基于显著性卷积神经网络的变化检测方法

针对变化检测方法对差异遥感影像去除斑点噪声和地物边缘检测效果不佳的问题,该文提出一种基于显著性卷积神经网络(SCWNN)的变化检测方法。该方法采用上下文感知显著性检测方法,提高遥感影像中差异较大区域显著性值,减小差异较小区域显著性值,有效优化了地物边缘,同时降低斑点噪声;然后采用卷积神经网络方法,克服了由于样本不足对变化检测精度的影响。通过超高分辨率影像和合成孔径雷达两组双时相遥感影像数据进行实验,结果表明方法的有效性和鲁棒性。     

基于卷积神经网络的快速SAR自聚焦方法

自聚焦是SAR高分辨率成像的关键技术。然而,传统的SAR自聚焦方法均需要迭代多次,实时性差,不适合在轨处理。本文提出了一种基于卷积神经网络的在轨快速SAR自聚焦方法(CNN-AF),该方法采用卷积神经网络来学习失焦图像到聚焦图像的映射,主要用于校正方位向的相位误差,由于在测试阶段该方法无须迭代和调整参数,因此该方法实时性好,更加适用于在轨处理。在真实SAR数据上的试验结果表明,本文方法具有较高的聚焦质量和聚焦速度。     

一种针对精化样本的非监督SAR变化检测方法

针对非监督框架下的深度学习SAR变化检测方法在样本选取时出现样本非平衡及冗余问题,改进了一种针对精化样本的非监督SAR影像变化检测方法:利用分层FCM针对不同差异图进行分割确定初始类别;提出利用邻域清理规则进行潜在错误样本剔除并利用异质类空间距离完成对样本的筛选;构造卷积神经网络完成对待确定类别像素的分类,得到最终变化结果.采用三组实验数据进行实验,结果表明该文方法可行有效,且能在较好应对样本问题的同时具有较高的变化检测精度.     

多尺度融合卷积神经网络支持下的SAR影像变化检测

相干斑噪声的存在影响着合成孔径雷达(SAR)影像识别变化信息的能力。为了提高变化检测的准确性,必须充分考虑相干斑噪声的影响。本文提出了一种新的变化检测方法,利用联系上下文显著性提取方法,从差异图中提取潜在变化区域和背景信息,在保留图像主要纹理细节的同时去除背景噪声。针对当前变化检测方法特征表达不足的问题,设计了一种多尺度通道注意力模块squeeze, expand and excitation(SEE),在获取多感受野信息的同时强调重要信息,不至于产生信息冗余。在此基础上,提出了一种多尺度融合卷积神经网络——SEENet。SEENet将3个SEE模块残差连接,以实现信息的多级利用。通过在4个SAR真实数据集上的试验,验证了该方法的有效性。     

基于Siamese卷积神经网络的影像瓦片变化检测技术

针对地理信息变化较快而传统更新方式效率不高的问题,目前许多学者提出了各类变化检测的方法,但这些方法大都是基于影像数据进行试验,对影像预处理要求较高,且检测精度的稳定性较差,受数据源质量影响较大。而天地图、百度地图、谷歌地图等地图中均可免费下载各种级别的影像瓦片,因此本文提出利用天地图影像瓦片进行试验,采用Siamese卷积神经网络（SCNN）和深度学习技术,开发基于SCNN的高精度变化监测算法,以快速发现变化区域,实现地理信息变化信息检测。     

长短期记忆压缩激励全卷积神经网络建筑物变化检测

针对当前遥感影像建筑物变化检测未考虑时序信息,导致变化特征提取效果欠佳,本文提出了一种长短期记忆压缩激励全卷积神经网络。在全卷积神经网络框架下,搭建了结合长短期记忆网络与压缩激励网络原理的长短期记忆压缩激励单元,使算法能够充分结合纹理特征及时序特征优势,提高遥感影像建筑物变化检测精度。以遥感影像建筑物变化检测公开数据集LEVIR-CD作为实验数据对该方法进行验证,结果显示,F1-score达86.35%,相较于FC-EF、FC-CONC、FC-DIFF算法,F1-score分别高出2.35%、3.47%、4.52%。     

多尺度特征孪生神经网络的建筑物变化检测方法

针对从多时相高分辨率遥感影像上做建筑物变化检测出现的细节特征丢失、变化检测结果模糊的问题,该文提出了一种基于多尺度特征孪生神经网络的遥感影像建筑物变化检测算法。以孪生神经网络为基础网络,将Inception v2结构加入网络特征提取层中,获得遥感影像多尺度特征,并对其进行多特征融合,更好地还原建筑目标的细节信息。与全卷积孪生神经网络网络相比,在WHU和LEVIR-CD建筑变化数据集下的实验结果表明,overall accuracy、F1-score和Kappa系数指标都有所提高,本文的多尺度孪生神经网络方法更利于建筑物变化检测,并获得了良好的测试结果。     

