Images研 究 生 姓 名:余银峰学 科 、 专 业:工学、信号与信息处理研 究 方 向:数字图像处理导师 姓名 职称:贾振红 教授 论文答辩日期 2011 年 5 月20日 学位授予日期 年 月 日摘要利用多时相遥感影像获取地物变化信息的过程称之为变化检测。根据影像分析的层次不同,变化检测算法可以分为像素级、特征级和目标级这三类;根据数据分析的机理,变化检测算法可以分为有监督和无监督两类。有监督的变化检测算法是基于有监督的分类方法,这种方法要求训练网络以得到网络的参数。无监督的变化检测算法用两张不同时相的遥感影像通过直接的比较而无需附加信息就可以检测出影像的变化。本文所提众多算法都是基于像素级、无监督的变化检测算法。本文提出了一种基于主分量分析和上下截集模糊Kohonen聚类网络的无监督的不同时相的遥感影像的像素级变化检测算法。该算法首次将主分量分析和上下截集模糊Kohonen聚类网络这两种方法相结合,并将它应用于不同时相的遥感影像变化检测。该方法结合每个象素的邻域信息,利用主分量分析,产生每个象素对应的基于邻域信息的特征向量;又将变化区域检测问题转化为两类之间的分类问题;然后利用上下截集模糊 Kohonen 聚类网络对每个象素所对应的特征向量进行变化类与未变化类的聚类,得到变化检测图。本文又提出了一种基于非下采样Contourlet变换和脉冲耦合神经网络的无监督的不同时相的遥感影像的变化检测算法。该算法将非下采样Contourlet变换和脉冲耦合神经网络这两种方法相结合,并首次将它应用于不同时相的遥感影像变化检测。本文首次将非下采样Contourlet变换和上下截集模糊Kohonen聚类网络相结合,提出了一种无监督的多时相遥感影像变化检测算法。该算法采用非下采样Contourlet变换提取与对数比图像中的每个象素相对应的多尺度、多方向纹理,并采用上下截集模糊Kohonen聚类网络将这些多尺度、多方向纹理分为变化类与未变化类两类,最终得到变化检测图。通过三个具体的变化检测算法的研究,归纳出变化检测算法一般研究思路。关键词:主分量分析;上下截集模糊 Kohonen 聚类网络;非下采样Contourlet变换;脉冲耦合神经网络;无监督变化检测;多尺度多方向;多时相遥感影像;遥感AbstractThe process of obtaining the changed information of the earth by making use of multi-temporal satellite images is called change detection. According to the level of analyzing image, the change detection algorithms can be divided into pixel level class, characteristic level one and target level one. According to the mechanism of processing data, they can be divided into supervised class and unsupervised one. The kind of the supervised change detection algorithms are based on method of supervised classifying and require training to get the parameters of network. While the kind of the unsupervised change detection algorithms generate the change map by making a comparison of bi-temporal satellite images automatically without manual operation. The proposed algorithms belong to the kind of unsupervised change detection algorithms in pixel level.An unsupervised change detection algorithm in multi-temporal satellite images based on principal component analysis and up-down-set fuzzy Kohonen clustering network is proposed. This method makes a combination of both PCA and UDSFKCN initially, and applies