基于对象分割的卫星图像中物体变化检测与识别算法研究
论文名称：《基于对象分割的卫星图像中物体变化检测与识别算法研究》
指导教师：娄淑琴
论文作者：吴宪
毕业院校：北京交通大学
文章内容概要
- 研究无监督特征提取算法提取大场景下目标对象图像特征
- 研究软聚类算法，在特征提取的基础上获取变化区域
- 研究基于深度学习的目标对象提取，提取目标的范围标识
- 研究无监督变化检测算法结合深度学习目标对象提取的变化检测算法
- 介绍将遥感数据集数据处理算法包括影像拉伸、数据均衡、数据增强
- 详细介绍Unet网络进行建筑物分割的步骤，提取算法进行比较
数据处理
- 影像拉伸
- 是将16位的遥感影像转换为8位的遥感影像，并且将影像进行中心化和标准化
- 数据均衡
- 随机选择类别所对应的样本。该方法对于简单类别和样本处理方便
- 按照排序，按照原始样本的类别，然后统计各个类别的样本数目，最后记录样本量最多的类
- 根据这个最多样本数对每类样本产生一个随机排列的列表，然后用此列表中的随机数对各自类别的样本数取余，得到对应的索引值
- 数据增强
- 用于获得批处理数据之后对这个批处理数据进行增强，如旋转、平移、翻折等相应的变化
- 使用数学平均值和平均值，根据需要对相关字段的值进行估计
- 基于分析统计，根据事件的概率填充值，数据增强的方法具体包括样本旋转、样本缩放、样本剪裁、样本平移以及样本加噪等
于无监督特征提取算法的变化区域检测
- 图像配准
- 图像配准是将同一场景的两幅或多幅图像在不同的时间、从不同的视点或由不同的传感器获得的图像进行配准的过程
- 利用SIFT获取特征点、根据特征点匹配获取单应性矩阵、图像乘以单应性矩阵
- SDAE算法
- 利用深度架构首先对自动编码器进行分层预训练，将预训练的结果作为整个深度网络的初始化，然后根据标准值对整个网络进行微调
- 模糊C均值
- FCM是一种软聚类算法，作为一种常用的非监督聚类算法，在模式分类、医学图像分割等领域得到了较为广泛的应用
- 通过计算直方图中每个点的斜率，根据其规则来确定聚类中心和聚类数，解决了对初始值敏感，易陷入局部极值的问题
标建筑物识别
- 基于特征的建筑物识别算法
- 通过将对象进行矢量化获得建筑物的边界进而计算其几何特征信息
- 影像对象内部及其边缘的像元分布统计得到的协方差矩阵用来描述影像的形状特征，可以客观的反应各像素在对象空间的分布规律
- 基于深度学习的建筑物识别
- U-net模型
- W-net模型
- 损失函数与边缘精细化处理
实验结果
-
实验结果图