一种基于极化距离测度的SAR变化检测方法

本文在经典的极化分类Wishart距离基础上提出了一种对变化敏感的极化距离测度,发展了相应的多时相极化SAR变化检测方法。以北京地区的多时相全极化RADARSAT-2影像进行了实验,对比分析了提出的极化距离测度与各个极化通道后向散射系数对数比值对不同类型地物变化的区分能力,结果表明,提出的极化距离测度不仅对所有的变化类型均有良好的检测作用,而且对变化区域有更高的区分力。这说明本文提出的极化SAR变化检测方法具有广泛的应用价值。     

多尺度分割优化的SAR变化检测

基于SAR图像的变化检测和尺度有较强的相关性,提出了一种联合变化前后的两幅SAR图像进行多尺度分割的方法,在分割的图斑基础上采用了交叉熵计算图斑之间的差异程度。根据多个尺度分割的斑块计算系列差异指数,采用多尺度优化的方法得到最佳差异指数,最终实现变化区域的提取。通过对SAR图像的实验处理,说明了在多尺度联合分割的基础上进行变化检测可以得到较好的检测效果。     

基于小波变换的多时相SAR图像变化检测技术

提出基于小波变换的双阈值(TWT)SAR图像变化检测算法。采用期望最大化(EM)算法产生双阈值,可以区分像素发生变化的类型(如变化区域增强类和变化区域减弱类)或变化等级。用SAR图像数据进行实验,结果表明该方法有效。     

基于深度卷积神经网络的云检测方法

本文将Fmask云检测结果作为标记样本对深度卷积神经网络进行训练以实现云检测.在仅利用可见光波段和近红外波段的前提下,本文方法的云检测总体精度达到87.65％,高于Fmask的86.92％,而且单景Landsat 8影像的识别用时18 s,远低于Fmask的72 s,具有更高的精度和效率.另外,该方法适用于不同的地表土...     

DSSRM级联分割的SAR图像变化检测

SRM(Statistical Region Merging)分割算法具有快速、稳定和抗噪强的优点,基于此,本文提出一种基于DSSRM(Dynamic Sorting Statistical Region Merging)级联分割的SAR图像变化检测方法。首先,针对SRM算法基于单特征静态排序导致的过分割问题,提出一种动态排序模式的DSSRM算法以减少差异图像分割错误,该算法建立基于合并区域的多特征马氏距离排序准则,在每次合并之后更新区域邻接矩阵并重新排序;然后,基于互信息最小化准则构造多通道差异数据集以提高算法对区域合并的约束能力;最后,提出一种级联分割变化检测框架,第1级利用SRM算法将差异图像映射到超像素空间,第2级采用DSSRM算法对超像素进行动态合并获得收敛的分割结果,第3级采用简化SRM方法进行三次合并获得最终的变化检测图。实验结果表明,该方法可以获得比SRM方法和目前流行方法更好的检测性能。     

级联卷积神经网络的遥感影像飞机目标检测

传统遥感影像飞机目标检测算法依赖于人工设计特征,对大范围复杂场景和多尺度的飞机目标稳健性较差,基于深层卷积神经网络的目标检测算法通常难以有效应对大幅影像的目标搜索和弱小目标检测问题,针对上述问题,本文提出了一种基于级联卷积神经网络的遥感影像飞机目标检测算法。首先根据全卷积神经网络能够支持输入任意大小图像的特点,采用小尺度浅层全卷积神经网络对整幅影像进行遍历和搜索,快速获取疑似飞机目标作为兴趣区域,然后利用较深层的卷积神经网络对兴趣区域进行更精确的目标分类与定位。为提高卷积神经网络对地物目标的辨识能力,在卷积层中引入多层感知器,并在训练过程中采取多任务学习与离线难分样本挖掘的策略;在测试阶段,建立影像金字塔进行多级搜索,并结合非极大值抑制消除冗余窗口,从而实现由粗到精的飞机目标检测与识别。对多个数据集下多种复杂场景的遥感影像进行测试,结果表明,本文方法具有较高的准确性和较强的稳健性,可为大幅遥感影像的飞机目标检测问题提供一个快速高效的解决方案。     