it to change detection. This method generates eigenvector corresponding to every pixel combining itself with its neighbors using principal component analysis. At the same time, solving the detection of the changed pixel in a region is to divide the pixel into two groups, changed class and unchanged class. Since every pixel is described as a eigenvector, therefore to obtain a changed map of the changed region in pixel level, up-down-set fuzzy Kohonen clustering network is applied to divide all the eigenvectors into changed ones and unchanged ones.An unsupervised change detection algorithm in multi-temporal satellite images based on non-sub-sampled Contourlet transform and pulse coupled neural network is proposed. This method makes a combination of both non-sub-sampled Contourlet transform and pulse coupled neural network, and applies it to change detection initially. An unsupervised multi-scale change detection algorithm in multi-temporal satellite images is also proposed. This method makes a combination of both non-sub-sampled Contourlet transform and up-down-set fuzzy Kohonen clustering network, and applies it to change detection initially. For each pixel in the log-ratio image, multi-scale and multi-direction feature vector is extracted using non-sub-sampled Contourlet transform. The final change detection map is achieved by clustering the multi-scale and multi-direction feature vectors using up-down-set fuzzy Kohonen clustering network into two classes: changed and unchanged. Through three specific change detection algorithms, summarized the change detection algorithm for general research ideas. Keywords:Principal Component Analysis(PCA); Up-Down-Set Fuzzy Kohonen Clustering Network(UDSFKCN); Non-sub-sampled Contourlet Transform (NSCT); Pulse Coupled Neural Network (PCNN); Unsupervised Change Detection; Multi-scale and Multi-direction; Multi-temporal Satellite Images; Remote Sensing目录第一章 引言11.1 研究背景及意义11.1.1背景11.1.2意义21.2 国内图像变化检测经典算法41.2.1主分量分析法41.2.2最大类间方差法51.2.3最小二乘图像相减法61.2.4小波与FCM结合法71.2.5综合特征级和像素级的两步变化检测算法81.2.6自适应空间邻域分析和瑞利-高斯模型81.3 