领域知识优化深度置信网络的遥感变化检测.docx

领域知识优化深度置信网络的遥感变化检测 深度学习作为机器学习的一个重要分支，可以自动地将简单特征组合成复杂特征，并利用复杂特征进行分类，分类精度大大提高，其在变化检测领域的应用比其他方法更为宽泛，适用性也更强。深度置信网络（deep belief networks，DBN）是深度学习领域较为经典的模型，它通过联合概率分布来推断样本数据分布，非常适用于基于像元的变化检测研究。 遥感变化检测是利用不同时相的遥感影像和相关地理数据，结合遥感成像机理和地物特性，采用图像、图形处理理论和数学模型方法，确定和分析研究区的地表覆盖变化范围和变化类型。其研究目的是提取研究区变化信息，并生成变化图。高分辨率遥感影像比中低分辨率遥感影像具备更加丰富的光谱、纹理和形状等地物特征，但影像中同类地物的差异性增强，不同地物的光谱特征相互混淆，影像光谱域的统计可分性降低，信息提取难度增大，影像中“同物异谱，异物同谱”的现象大量发生，加重了地物光谱和纹理特征的离散程度，使得基于像元的变化检测精度难以提高。 领域知识在遥感影像变化检测中的应用，对于解决图像处理算法的局限性、提高变化检测的精度和图像处理的自动化程度具有较为理想的效果。改进的变化矢量分析算法和灰度共生矩阵算法能够提取影像光谱和纹理差异特征，减小由于预处理阶段的配准所造成的误差，减弱高分辨率遥感影像中地物间光谱特征相互混淆等不利因素对检测结果的影响。 本文以 DBN 为深度学习模型，利用 RCVA 和 GLCM 算法提取影像光谱和纹理差异特征。将原理性和经验性的领域知识整合成为知识规则，用于选取优质训练样本并作为优化深度学习变化检测结果的依据。通过高分二号与 IKONOS 影像的变化检测实验，验证了本文方法的有效性。 光谱变化特征提取由于不同时相影像成像条件不同，在对影像进行精配准后，影像间的配准误差仍难以消除。其结果则是两幅影像间的像元对应关系不正确，进而导致了检测时伪变化区的大量出现。RCVA 算法通过考虑像元的邻域信息，选择光谱差异最小的像元对进行检测，消除了配准误差带来的影响。 纹理变化特征提取纹理特征是反映图像中同质的一种视觉特征，它体现了物体表面的结构组织排列属性，对于反映物体的表层特征变化具有重要利用价值。GLCM 是提取纹理的一种经典方法，也是目前普遍使用且提取效果较好的纹理特征分析法。已有的研究定义了 14 种标量来进行纹理分析，其中最常用的有均值、方差、协同性、对比度、熵等 8 种。以方差为标量研究纹理特征时，最能反应不同地物间的差异。 结合领域知识的训练样本优化根据光谱变化和纹理变化强度图，通过设置不同阈值提取样本，可对样本进行不同程度的划分。为保证样本的充分性，最大限度地选择到具有代表性的变化地物和未变化地物样本，通过自定义阈值取并集的方式，分析得出合理的阈值组合，并选择该阈值组合。 本文提出了一种基于领域知识优化的深度学习变化检测方法，旨在解决高分辨率遥感影像变化检测的难点问题，提高变化检测的精度和自动化程度。该方法可以广泛应用于遥感变化检测、地物分类、环境监测等领域，具有较高的应用价值和推广前景。