城市扩展元胞自动机多结构卷积神经网络模型

传统的城市扩展元胞自动机(CA)模型是基于单个元胞的变量信息挖掘来构建转换规则的。针对这一问题,本文基于多结构卷积神经网络提出从区域特征出发且顾及区域多尺度特征挖掘转换规则的城市扩展元胞自动机模型(MSCNN-CA),并以武汉主城区和上海浦东新区为例,模拟了两个试验区2005—2015年期间城市扩展过程。模型验证表明:与逻辑回归和神经网络相比,本文构建的3个单一结构的卷积神经网络元胞自动机(CNN-CA)模型在4个指标(Kappa系数、FoM(figure of merit)值、命中率(h)和错误率(m))上都有不同程度的提高。特别是FoM指数,在武汉主城区提高了23.3%～29.4%,在上海浦东新区提高了20.3%～28.5%。此外,MSCNN-CA模型与3个单一结构的CNN-CA模型相比,在各个指标上也有所改善,FoM指数在武汉主城区提高了0.8%～4.8%,上海浦东新区提高了2.8%～7.8%。两个试验区的模拟结果表明:相比传统CA模型,基于多结构卷积神经网络的城市扩展元胞自动机模型(MSCNN-CA)能够有效提高城市扩展模拟的精度,更真实地反映城市扩展空间演变过程。相比单结构的...     

深度卷积网络支持下的遥感影像井盖部件检测

数字城市管理发展中城市部件调查是一项重要的任务,但是城市井盖部件信息获取存在人工调绘效率低、精度难以保证等缺陷,影响城市井盖部件的及时更新。因此本文利用深度卷积神经网络模型,通过小卷积核、尾部裁剪和保持输入大小等改进边缘检测网络（HED）并增加两层卷积运算提取目标,提出HED-C网络模型,实现了端到端的井盖部件目标检测。试验结果表明,利用HED-C模型井盖部件召回率可达96.58%,查准率可达97.93%,相较Faster R-CNN、YOLO和SSD网络模型,综合性能有了较大提高。     

卷积神经网络GPS坐标转换方法

GPS坐标转换方法对于GPS空间定位系统至关重要。目前已有很多方法被提出用于转换GPS坐标,但效果并不是很显著。究其原因,是因为大多数都存在模型误差和投影误差。针对目前方法的不足,本文利用深度学习对非结构化数据处理的优势,提出了一种基于卷积神经网络(CNN)的GPS坐标转换方法。该方法将GPS数据转化为非结构化图片数据,以其作为CNN的输入层来训练GPS坐标转换模型,这样能够最小化满足对数据的预处理要求,无监督地从数据中学习出有效特征。试验结果表明,该方法与传统坐标转换方法相比,具有更高的转换精度。     

遥感影像目标的尺度特征卷积神经网络识别法

高分辨率遥感影像的目标检测与识别,是高分对地观测系统中影像信息自动提取及分析理解的重要内容。针对传统影像目标检测与识别算法中人工设计特征稳健性与普适性差的问题,本文提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别方法。首先通过统计遥感影像目标的尺度范围,获得卷积神经网络训练与测试过程中目标感兴趣区域合适的尺度大小。然后根据目标感兴趣区域合适的尺度,提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别架构。通过WHU-RSone数据集对本文卷积神经网络架构与Faster-RCNN架构对比测试验证。试验结果表明,本文架构ZF模型和本文架构VGG-16模型的mean average precision(mAP)分别比Faster-RCNNZF模型和Faster-RCNNVGG-16模型提高8.17%和8.31%,本文卷积神经网络架构可获得良好的影像目标检测与识别效果。     

一种基于图像边缘特征的SAR斑点滤波算法

合成孔径雷达图像上的斑点噪声会阻碍图像的校准、检验、解译和应用,因此斑点噪声的去除是雷达图像处理的一个重要环节。通常的去噪方法在抑制噪声的同时也使得图像的边缘模糊,细节特征损失。理论和实践表明去除图像的斑点噪声和保持图像的边缘信息是无法同步实现的。为了在去除噪声和保持边缘特征之间进行折衷,本文基于MROA边缘检测算法以及均值滤波算法,提出了一种基于图像边缘特征的斑点噪声滤波算法。实验结果表明该算法能够在平滑图像的同时有效保持边缘特征信息。     

卷积神经网络在大规模图像分类中的应用

针对大规模无序图像分类处理中成对图像的匹配和几何验证的计算量大的问题,该文通过研究和学习机器学习及图像识别领域先进的方法,提出了一种基于孪生神经网络的大规模图像有序化方法。该算法主要是:通过抽取已训练好的VGG19的网络模型的卷积层作为图像的特征,将提出的特征分别加权后,连接起来,再次卷积和池化,利用响应函数判定图像之间连通性,实现对输入图像对连通性判定。经实验证明,该算法可有效地识别具有场景重叠的图像对,效率和精度上也有所提高,无须执行详尽的推定匹配和几何验证,适用于运动恢复结构,图像连接等各种场景。