基于神经网络的多源异质遥感图像变化检测方法
文献综述
前言：本次毕业设计中，我选择了基于神经网络的多源异质遥感图像变化检测方法这一课题。从分解课题名来理解理解，变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征与过程，是指通过分析同一地区不同时刻的图像，检测出该地区的地物随时间发生变化的信息。遥感影像根据工作方式的不同主要分为光学遥感影像和微波遥感影像。光学遥感是被动遥感，以合成孔径雷达（synthetic aperture radar，SAR）为代表的微波遥则是主动式微波成像传感器。遥感变化检测是利用多时相遥感数据，采用多种图像处理和模式识别方法提取变化信息，并定量分析和确定地表变化的特征与过程，是一个确定和评价各种地表现象随时间发生变化的过程。多源异质遥感影像是来源于不同成像传感器且数据结构差异很大的多时图像，变化检测十分困难。深度神经网络是目前的主要的包含多级非线性变换的层级机器学习方法的形式，其神经元间的连接模式受启发于动物视觉皮层组织。
相关文献的研究现状：正如西安电子科技大学计算智能研究中心在《Deep Neural Networks for Change Detection》中所介绍的那样，在上个世纪末，随着遥感技术的发展，遥感图像的变化检测已经变成卫星图像处理中一个日渐热门且越发重要的研究领域。现在，这项技术在民用和军事领域均有广泛的应用，例如疾病检测、医疗诊断和视频监控。李德仁老师在《利用遥感影像进行变化检测》中指出，近二十年来，遥感数据获取技术趋向三多(多传感器、多平台、多角度)和三高(高空间分辨率、高光谱分辨率、高时相分辨率) ，从而可以每天发回以TB为单位的影像数据。这使得传统的变化检测方法的难度大大提高，寻找一种全新的、高效的解决方法成为了十分紧要的事。得益于近年来神经网络的高速发展，我们见到了解决问题的曙光。人工神经网络是一种尝试模拟人脑的功能而产生的人工智能方法，深度神经网络源于人工神经网络。随着时间的推移人工神经网络由于运算复杂度高，训练难度大等问题，逐渐被SVM、Boosting和最大熵方法等浅层学习方法所替代。本世纪出,随着Hinton等人提出深度信念网络，具有多个隐含层的人工神经网络拥有十分优秀的特征学习能力，其可以学习到能够描述数据本质的特征，更利于数据的分类和可视化。而且传统的多层人工神经网络在训练上的难度，可以通过“逐层初始化”来有效克服。使得深度神经网络成为机器学习的一个新领域，而且在学术界和工业界都有着广泛的应用。正如刘嘉老师在《多目标演化深度神经网络模型与应用》中所指出的：遥感影像存在维度高、冗余度高、非结构化等难点,而深度神经网络具有特征深度抽象、自主表示学习、高效建模等特点,因此很适合于处理遥感影像。对于深度神经网络和遥感图像变化检测来说，它们结合的优点是显而易见的。因此有了本文的写作来源，即设计出一种基于神经网络的多源异质遥感图像变化检测方法。
总结：写作本文的目的在于建立针对多源异质变化检测的深度学习模型，设计网络结构、目标函数以及优化方法；基于所设计的模型完成代码实现，构造模型中各模块的结构与数据流程，调试网络中的各项参数以达到最优性能；在真实遥感数据集上设计仿真实验，从各方面测试和评估深度学习算法的优势和缺陷。文献[1]介绍了介绍了一种差异图生成方法，即组合差异图（combined difference image，CDI）法，该方法针对领域信息的融合改进，利用差值差异图和LR差异图进行参数加权获得新的差异图，解决了SAR图影像比那花检测中的差异图生成。文献[1]介绍了几种分析差异图的方法，包括阈值分析、聚类分析、图切分析和水平集分析，解决了SAR图影像变化检测中的差异图分析。文献[2]设计了一种双边耦合网络并建立相应的目标函数，该方法针对最小化未变化区域的耦合误差来突出变化区域，实现多源异质遥感影像的变化检测，解决了对同源及多源异质图像的精确检测。
参考文献：
[1] 公茂果, 苏临之, 李豪, et al. 合成孔径雷达影像变化检测研究进展[J]. 计算机研究与发展, 2016, 53(1):123-137.
[2] 刘嘉. 多目标演化深度神经网络模型与应用. 西安电子科技大学博士学位论文.
[3] Devi R N, Jiji G W. Change Detection Techniques-A Survey[J]. International Journal on Computational Sciences amp; Applications (IJCSA), 2015, 5(2).
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
