摘要
随着经济水平的不断提高,中国的城市扩张速度也变得越来越快,在城市扩张的同时也出现了许多违章建筑物,这些违章建筑物并不符合建筑规章要求,因此具有很大的危险性.传统采用人工巡查的方法来进行违章建筑物的查拆工作需要投入大量的人力.
无人机也是近年来迅速发展的技术,可以在很短的时间内获取实验区域的超高分辨率影像,所以经常被用来进行电力巡查、灾情普查等领域.无人机可以方便快捷的获取超高分辨率影像,利用变化检测技术可以进行快速违章建筑物检测.但是传统的变化检测方法仅适用于中低分辨率及高分辨率影像,但是如何利用超高分辨率的无人机影像进行建筑物变化检测仍然是一个亟待解决的问题.
本文针对上述问题,主要研究了利用无人机影像的建筑物变化检测方法,具体研究内容如下.(1)深入研究并总结了无人机摄影测量原理技术与深度学习理论;(2)研究了现有的面向对象的主动轮廓变化检测技术,并将其扩展到无人机超高分辨率影像的建筑物变化检测.首先利用统计区域合并对无人机影像进行分割,并利用主动轮廓模型进行变化检测.实验结果表明,该方法可用于无人机建筑物变化检测,但受分割尺度和光照变化影响较大;(3)研究了卷积 Siamese 深度学习网络,并将其扩展到无人机影像建筑物场景变化检测.通 过构建变化与未变化场景,对深度网络进行训练,实现建筑物场景变化检测.实验结果表明该网络可实现高精度的建筑物场景变化检测,受光照、配准误差等因素影响较小.
通过上述研究,本文实现了基于无人机影像的建筑物自动检测方法,可大大降低外业工作量和人工排查工作量,同时为无人机变化检测及违章建筑检测提供理论基础和技术支撑.
关键词:变化检测,无人机影像,深度学习,违章建筑物检测
Abstract
With the continuous improvement of the economic level, the speed of urbanexpansion in China has also become faster and faster. At the same time as theexpansion of the city, there have been many illegal buildings. These illegal buildingsdo not meet the requirements of building regulations, so they are very dangerous. Ifmanual inspection is used to carry out the inspection of illegal buildings, a largeamount of manpower is required.
UAV is a rapidly developing technology in recent years. UVA can acquirehigh-resolution images of experimental areas in a short time, so they are often usedin conduct power inspections, disaster investigations and other fields. UVA canobtain images conveniently and quickly, and the change detection technology can beused to detect building changes. However, how to use the high-resolution UVAimage to detect new illegal buildings is a challenge in the field of change detection.
Aiming at the above problems, this paper mainly studies the building changedetection method using UAV images. The specific research content is as follows. (1)In-depth research and summary of UAV photogrammetry principle technology anddeep learning theory are achieved; (2) The existing object-oriented active contourchange detection technology is researched, and extended it to UAVultra-high-resolution images building change detection. Firstly, the UAV image wassegmented by statistical region merging, and the active contour model was used todetect the change. Experimental results show that this method can be used for dronebuilding change detection, but it is greatly affected by segmentation scale andlighting changes. (3) The convolutional Siamese deep learning network is studiedand extended to drone image buildings scene change detection. By constructingchanged and no-changed samples, the deep network is trained to detect buildingscene change. Experimental results show that the network can achievehigh-precision detection of building scene changes, and is less affected by factorssuch as illumination and registration errors.
Through the above research, this article has realized an automatic building detection method based on drone images. The study can greatly reduce the workloadof field work and manual investigation, and at the same time provide theoreticalfoundation and technical support for drone change detection and illegal buildingdetection.