国外图像变化检测经典算法91.3.1 基于EM和MRF的无监督变化检测算法91.3.2 基于遗传算法的变化检测算法101.3.3 基于高斯混合模型和贝叶斯推理的变化检测算法101.3.4 基于半监督的支持向量机的变化检测算法111.3.5 基于后验概率空间的变化向量分析算法111.3.6 基于多项式回归和空间邻域的变化检测算法121.3.7 基于全色融合的变化检测算法121.4 研究方案预案131.5本论文的结构安排14第二章 变化检测算法的基本理论162.1主分量分析PCA162.2上下截集模糊Kohonen聚类网络UDSFKCN162.3非降采样Contourlet变换NSCT182.3.1非降采样塔型滤波器组182.3.2非降采样方向滤波器组192.3.3 NCST系数特点202.4 脉冲耦合神经网络PCNN212.4.1脉冲耦合神经网络的基本原理212.4.2图像中的脉冲耦合神经网络设计222.5 遥感影像变化检测的一般思路23第三章 基于PCA和UDSFKCN的变化检测算法243.1 算法概述243.2 理论模型和实现算法253.3 实验结果及讨论273.4 结论29第四章 基于NSCT和PCNN的变化检测算法304.1 算法概述304.2 理论模型和实现算法304.2.1理论模型304.2.2 实现算法314.3 实验结果324.3.1 两种算法的定性比较324.3.2 算法性能的定量比较一334.3.3 算法性能的定量比较二344.4 实验分析354.5 结论36第五章 基于NSCT和UDSFKCN的变化检测算法375.1算法概述375.2理论模型和实现算法385.2.1理论模型385.2.2实现算法385.3实验结果405.3.1 两种算法的定性比较405.3.2 算法性能的定量比较一415.3.3 算法性能的定量比较二425.4实验分析435.5结论43第六章 总结与展望446.1 三种变化检测算法的比较446.1.1 三种算法的定性比较446.1.2 三种算法性能的定量比较一446.1.3 三种算法性能的定量比较二466.1.4 三种算法性能的定量比较三476.1.5 三种算法的定量比较汇总476.2总结476.3展望49参考文献50攻读硕士研究生期间发表的学术论文55致谢56学位论文独创性声明57论文知识产权权属声明57第一章 引言1.1 研究背景及意义1.1.1背景多时相通常是指反映一组遥感影像在时间系列上所具有的特征。凡是在不同时间同一地域获取的一组影像、地图或地理数据,都可视为“多时相”数据。遥感技术特别是卫星遥感具有按固定周期实现对地球重复覆盖的能力,能提供各种时间分辨率的多时相遥感影像,满足动态分析的要求。多时相遥感影像资料的要求,依分析对象、动态变化速度及过程的时间长短而定。如对台风发展过程的对比分析,要求有12小时以内时间间隔和多达数十天的一系列的多时相卫星云图;分析沙漠化的速率和范围,只需不同年份的多时相资料即可。多时相遥感资料对比和综合分析,是研究和追踪自然历史演变轨迹、监测环境和资源动态变化的重要、有效手段。遥感影像变化检测是遥感瞬间视场中地表特征随时间发生的变化引起两个时期影像像元光谱响应的变化1。遥感变化检测是遥感信息科学、地球系统科学、统计学和计算机技术等学科技术交叉后新的增长点,代表了当前遥感数据处理技术发展的方向1。进入21世纪,我国正在从航天大国迈向航天强国。主要标志是到2006年环境减灾小卫星发射后,将形成气象、资源、海洋和环境减灾4个民用卫星系列。在遥感应用方面,经过国家“七五”、“八五”、“九五”计划的支持,遥感应用技术不断普及,研究部门和行业相继建立了遥感应用业务运行系统,形成TB级,GB级遥感、GIS与GPS空间数据集,国家和部门分布式数据库系统也应运而生,并且不断发展和完善。科研部门产生的“科学分析数据”和行业部门产生的“行业权威数据”相继运行,在国家、省、市行业等各个层面为国土资源和城市土地资源调查、森林资源监测、环境变化监测、灾害预报与评估、国家重大生态工程监理、突发事件监控与决策方面发挥了不可替代的作用1。以遥感数据为基础、不同行业和科研部门的空间数据库已经建立起来,现在都面临着更新的问题。在这个需求背景条件下,遥感变化检测技术逐渐发展起来,工程化、产业化趋势正在凸显。要抓住这个发展机遇,开发适合我国遥感应用和运行体系的变化检测技术系统,推动遥感技术的应用和发展1。1.1.2意义随着城市的发展壮大,城市人口的增长和城市居民楼的增多有很密切的关系。通过检测城市居民楼的兴建与拆除变化,可以很好地把握城市人群的变迁情况。这对通信、旅游等服务行业的决策有很重要的现实意义。如果居民楼增多,那么居民增多;居民增多,那么使用手机等移动通信工具的人势必增多;通信用户增多,那么小区的话务量增多;小区的话务量增多,那么基站规划者就要对基站分布做出一定的改变。反之亦然。