基于深度学习的高分影像人为扰动活动检测方法研究

作     者：张梦轩 

作者单位：河南理工大学 

学位级别：硕士

导师姓名：陈俊杰

授予年度：2022年

学科分类：08[工学] 0816[工学-测绘科学与技术] 081602[工学-摄影测量与遥感] 

主      题：变化检测 人为扰动 高分遥感影像 深度学习 卷积神经网络 

摘      要：遥感影像的人为扰动活动检测是通过对比两张相同区域不同时期的遥感影像来分析获取因人为因素导致地表发生变化的过程,本质上也是遥感影像的变化检测。随着我国科学的进步,遥感技术的发展,高分辨率遥感影像的获取也变得十分容易,高分辨率遥感影像变化检测在土地利用更新、灾害救援、环境监测、遥感监管、动态监测等领域也起着重要作用。本文利用深度学习中的语义分割模型对两期高分辨率遥感影像进行人为扰动活动变化检测,本文研究的主要内容如下:(1)基于选取的航空建筑物数据集和自行制作的龙南数据集,对不同的深度学习模型进行人为扰动活动检测实验,利用分类算法中的评价指标对实验结果进行分析。结果表明,UNet模型在两套数据集上的F1值分别为0.805、0.792、0.763和0.652,漏检率较低,预测图与变化参考图更接近,检测性能优于FCN、Seg Net、Siam UNet三种模型。(2)针对深层神经网络容易产生模型退化和UNet模型容易忽略像素与像素之间的空间关系,导致生成的变化检测图存在边缘细节模糊等问题,对UNet模型进行改进。本文将聚合残差模块和注意力模块引入到UNet模型中,形成新的检测模型——Res X-Att-UNet模型,对两套数据集,进行人为扰动活动变化检测实验,并与FCN、Seg Net、Siam UNet、UNet四种模型的实验结果进行对比分析。分析结果表明,本文提出的Res X-Att-UNet模型检测精度为89.5%,计算出的F1值分别提高了12.8%、10.7%、19.3%和5.6%,检测的人为扰动活动区域更加完整,提高了遥感影像的变化检测精度。本论文共有图41幅,表12个,参考文献77篇