Key words: Change detection, UAV image, Deep learning, Illegal buildingdetection
目录
1 引言....................................................................................................................1
1.1 选题背景与意义.....................................................................................1
1.2 研究现状与存在问题..............................................................................2
1.2.1 遥感影像变化检测研究现状.......................................................2
1.2.2 城市违章建筑检测研究现状.......................................................4
1.2.3 存在问题分析...............................................................................5
1.3 研究目标和内容......................................................................................6
1.3.1 研究目标.......................................................................................6
1.3.2 研究内容.......................................................................................6
1.4 技术路线与研究方案.............................................................................7
1.4.1 研究方法......................................................................................7
1.4.2 技术路线......................................................................................7
2 无人机与深度学习............................................................................................9
2.1 无人机.....................................................................................................9
2.1.1 无人机摄影测量系统..................................................................9
2.1.2 无人机摄影测量原理................................................................11
2.1.3 无人机在违规建筑变化检测中的应用....................................15
2.2 深度学习...............................................................................................16
2.2.1 深度学习的概念........................................................................16
2.2.2 浅层学习和深度学习................................................................17
2.2.3 卷积神经网络............................................................................19
2.3 实验数据介绍.......................................................................................24
3 基于主动轮廓模型的对象级无人机违章建筑物检测...................................27
3.1 统计区域合并分割方法.......................................................................28
3.2 主动轮廓模型........................................................................................29
3.3 基于主动轮廓模型的对象级无人机违章建筑物检测........................32
3.3.1 检测方法与流程.........................................................................32
3.3.2 实验结果与分析.........................................................................33
3.4 小结........................................................................................................40
4 基于 Siamese 网络的违章建筑物场景检测 ..................................................41
4.1 Siamese 深度学习网络 .........................................................................41
4.2 网络模型...............................................................................................43
4.2.1 数据输入....................................................................................43
4.2.2 网络结构....................................................................................43
4.2.3 网络配置选择............................................................................44
4.3 违章建筑检测实验结果和分析...........................................................45
4.4 小结........................................................................................................50
5 总结与展望......................................................................................................51
5.1 总结.......................................................................................................51
5.2 展望.......................................................................................................51
致谢......................................................................................................................53
参考文献..............................................................................................................55
附录......................................................................................................................61
1 引言
1.1 选题背景与意义
城市是各地区的政治、经济和文化中心,随着中国经济的不断发展城市扩张的速度也越来越快.根据官方资料显示,城市发展迅速给中国经济带来了巨大的发展,但城市迅速扩张的过程中也呈现出了一系列的问题,例如违章建筑物的建设就是城市扩张所面临的一个不可避免的问题.违章建筑物是指那些不符合建设规章章程的建筑物,通常具有较大的危险性.因此,及时发现并拆除违章建筑物对城市安全至关重要.
在过去违章建筑物的监测工作主要是由城管部门负责,而他们主要的监测手段就是靠群众举报和实地巡查,这两种监测手段都存在滞后性,所以许多的违章建筑物没能被及时的发现并拆除,从而构成了许多危险.而且违章建筑物的拆除也涉及政府与群众之间交流矛盾问题,一旦不能有效的解决就会出现许多问题.违章建筑物成为了城市发展所面临的一项难题,如果不能有效且合理的解决这些问题,会进一步造成更加严重的损失,必然需要投入更多的人力物力来弥补这些损失.如何防患于未然,将这些违章建筑物及时有效的发现并拆除,成为城市规划部门亟待解决的关键问题.
遥感技术飞速发展、图像处理和模式识别领域的不断进步,特别是无人机航空摄影测量的快速发展,使城市违章建筑的快速准确的监测成为可能.遥感影像变化检测是分析同一地理区域不同时间的遥感影像来识别出变化区域的一门学科[1-3],其原理是变化的地物在不同时相的光谱反射率差别较大,而为变化地物两时期的影像光谱反射率几乎保持一致.基于变化检测的违章建筑检测其实质是通过对比两时期影像,根据违章建筑物往往是在短时间内快速建立,因此在两时相无人机影像上的光谱反射率由明显查别,发现变化建筑,便于规划进行对比是否为违章建筑的过程.特别地,无人机技术在最近几年飞速发展,具有灵活、成本低、操作简单等优点,其影像具有超高分辨率,能够清晰地反映建筑物的空间、纹理等基本特征,对于城市区域建筑物变化检测和违章建筑识别具有更好的应用价值.