也就是说居民区的建筑物的变化情况是该小区话务量变化的一支晴阴表。居民区的建筑物的变化检测依赖的是遥感技术。利用多时相遥感影像获取地物变化信息的过程称之为多时相遥感图像变化检测。那么多时相遥感影像变化检测就是一个具有现实意义的研究课题。利用多时相遥感影像获取地物变化信息的过程称之为变化检测。根据图像分析的层次不同,变化检测算法可以分为像素级、特征级和目标级这三类;根据数据分析的机理,变化检测算法可以分为有监督和无监督两类。有监督的变化检测算法是基于有监督的分类方法,这种方法要求训练网络以得到网络的参数。无监督的变化检测算法用两张不同时相的卫星影像通过直接的比较而无需附加信息就可以检测出影像的变化。本文第三、四、五章介绍的变化检测算法都属于像素级的无监督的变化检测算法。PCA,Principal Component Analysis的缩写。主分量分析在图像分析中主要的用途有数据压缩和去相关。用每个象素所在的邻域作为每个象素的纹理向量,相邻象素的纹理向量之间的相关性就非常大,用主分量分析可以去掉纹理之间的相关性。另一方面,图像的变化部分主要表现在次分量部分,去掉差值图像纹理的主分量部分,剩下的变化信息就在次分量部分。把次分量再进行聚类就可以提取出变化部分。NSCT,Non-sub-sampled Contourlet Transform的缩写。非下采样Contourlet变换是一种改进后的Contourlet变换形式,在奇异性方面不会导致pseudo-Gibbs现象。非下采样Contourlet变换能够较好地抓住图像的内在几何结构,并且具有位移不变性。与此同时,由于NSCT的多尺度多方向分解,使得NSCT具有局部性、方向性和各向异性,从而使得NSCT更适合在噪声环境下提取特征信息。由于NSCT的非降采样平移不变性,该变换系数在具有方向敏感性与稀疏表现性的同时,其最大的优点就是变换后每一个方向子带的大小与输入图像相等。这种优点使得NSCT在处理图像方面备受青睐。UDSFKCN,Up-Down-Set Fuzzy Kohonen Clustering Network的缩写。上下截集模糊Kohonen聚类网络是一种改进后的模糊Kohonen聚类网络。UDSFKCN是一种性能优良的分类器,具有收敛速度快和分类准确性能高的优点。PCNN,Pulse Coupled Neural Network的缩写。脉冲耦合神经网络是一种比较年轻的智能分类器。脉冲耦合神经网络具有旋转、平移、尺度不变性。在图像分割方面,基于PCNN的图像分割至今仍是PCNN最成功的应用之一。经过对国内外变化检测类文献的调研,发现一些学者在近年来提出的变化检测算法在性能上虽然已经很好,但是还是可以进一步做出一些改进。例如,基于PCA和KMeans的变化检测算法。该算法提取特征的方法是PCA,分类器是KMeans。有更好的提取特征方法与更强大的分类器可以对该算法进行改进。比较好的提取特征方法有主分量分析和非下采样Contourlet变换;更强大的分类器有上下截集模糊Kohonen聚类网络和脉冲耦合神经网络。将先进的特征提取方法与强大的分类器相结合,取长补短,并应用于变化检测,能够进一步提高变化检测算法的性能。本文的主要研究是对国内外学者近年来提出的变化检测算法做进一步的改进。在本文第三、四、五章介绍的变化检测算法都是在国外学者研究的变化检测算法的基础上的进一步改进的算法。由特殊到一般,通过对这三个具体算法的比较归纳,本文总结出变化检测算法的一般研究思路。1.2 国内图像变化检测经典算法近年来国内关于变化检测的算法研究非常火热。下面就简要介绍国内学者近年来在此领域研究出来的经典算法。1.2.1主分量分析法SAR图像1SAR图像2滤波滤波图像向量化图像向量化对进行主分量分析,将转化为图像矩阵对进行分割得到对进行腐蚀和膨胀最后的检测结果图1.1 算法流程图张辉等提出一种基于主分量分析(PCA)的SAR图像变化检测算法2。该算法将SAR图像转化为列向量,对两个图像向量组成的矩阵进行主分量分解,其图像的变化部分则表征为矩阵的次分量成分。该算法进行变化检测实验的整个过程如图1.1所示。该算法的具体步骤如下2:(1)对两幅SAR图像进行滤波。滤波采用Lee滤波器。(2)将两幅SAR图像按行进行向量化,将两个图像向量组成矩阵A。(3)对A进行主分量分析。得到两向量差值X在次方向的投影,将向量还原为图像矩阵。(4)对矩阵进行分割。设定两个门限和,(),像素值在和之间的像素为两图像未发生变化的部分,其余的为发生变化的部分,从而得到分割图。(5)对分割图进行腐蚀和膨胀处理,得到最后的变化检测结果。本文作者对该算法进行了实验,实验效果图如图1.2所示。图1.2 主分量分析法实验效果1.2.2最大类间方差法变化检测实际上可以理解为典型的两类识别问题3。孟瑜等将变化检测问题转化为两类之间的分类问题,提出了采用基于最大类间方差法作为聚类准则,C均值聚类法进行迭代以自动确定最佳阈值的策略。