基于图像显著性和增量深度学习的高分辨SAR图像变化检测

发布时间：2023-11-26 15:15

　　图像变化检测是指对同一地区不同时相的两幅或多幅图像进行分析,得到图像中发生变化的区域。合成孔径雷达(Synthetic Aperture Radar,SAR)具有不受天气和时间限制的工作能力,在农、林、水、自然灾害、城市建设等民用领域和军事领域均具有广泛的应用前景。因此,SAR图像成为变化检测的一种数据来源。本文基于图像显著性和深度学习,提出了三种新的SAR图像变化检测方法。1.提出一种基于堆栈自编码网络(Stacked Auto-Encoder,SAE)提取显著性区域的高分辨SAR图像变化检测方法。该方法分为显著性区域提取和变化区域检测两个步骤。显著性区域提取过程中,首先通过堆栈自编码网络提取图像深层特征,并对特征差异性分析获得单尺度显著性区域,然后修改样本块大小得到多尺度下的显著性区域并融合,得到最终显著性区域。变化区域检测过程中,采用模糊C均值聚类对显著性区域像素值进行聚类得到变化检测结果。本方法的关键在于显著区域的提取过程中,堆栈自编码网络的引入,克服了以往显著性检测方法中对图像隐含信息利用不充分和阈值选取困难的问题;多尺度显著性区域的融合提高了显著性区域的查全率,更有利于后期...

【文章页数】：109 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景及意义
    1.2 研究现状及现存问题
        1.2.1 研究现状
        1.2.2 现存问题
    1.3 SAR图像变化检测基本步骤及评价指标
        1.3.1 SAR图像变化检测基本步骤
        1.3.2 SAR图像变化检测评价指标
    1.4 深度学习基础理论
        1.4.1 深度学习思想及发展
        1.4.2 有监督深度学习
        1.4.3 无监督深度学习
    1.5 论文的主要工作及内容安排
    1.6 本章小结
第二章 基于堆栈自编码网络提取显著性区域的高分辨SAR图像变化检测
    2.1 堆栈自编码网络基本理论
    2.2 显著性检测基本理论
        2.2.1 显著性检测概念
        2.2.2 显著性检测方法分类
    2.3 聚类算法和广义高斯K&I阈值算法
        2.3.1 聚类算法
        2.3.2 广义高斯k&I阈值算法
    2.4 基于堆栈自编码网络提取显著性区域的高分辨SAR图像变化检测算法
        2.4.1 基于SAE网络的显著性区域提取算法
        2.4.2 变化检测算法
    2.5 参数选择和实验结果分析
        2.5.1 数据集介绍
        2.5.2 参数选择
        2.5.3 实验结果与分析
        2.5.4 显著性区域检测方法对比
    2.6 本章小结
第三章 基于曲线波SAE的高分辨SAR图像变化检测
    3.1 引言
    3.2 曲线波变换基本理论
        3.2.1 曲线波变换的提出
        3.2.2 第一代曲线波变换
        3.2.3 第二代曲线波变换
    3.3 基于曲线波SAE的高分辨SAR图像变化检测算法
        3.3.1 曲线波自编码网络
        3.3.2 算法流程
    3.4 实验结果与分析
        3.4.1 Brazil1数据结果与分析
        3.4.2 Brazil2数据结果与分析
        3.4.3 Namibia数据结果与分析
        3.4.4 Indonesia数据结果与分析
        3.4.5 仿真数据结果与分析
    3.5 本章小结
第四章 基于增量CAE网络的高分辨SAR图像变化检测
    4.1 卷积自编码网络基本理论
    4.2 基于增量卷积自编码网络的高分辨SAR图像变化检测算法
        4.2.1 ICAE网络
        4.2.2 ICAE和聚类的结合
    4.3 变化检测结果与分析
        4.3.1 参数选择
        4.3.2 实验结果与分析
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
作者简介



本文编号：3868029