發(fā)布時間：2020-06-18 14:44

【摘要】：在遙感圖像處理中,建筑物變化檢測一直都是遙感領域的熱點話題。建筑物變化信息在城市規(guī)劃、城市管理、違章建筑識別等方面有著至關重要的作用。使用實地調查的方法檢測建筑物的變化需要耗費大量的人力和物力資源,數(shù)據(jù)采集周期長且容易出錯,而使用遙感技術對建筑物進行變化檢測不但可以解決上述問題,而且可以提高檢測效率和精度。在遙感圖像獲取的過程中,由于拍攝視角、拍攝時間等變化,導致采集到的遙感圖像具有較低的重疊率和非剛性畸變,另外,在同一場景采集到的遙感圖像對(如多時相或多視角)不在同一坐標系,不能直接進行變化檢測。因此,需要對采集的圖像進行校正,而遙感圖像配準方法通過兩幅圖像間的特征點對應關系可以將兩幅圖校正到同一坐標系。因此變化檢測的關鍵步驟是圖像配準,圖像配準性能直接影響變化檢測的結果。本文研究的基于遙感圖像配準的建筑物變化檢測算法可分兩個階段進行研究:一是遙感圖像配準算法研究,二是建筑物變化檢測算法研究。主要研究貢獻如下:(1)提出了一種無人機遙感圖像配準方法。該方法主要是解決由于圖像間的低重疊率和非剛性畸變所造成的高冗余點率問題。其中心思想是保持重疊區(qū)域內的內點精確地對齊,同時利用冗余點指導非重疊區(qū)域網(wǎng)格化圖像的形成;(2)提出了一種魯棒的建筑變化檢測框架,可以檢測小型無人機或衛(wèi)星獲取的多時相建筑物遙感圖像對。該框架利用CNN特征和超像素分割相結合的方法進行變化檢測。本文使用60對小型無人機建筑物遙感圖像和60對衛(wèi)星建筑物遙感圖像進行圖像配準和變化檢測實驗。通過實驗結果可知,在大多數(shù)情況下,本文所提出的配準方法與其他幾種流行的方法相比性能最佳。由于良好的配準性能,本文所使用的變化檢測方法也取得了較好的實驗結果。
【學位授予單位】：云南師范大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TU19;TP751
【圖文】：

第 1 章 引言圖像配準通過兩幅圖像間的特征點對應關系可以將兩幅圖糾正到同一坐標系，因此圖像配準是變化檢測的關鍵步驟，也是本文最值得關注的研究點。圖像配準精度直接影響變化檢測的結果。由于采集的圖像對間的低重疊率和非剛性畸變，在特征點提取過程中會產生大量冗余點，從而增加了配準和變化檢測的難度，為了解決這個問題，本文提出了一種針對有較多冗余點的非剛性遙感圖像配準方法，在配準之后本文利用了當前比較流行的卷積神經(jīng)網(wǎng)絡（ConvolutionalNeural Network, 簡稱 CNN）特征和超像素分割相結合的方法進行變化檢測。采用遙感圖像變化檢測的手段獲得城市地理空間信息，進行城市違章建筑或非法占地的快速檢測，無疑是更高效的方式。所以，研究基于遙感圖像配準的建筑物變化檢測算法具有重要的現(xiàn)實意義。

圖 1.2 圖像配準主要分類當前的圖像配準方法主要包括：（1）基于區(qū)域的配準方法；和（2）征的配準方法[2]。其中，方法（1）主要是利用圖像的灰度信息，建立兩之間的相似性度量，再統(tǒng)計相似性度量值最大或最小變換模型的參數(shù)值到配準圖像的目的；而方法（2）是把提取出來的圖像的某種固定特征值準圖像進行比較分析，以獲得配準后的結果[3]。與方法（1）相比，方法受光照、旋轉影響，保持高效率的同時還能大大減少計算量。本文所提出的配準方法主要使用方法（2）。方法（2）與方法（1）的于：方法（2）主要通過提取圖像特征將問題轉化為特征點集的配準問題局部特征描述符來提取特征點，再通過使用不同的相似性測量來匹配圖點�；�于特征的方法主要包括三步：（i）特征提�。菏褂镁植棵枋龇�或從待配準圖像和參考圖像提取足夠數(shù)量的特征點；（ii）特征點集匹配或過特征距離或特征點集配準的方法得到兩個點集之間的對應關系（或對

【參考文獻】

相關期刊論文 前9條

1 佟國峰;李勇;丁偉利;岳曉陽;;遙感影像變化檢測算法綜述[J];中國圖象圖形學報;2015年12期

2 張永梅;季艷;馬禮;張睿;李潔瓊;熊焰;;遙感圖像建筑物識別及變化檢測方法[J];電子學報;2014年04期

3 胡榮明;黃小兵;黃遠程;;增強形態(tài)學建筑物指數(shù)應用于高分辨率遙感影像中建筑物提取[J];測繪學報;2014年05期

4 余先川;呂中華;胡丹;;遙感圖像配準技術綜述[J];光學精密工程;2013年11期

5 陳本清;楊燕明;鄭凌虹;文洪濤;;基于SIFT和TPS算法的四旋翼無人機圖像自動配準[J];遙感技術與應用;2013年04期

6 王春瑤;陳俊周;李煒;;超像素分割算法研究綜述[J];計算機應用研究;2014年01期

7 梁棟;顏普;朱明;胡根生;;一種基于NSCT和SIFT的遙感圖像配準算法[J];儀器儀表學報;2011年05期

8 汪閩;張星月;;多特征證據(jù)融合的遙感圖像變化檢測[J];遙感學報;2010年03期

9 王國權;周小紅;蔚立磊;;基于分水嶺算法的圖像分割方法研究[J];計算機仿真;2009年05期

相關碩士學位論文 前5條

1 李朝良;基于深度學習的異源圖像變化檢測[D];西安電子科技大學;2018年

2 高鈺;基于卷積神經(jīng)網(wǎng)絡的目標檢測算法研究[D];北京交通大學;2018年

3 楊磊;基于多特征Dempster-shafer證據(jù)融合的高分辨率遙感影像建筑物變化檢測[D];西南交通大學;2016年

4 程蕾;基于局部特征幾何結構的目標識別方法研究[D];中國科學技術大學;2009年

5 劉小洲;高分辨率遙感圖像的變化檢測技術研究[D];國防科學技術大學;2007年

本文編號：2719417