發(fā)布時間：2018-12-14 23:09

【摘要】：隨著遙感影像獲取技術(shù)手段的日益先進以及海量遙感數(shù)據(jù)的積累,遙感影像變化檢測技術(shù)已經(jīng)在自然災害的災情評估、地理數(shù)據(jù)的更新、災后的城市重建規(guī)劃、以及對資源和環(huán)境監(jiān)測等方面獲得越來越多的應用。變化檢測旨在對同一地區(qū)不同時間的兩幅或多幅遙感圖像分析,檢測出該地區(qū)地物隨時間發(fā)生的變化信息。變化檢測方法的過程一般分為預處理、差異圖像獲取、差異圖像分析及精度評價四個階段。其中,差異圖像的獲取及分析是影響檢測精度至關(guān)重要的因素,本文主要針對差異圖像的獲取與分析,引入了多尺度分析工具及機器學習方法,提出了新的變化檢測方法。所取得的主要研究成果包括以下方面:1.針對差異圖像中含有大量的斑點噪聲等干擾,對后續(xù)的分析及處理帶來干擾的問題,為了有效地提取變化區(qū)域,去除斑點噪聲的影響,提出了一種基于方向特性的非下采樣Contourlet變換(Non-Subsampled Contourlet Transform,NSCT)遙感影像噪聲抑制方法。該方法通過對差異圖像進行NSCT分解,得到多個尺度多個方向的分解系數(shù),然后統(tǒng)計每個尺度每個方向上的系數(shù)的能量,并將高頻能量按從大到小排列,再選取滿足特定條件的表達式進行特定的基于尺度、方向的閾值去噪處理;完成對每個尺度每個方向上的系數(shù)處理后再進行逆NSCT,達到對差異圖像去噪的目的。本方法可在抑制噪聲的同時,保持目標待判像素點區(qū)域的變化信息。2.針對無監(jiān)督變化檢測方法的檢測精度不高、魯棒性低的缺點和有監(jiān)督變化檢測方法需要大量的訓練樣本的不足,提出了一種基于在線學習的遙感影像變化檢測方法。該方法摒棄了傳統(tǒng)的以整幅差異影像為處理對象進行逐像素分類的分析方法,而是將差異影像劃分為圖像塊的形式,然后以類似視頻幀的形式,通過在線學習機制不斷更新樣本庫、優(yōu)化分類器,并逐個對幀圖像塊進行分類處理得到其檢測結(jié)果;最后,將每幀的分類檢測結(jié)果拼接還原成整幅圖像,完成對整幅差異圖像的分析步驟。本章方法與傳統(tǒng)的無監(jiān)督變化檢測方法相比,具有普遍的適用性和較高的檢測精度。3.針對本文提出的基于在線學習的遙感影像變化檢測方法的自動化程度不高的缺點,提出了一種基于NSCT去噪及支撐矢量機(Support Vector Machine,SVM)分類的自適應遙感圖像變化檢測方法。該方法首先構(gòu)造差異圖像,再在差異圖像的基礎上進行基于NSCT的去噪,然后在去噪后的差異圖像上,進行基于2×2尺度的重疊塊掃描并用均值分類器進行“粗分類”;與此同時,根據(jù)閾值可以構(gòu)造去噪前原始尺度上的樣本庫,并對SVM分類器進行訓練;最后,將“粗分類”后的剩余待判定像素點進行SVM測試,進行“細分類”,即可獲得剩余待判定像素點的類標,進而獲得最終的變化檢測結(jié)果。本章方法在保持高的檢測精度的同時,避免了人為干預,提高了變化檢測方法的自動化程度。與傳統(tǒng)方法的無監(jiān)督遙感圖像變化檢測方法相比,具有檢測精度更高的特點。
[Abstract]:......
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP751

【參考文獻】

相關(guān)期刊論文 前1條

1 劉文萍;吳立德;;圖像分割中閾值選取方法比較研究[J];模式識別與人工智能;1997年03期

，

本文編號：2379480