本文作者对该算法进行了实验,实验效果图如图1.3所示。图1.3 最大类间方差法实验效果按照遥感影像变化检测的基本目标,需要解决从差异影像中将发生了变化的区域提取出来的问题,孟瑜等3将这个问题称之为变化区域的提取。具体来说,变化区域的提取就是要将差异影像中的像元分为两类:变化像元(c)类和未变化像元(u)类,判断每个像元属于哪一类并标上响应的类别标记,从而生成一幅将变化区域跟未变化区域区分开来的变化检测结果图。因此,变化区域提取实际上可以理解为典型的两类识别问题,从而可以采用影像分类或影像分割中的方法加以解决。其中阈值法是最常用的一种方法。这种方法的基本出发点是假定差异影像中未发生变化的区域像元值接近于0,而发生了变化的区域的像元值远离0,通过选取合适的阈值,可以将这两类像元区分开来,称这样的阈值为变化阈值。变化阈值法所需的阈值个数为1或2,这取决于差异影像的类别,如果差异影像中的像元值只有正值,则只需1个阈值即可。1.2.3最小二乘图像相减法最小二乘图像相减法,也叫图像回归法。检测图像中的像素应该可以表示成参考图像中的对应灰度值的一个线性函数。杨志国等提出一种稳健可行的变化检测算法4,该算法在最小二乘图像相减法的基础上引入了误差影响因子,通过迭代的方法求取待定参数,大大提高了变化检测的稳健性。该变化检测算法4基于最小二乘算法,通过引入误差影响因子将参考图像和检测图像对应的变化区域和不变区域区别开来,且每个像素点对应的误差影响因子取决于该点像素值的变化程度,该算法采用迭代计算的方法,权系数将以较快的速度收敛于一个较为理想的稳定值,具体检测步骤如下4:(1)对参考图像和检测图像进行配准。(2)类似最小二乘图像相减法的计算过程,采用最小二乘算法求取权系数,并得到对应的差值图像。(3)由得到的计算误差影响因子,计算公式定义如下: (1.1)(4)根据得到的误差影响因子按照新的计算公式重新计算权系数,并得到相应的差值图像,权系数计算公式如下: (1.2)(5)重复(3)、(4),直至权系数收敛于一稳定值,由最终得到的值计算得出差值图像,并根据设定的门限进行变化检测判决,即 (1.3)上述即为该算法提出稳健方法的步骤,由式(1.1)可以看出,像素点D(i, j)处的误差影响因子大小取决于该点差值图像值,两幅图像差别越大的区域,对应的误差影响因子越小,从而对权系数的影响也就越小,该算法正是基于此原理来尽可能减小变化区域对系数求解的不良影响。本文作者对该算法进行了实验,实验效果图如图1.4所示。图1.4 最小二乘图像相减法实验效果1.2.4小波与FCM结合法谢锋等定义了几种小波纹理,提出一种基于小波纹理与改进FCM(模糊C均值聚类)的对SAR(合成孔径雷达)图像进行机场类目标自动提取方法5。利用小波多尺度分析对影像分解,得到不同方向上小波频带,然后对不同的小波频带进行小波纹理分析。用频率共生矩阵4个关键特征来描述小波纹理特征向量。应用PCA(主成分分析)的方法去相关,进行特征空间的降维处理,并使用改进FCM进行分割,进而提取出目标。针对SAR 影像的特点, 该算法5提出了一种有效的机场类目标提取新算法。它充分合理地利用了小波纹理特征,用主成分分析法进行特征空间降维, 然后使用改进FCM 算法分割, 进而提取出机场类目标。1.2.5综合特征级和像素级的两步变化检测算法苏娟等针对遥感图像中人造目标的变化检测问题,提出一种综合特征级和像素级的两步变化检测算法6。首先将大幅多时相遥感图像分成一系列子图像对,采用有监督子图像对分类方法,提取人造目标变化的感兴趣区域,然后采用像素级变化检测算法对感兴趣区域进行变化检测,得到定量的检测结果。从模式识别的角度看,可以把变化检测理解为一个两类分类问题。从两时相图像中提取分类特征,设计分类器,把图像中的像素点对分为变化和非变化两类。如果将分类对象由像素扩展到区域,则可以对图像中的区域进行变化情况的分类。该算法的特征级变化检测思路即源于此,将图像划分为子图像对,特征提取与模式分类均在子图像对上进行。通过特征级变化检测,得到一系列变化子图像对和非变化子图像对,根据提取出的非变化子图像对,采用回归分析的方法求取整图的辐射校正参数,对提取出的变化子图像对进行辐射校正,然后进行像素级变化检测,从而将检测结果由定性转为定量6。 1.2.6自适应空间邻域分析和瑞利-高斯模型王桂婷等提出了一种基于自适应空间邻域分析和瑞利-高斯模型(Rayleigh-Gauss Models, RGM)分布的多时相遥感影像自动变化检测方法7。该方法把自适应空间邻域信息和改进的差值影像与比值影像乘积变换融合法(Improved Multiplying Transform Fusion, IMTF)结合构造差异影像,可以有效地抑制噪声和消除多时相影像之间配准误差的影响,具有更强的鲁棒性。