论文部分内容阅读
变化检测技术是图像领域的重要研究方向之一,它的目标是通过对同一地区不同时间段获得的两幅图像进行观测与分析,从而定性定量的辨识出地表的变化信息,该技术能够广泛应用于灾害评估、土地监测等重要领域。按照图像获取来源是否相同,可以将图像变化检测问题分为同源图像变化检测和异源图像变化检测。近几年来,同源图像变化检测技术发展迅速,出现了很多效果卓著的算法,但随着图像获取技术的不断发展,这些同源图像变化检测算法越来越不能满足实际的需要。而且深度学习在图像领域的应用日益成熟,将其应用于图像变化检测问题中的可行性也越来越高。因此,本文在对传统的同源图像变化检测算法进行充分研究的基础上,提出了两种基于深度学习的异源图像变化检测算法,并设计了一个用以解决实际问题的图像变化检测系统。本文主要工作如下:(1)提出了一种基于特征学习与分类的异源图像变化检测算法。该算法通过深度神经网络的特征学习能力将变化检测问题转换到深层次特征空间上进行,首先构造初始变化检测结果图,然后利用堆叠自编码器学习两幅异源图像的深层特征,最后利用卷积神经网络根据初始结果图对特征图进行分类,得到最终变化检测结果。该算法无需产生差异图,实现了由输入图像直接输出变化检测结果图。实验结果证明了该算法的有效性。(2)提出了一种基于深度映射关系学习的异源图像变化检测算法。该算法通过深度神经网络的映射关系学习能力将两幅异源图像转换到同一特征空间上进行对比,然后通过对比两种不同的映射关系来获得差异图,最后利用模糊聚类算法得到变化检测结果。该算法在映射关系的学习过程中不需要带标签的训练样本来保证网络的性能。仿真结果证明了该算法的有效性。(3)设计了一个基于开源计算机视觉库OPENCV的图像变化检测系统。该系统集成了常见的图像变化检测算法,并且将论文中涉及到的两种基于深度学习的异源图像变化检测算法进行实现并作为一个重要模块加入到系统中。该系统的设计架起了由学术问题研究到实际问题应用的桥梁,方便了科研人员进行快速的算法对比分析,同时也为相关领域的应用开发人员提供了一个快速获得结果的工具。