基于LBP和深度学习的SAR图像变化检测方法研究

摘要

随着观测项目的不断发展，社会各界对遥感图像变化检测精度提出了更高的要求。合成孔径雷达（Synthetic Aperture Radar，SAR）图像可以不依赖于大气和阳光条件获得，在变化检测中有着独特的优势。因此，近几十年来，合成孔径雷达图像已成功地应用于环境监测、城市研究和灾害评估等领域。然而，由于SAR图像上固有的斑点噪声的存在，使得基于SAR图像的变化检测变得困难。为此，本文就如何有效提高SAR图像变化检测精度及增加变化检测算法的实用性展开研究。主要的研究成果如下： （1）为了充分利用局部二进制模式（Local Binary Pattern，LBP）分类能力强、计算复杂度低、特征鉴别力较高、对单调的灰度变化具有不变性、且能结合图像整体特征的特点，同时增强算法对SAR图像斑点噪声的鲁棒性，提出了改进LBP和FCM的SAR图像变化检测的方法。实验结果表明：算法具有很好的检测性能，不仅较好地提高了算法对斑点噪声的鲁棒性，而且明显提高了变化检测的精度。 （2）针对斑点噪声影响SAR图像变化检测精度的问题，基于深度学习理论，提出基于堆叠稀疏自动编码器（Stacked Sparse Automatic Encoder，SSAE）的SAR图像变化检测方法，将SSAE运用到SAR图像的变化检测中，用以提取图像的深层特征，减少SAR图像斑点噪声对变化检测的影响。实验结果表明：SSAE对SAR图像斑点噪声具有较高的鲁棒性，可以有效的提高变化检测精度。 （3）为了增加SAR图像变化检测方法的实用性，本文基于MATLAB R2013a平台，利用GUIDE建立图形化用户界面（Graphical User Interfaces，GUI），以此来对本文提出的两种SAR图像变化检测方法进行软件设计。通过将设计的软件分别在三组数据集上进行测试与应用。实验结果表明：SAR图像变化检测软件的设计与应用，有效提高了变化检测的自动化能力，增加了算法的有效性与实用性。

目录

声明

致谢

变量注释表

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 基于运算的变化检测方法

1.2.2 基于纹理特征的变化检测方法

1.2.3 基于分类和分割的变化检测方法

1.2.4 基于深度学习的变化检测方法

1.3 SAR图像变化检测存在的问题

1.4 研究目标与技术路线

1.5 研究内容与章节安排

2 SAR影像特征分析与滤波

2.1 SAR成像原理

2.2 SAR图像分辨率特点

（1）方位向分辨率

（2）距离向分辨率

（3）SAR影像像元大小

2.3 SAR图像物理特性

（1）斑点噪声

（2）纹理特征

2.4 SAR 图像的几何特性

（1）斜距的近距压缩

（2）透视收缩与叠掩

（3）阴影

2.5 SAR图像斑点噪声与滤波方法

2.5.1 SAR图像相干斑噪声的抑制原理

2.5.2 斑点噪声的统计特性

2.5.3 SAR图像相干斑噪声的抑制方法

2.5.4 滤波效果评价

2.5.5 SAR图像变化检测精度评价标准

2.6 SAR影像滤波试验

2.6.1实验数据介绍

2.6.2 SAR图像斑点噪声抑制试验及评价

2.7 本章小结

3 基于改进LBP和FCM的SAR图像变化检测方法

3.1 概述

3.2 经典LBP方法

3.3 模糊C均值聚类方法

3.4 基于改进LBP和FCM的SAR图像变化检测方法

3.4.1 改进的LBP方法

3.4.2 算法流程

3.5 变化检测实验

3.5.1 数据介绍

3.5.2 实验设置

3.5.3 实验结果及分析

3.6 本章小结

4 基于堆叠稀疏自动编码器的 SAR 图像变化检测方法

4.1 概述

4.2 稀疏自动编码器

4.3 基于堆叠稀疏自动编码器的SAR图像变化检测方法

4.3.1 堆叠稀疏自动编码器

4.3.2 算法流程

4.4 变化检测实验

4.4.1 数据介绍

4.4.2 实验结果及分析

4.5 本章小结

5基于MATLAB GUI的SAR图像变化检测软件设计与应用

5.1软件设计背景介绍

5.2 软件设计及功能演示

5.2.1 软件设计

5.2.2 软件功能演示

5.3软件应用及分析

5.4本章小结

6 总结与展望

6.1 结论

6.2 创新点

6.3 展望

参考文献

作者简介

学位论文原创性声明

学位论文数据集