基于DPU-net的高分辨率遥感影像建筑物变化检测方法研究

摘要

高分辨率卫星影像具有纹理信息丰富，成像光谱波段多，重访时间短等优势，已成为检测地表覆被类型变化最主要的数据来源之一。基于高分辨率遥感影像的变化检测技术已经被广泛应用于遥感制图、耕地保护监测、国土资源保护与监测等领域，但传统的变化检测方法检测效率较低，已经不能满足当前的战略需求。因此，基于高分辨率遥感影像开展高效、准确的变化检测工作，是目前亟需解决的重要问题。　　深度学习技术能够自动学习影像的深层次特征，从而高效、准确地进行分类，已被广泛应用到高分辨率遥感影像变化检测中，并取得较好的效果，但仍存在以下不足：高分辨率遥感影像中建筑物变化区域与未变化区域不平衡，而目前广泛使用的交叉熵损失函数不能准确描述模型的训练误差，导致模型训练效果不佳，进而降低变化检测的精度；多时相高分辨率遥感影像中存在建筑物“伪变化”区域，而现有的深度学习模型U-net对建筑物“伪变化”区域的识别效果不佳，使得变化检测精度下降。　　针对上述问题，本文开展了以下研究工作：　　(1)针对研究区域中建筑物变化区域与未变化区域不平衡导致使用常见的损失函数不能较好地训练深度学习模型的问题，通过结合损失函数FocalLoss和DiceLoss，构建了一种新的损失函数FDLoss，改善了深度学习模型的训练效果，提高了变化检测的精度。　　(2)针对高分辨率遥感影像对中，由“同物异谱”和“同谱异物”引起的建筑物“伪变化”区域，导致变化检测精度下降的问题，通过结合残差和密集连接的优点，构建了层数更多的DP特征提取模块，进而设计了一种新的深度学习模型DPU-net，在提取更高级的特征的同时避免了网络退化，进而增强了对建筑物“伪变化”区域的识别能力，进一步提高了变化检测的精度。　　(3)通过结合损失函数FDLoss和DPU-net模型，构建了一种新的基于深度学习的高分辨率遥感影像建筑物变化检测方法，并通过消融实验验证了本文方法的可行性。　　研究表明：在基于U-net模型的高分辨率遥感影像建筑物变化检测方法中，相对于其它损失函数，本文构建的损失函数(FD Loss)可以提高深度学习模型的训练效果，进而取得更高的变化检测精度；相对于其他基于U-net改进的深度学习模型，本文模型(DPU-net)可以更好地识别建筑物变化区域，进而提高变化检测的精度；通过改进基于U-net的变化检测方法的模型训练的损失函数和深度学习模型，得到了基于DPU-net的建筑物变化检测方法。与改进前的方法相比，本文方法在高分辨率遥感影像建筑物变化检测中，检测结果更佳，精度更高。　　基于DPU-net的高分辨率遥感影像建筑物变化检测方法在建筑物变化检测方面具有较好的效果，可望更好地服务于地理信息数据的更新以及违章建筑的调查等工作。本文研究工作对提高高分辨率遥感影像变化检测的精度具有一定的参考价值。

目录

声明

第1 章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 传统高分辨率遥感影像变化检测方法

1.2.2 基于深度学习的高分辨率遥感影像变化检测方法

1.3 研究目的与内容

1.3.1 研究目的

1.3.2 研究内容

1.4 技术路线

1.5 本文的组织结构

第2 章基于卷积神经网络建筑物变化检测的方法原理

2.1 引言

2.2 卷积神经网络的结构原理

2.3 神经网络训练的相关算法

2.3.1 损失函数

2.3.2 反向传播算法

2.3.3 梯度下降优化算法

2.4 基于卷积神经网络的遥感影像建筑物变化检测方法流程

2.4.1 实验平台

2.4.2 实验数据

2.4.3 数据处理

2.4.4 精度评价指标

2.4.5 U-net 模型训练、预测与评价

2.4.6 卷积神经网络的选择实验

2.5 本章小结

第3 章 FD Loss 损失函数构建方法

3.1 引言

3.2 U-net 模型

3.3 FD Loss 损失函数

3.3.1 常用损失函数存在的问题

3.3.2 FD Loss 的构建方法

3.3.3 FD Loss 的参数选择

3.4 实验与结果分析

3.5 本章小结

第4 章 DPU-net 模型设计方案

4.1 引言

4.2 网络退化解决方案

4.3 DPU-net 模型

4.3.1 DPU-net 模型概述

4.3.2 DP特征提取模块

4.3.3 DPU-net 模型结构

4.4 实验与结果分析

4.4.1 纵向对比

4.4.2 消融分析

4.4.3 横向对比

4.5 本章小结

第5 章基于DPU-net 模型的建筑物变化检测方法

5.1 引言

5.2 基于 DPU-net 的高分辨率遥感影像变化检测方法

5.2.1 基于 DPU-net的建筑物变化检测方法概述

5.2.2 DPU-net 模型训练

5.2.3 DPU-net 模型预测

5.3 实验与对比分析

5.4 本章小结

结论与展望

致谢

参考文献

研究生期间参加的学术活动