在对差异影像的分割处理中,运用瑞利和高斯模型分别模拟变化类像元和非变化类像元的分布情况,然后估计出两类像元的概率密度参数,最后采用改进KI(Kittler-Illingworth)阈值选择算法自动高效地确定最佳变化检测阈值,提取变化区域。1.3 国外图像变化检测经典算法国外关于图像变化检测的算法数量众多,关于图像变化检测的研究一直没有中断。下面就将比较有代表性并且比较新颖的图像变化检测类算法做简要介绍。1.3.1 基于EM和MRF的无监督变化检测算法Lorenzo Bruzzone等提出了基于EM和MRF的无监督变化检测算法8,9。该算法8引入了贝叶斯决策理论,在分析差值图像时,需要估计与变化类和未变化类的相对应的先验概率和条件密度函数。为了得到这四个估计值,该算法采用了EM(Expectation-Maximization)算法9-12。在自动分出变化类与未变化类时,基于以下两点:第一,在差值图像中,各个点的像素值是相互独立的。在这个假设下,贝叶斯的最小误差准则就可以用来作为寻找总体错误概率最小的灰度阈值的准则。第二,考虑用差值图像中的空间邻域信息来提高最终的变化图像的准确率。在这种考虑下,采用MRF(Markov Random Fields)来提高像素间的类间独立性。当然,这个要用到变化类与未变化类的先验概率参数。该算法的有效性在很大程度上取决于EM算法估计出的参数的准确性和稳定性。Ya-Qiu Jin等将基于EM和MRF的无监督变化检测算法进一步改进,提出了基于2EM和MRF的无监督变化检测算法13。该算法是一个双阈值的EM和MRF算法,能将地形表面的变化从差值图像中提取出来。该算法对2008年5月12日的汶川地震的地形变化进行了检测,能够获取地形变化信息13。1.3.2 基于遗传算法的变化检测算法Turgay Celik提出了基于遗传算法的变化检测算法14。大多数的无监督的变化检测算法都是基于对差值图像的分析。高速处理器与并行计算的发展使得巨大数据量的数据运算成为可能。这激励人们用遗传算法(Genetic Algorithm)15去解决变化检测问题。该算法会给出一个初始的二值变化模板,作为第一代的变化检测图;然后在均方误差最小(MSE)的代价函数的驱动下,不断进化(遗传与变异),直至得到最终的变化检测图。该算法不需要任何先验假设。该算法的步骤如下14:(1)随机生成初始种群,并且使得该种群包含K个个体。设置种群代数g=1。(2)计算每个个体的适应度。(3)随机挑选父代个体。(4)运用交叉和变异,从父代产生子代个体。(5)计算每个子代个体的适应度。(6)通过优胜劣汰规则和转移规则,挑选下一代的个体.(7)添加已选择的个体到种群(8)设置种群代数g=g+1,返回步骤(3)。1.3.3 基于高斯混合模型和贝叶斯推理的变化检测算法Turgay Celik提出了基于高斯混合模型和贝叶斯推理的变化检测算法16。GMM,高斯混合模型,Gaussian Mixture Model的缩写;BI,贝叶斯推理,Bayesian Inference的缩写。该算法通过高斯混合模型建模来得到差值图像的数据分布。该数据分布被高斯混合模型分成两个类别,变化类与未变化类。每部分的权重用来估计相对应的类别的先验概率。然后用贝叶斯推理将差值图像的每个像素归类。该算法的抗噪性能很强16。1.3.4 基于半监督的支持向量机的变化检测算法Francesca Bovolo等提出了基于半监督的支持向量机的变化检测算法17。在多光谱的变化检测中广泛应用的技术之一就是变化向量分析18。CVA,Change Vector Analysis,是变化向量分析的缩写。变化向量分析通过将两个不同时相的遥感图像的每个像素对所对应的光谱特征向量相减来得到多维度的差值图像。所得到的差值图像的每个像素都是由一个光谱变化向量来描述的。然后根据贝叶斯阈值分割准则,对光谱变化向量集的变化值进行阈值分割,得到一个种子训练集。接着采用半监督的支持向量机对训练集进行训练,并根据相似度计算结果得到变化检测图。算法框架如图1.5所示。Tarek Habib等提出了4种减少支持向量数量的方法,并将支持向量机应用于变化检测19。图1.5 基于半监督的支持向量机的变化检测算法框架图1.3.5 基于后验概率空间的变化向量分析算法Jin Chen等提出了基于后验概率空间的变化向量分析算法20。该算法通过采用变化向量分析技术对后验概率空间进行分析,从而得到变化检测图像。算法框架如图1.6所示。该算法能够有效避免分类错误累积,并且可以提高变化检测准确率。但是该算法在训练样本选择方面依赖于研究者的经验,并且训练样本和阈值都要依赖手动选取。Pixel grey value x(2)Supervised ClassifierSupervised ClassifierPosterior Probability P(1)Posterior Probability P(2)D=P(2)-P(1)|D|>thresholdUn-Changed PixelChanged PixelDetermine change type according to the direction of DPixel grey value x(1)图1.6 基于先验概率空间的变化向量分析算法框图1.3.6 基于多项式回归和空间邻域的变化检测算法X. Yang等提出了基于传统的多项式回归的变化检测算法21。在文献21算法的基础上,Rouhollah Dianat等提出了基于改进的多项式回归和空间邻域相结合的变化检测算法22。传统的多项式回归算法不考虑空间邻域信息,该算法结合空间邻域信息,从而提高了算法的准确率。1.3.7 基于全色融合的变化检测算法该算法是针对高分辨率的多光谱图像的变化检测算法。高分辨率的多光谱传感器可以获得一张全色图像和一组多光谱图像。全色图像的几何分辨率非常高,但是光谱分辨率低。也就是说全色图像没有光谱的多样性,并且在区分不同种类的变化上比较困难。多光谱图像集空间分辨率低,但是有比全色图像更高的光谱分辨率。所以,在变化检测之前,进行全色融合就能使全色图像和多光谱图像集的属性都得到了利用。得到一组几何分辨率和光谱分辨率都很高的图像。可是,全色融合因为会造成伪造物的出现和光谱扭曲而导致变化检测准确率下降23。Francesca Bovolo等人研究全色融合在多大程度上对检测准确度造成影响 24。1.4 研究方案预案通过对近年来国内外学术界对变化检测及其相关领域的理论与应用的研究成果和最新进展的搜索、整理和总结,对遥感影像的变化检测的研究有以下三个构想:(1)研究方案预案一用最大类间方差阈值分割法对参考图像和检测图像进行图像分割,将分割后的图像进行图像差值。将差值图像结合数学形态学的腐蚀和膨胀等方法,最终得到变化检测的图像。(2)研究方案预案二在最小二乘图像相减法的基础上对误差影响因子进行合理的改进,得出一种适合建筑物的变化检测算法。(3)研究方案预案三图1.7 研究方案预案三框架图用参考图像对SVM分类器进行训练,用SVM分类器对检测图像进行分类,得出变化图像(如图1.7所示)。(4)研究方案预案四经过对国内外变化检测类文献的调研,发现一些学者在近年来提出的变化检测算法在性能上虽然已经很好,但是还是可以进一步做出一些改进。例如,基于PCA和KMeans的变化检测算法。该算法提取特征的方法是PCA,分类器是KMeans。因为有更好的提取特征方法与更强大的分类器。比较好的提取特征方法有主分量分析和非下采样Contourlet变换;更强大的分类器有上下截集模糊Kohonen聚类网络和脉冲耦合神经网络。将先进的特征提取方法与强大的分类器相结合,取长补短,并应用于变化检测,能够进一步提高变化检测算法的性能。1.5本论文的结构安排本文对近年来国内外学术界在特征提取和分类器方面的理论及其应用的研究成果和最新进展进行了搜索、整理和总结;与此同时,结合近年来国内外学术界在变化检测方面的理论和应用的研究成果和最新进展,对遥感影像的变化检测进行研究,提出了三种基于像素的无监督的遥感影像变化检测算法,并对提出的三种算法进行多角度的对比与归纳,得出了研究遥感影像变化检测算法的一般思路,希望能为后来研究遥感影像变化检测的学者们抛砖引玉。本文的结构安排如下:第一章,绪论部分,主要介绍本文的研究背景与意义、国内外学术界在相关领域的研究成果与最新进展以及本文的组织结构。第二章,基本理论部分,主要介绍本文后面提出的三种算法所采用的四种基本理论,其中主分量分析和非降采样Contourlet变换用于特征提取;上下截集模糊Kohonen聚类网络和脉冲耦合神经网络用于分类。第三章,主要介绍基于PCA和UDSFKCN的变化检测算法,对该算法的研究背景与意义、理论模型、实现算法以及实验结果都有详细的描述。该算法是一种基于主分量分析和上下截集模糊Kohonen聚类网络的无监督的不同时相的遥感影像的像素级变化检测新算法。该算法首次将主分量分析和上下截集模糊Kohonen聚类网络这两种方法结合,并将它应用于不同时相的遥感影像的变化检测。第四章,主要介绍基于NSCT和PCNN的变化检测算法,对该算法的研究背景与意义

    注意事项

    本文(信号与信息毕业论文.doc)为本站会员(仙人指路1688)主动上传,三一办公仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对上载内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知三一办公(点击联系客服),我们立即给予删除!

    温馨提示:如果因为网速或其他原因下载失败请重新下载,重复下载不扣分。




    备案号:宁ICP备20000045号-2

    经营许可证:宁B2-20210002

    宁公网安备 64010402000987号

    三一办公
    收起
    展开