因此,基于变化检测技术的无人机影像违章建筑检测能够对已有的违建行为进行快速的发现和有效的打击,及时予以遏制发现的新的违章建筑苗头,通过无人机影像识别来提高违章建筑的识别效率,就可以很大程度的减少人工巡查的工作量,根据无人机影像的变化检测结果的指引执法人员精准作业,同时也能够作为电子证据保留存档,这将大大的提升政府部门的工作效率,对促进城市的信息化发展具有重要意义.
1.2 研究现状与存在问题
1.2.1 遥感影像变化检测研究现状
在过去三十年里遥感影像变化检测技术取得了巨大进步,各国的学习提出了各种各样的方法来进行变化检测并应用于各个领域,各领域的成功应用有很多[4-7].然而,虽然变化检测理论得到了长足的发展,但是应用到实际情况仍面临着许多困难,所以目前国际上仍没有一整套较为完善且高效的理论体系,能够使用于所有情况且通用性较强的变化检测结果仍没有问世[8,9].现有的变化检测方法根据检测模式可分为直接比较法和监督方法[10].
直接比较法包括二值变化检测和多类别变化检测两类.(1)二值变化检测:仅检测地物是否发生变化,无法区分地物的变化类别[11,12].如 Gong 等利用双字典学习同时提取多源影像的稀疏特征,在此基础上生成差异影像并检测变化,实现了光学和 SAR 影像的变化检测,但需要双字典对不同影像进行同时学习,耗时较长[8].马国锐等分别用直接比较法和分类后比较法对多源遥感影像进行二值变化检测,结果表明直接比较法对于同源影像效果优于分类后比较法,而对于异源遥感影像而言,由于光谱、辐射差异的影响,结果则相反[13].杨柯等提出一种基于多源影像的水体变化检测方法,首先利用水体指数提取影像中的水体,然后比较多源影像中的水体检测其变化[14].(2)多类别变化检测:通过分析同一地区不同时间获取的影像中光谱的变化情况,检测发生变化的地物并区分变化类别[15].该类方法的基本思想是:首先计算两期影像的变化矢量,然后利用人工判别[16]、经验公式[17]、直方图阈值[18]、贝叶斯最小错误率[19]等阈值法对变化量设置阈值,将影像分为变化和未变化两部分,最后,对变化像素的变化方向进行分析,区分变化类别.Malila于1980年提出变化矢量分析方法,首先对两个不同时相的影像进行差值运算,求得每个像元的变化值,称为变化向量.在变化矢量分析法中,变化强度由变化矢量各个波段的平方和表示,而变化的类别则由变化矢量计算出的角度来表示,并成功进行了森林等多类别变化检测[20].Chen 等提出双窗口搜索计算变化阈值和基于变化矢量余弦方向的变化类别检测策略,提高了变化检测的 Kappa 系数和精度[21].Warner 将变化矢量的余弦方向扩展到球面进行分析,在此基础上设置阈值进行变化类别检测,结果表明该方法使不同类别变化间具有更好的区分性[22].Nackaerts 等将变化向量映射到极坐标体系下进行分析,增强了可视性及区分性[23].Bovolo 等引入并改进光谱角法计算变化方向,通过对变化矢量在极坐标下的分布构建高斯混合模型,计算贝叶斯最小错误率阈值,实现了集成多波段光谱信息的多类别变化检测,提高了多类别变化的检测能力及精度[24,25].Liu 等将极坐标框架下的变化矢量分析应用于高光谱影像,实现了多类别变化的精细检测,进一步验证了极坐标框架用于多类别变化检测的有效性,但需人工勾绘各变化类别[26].Thonfeld等通过集成空间上下文信息提出稳健变化矢量分析法,在极坐标框架下用于高分辨率遥感影像的多类别变化检测,减弱太阳光照、传感器角度等因素影响[27].利用空间信息去除变化检测结果中的噪声,已成为遥感领域研究的热点问题,并取得了许多研究成果,如基于 MRF 的方法[28,29]、模糊 C 均值(Fuzzy c-means,FCM)方法[30]、k 均值聚类[31]、小波变换方法[32]及主动轮廓方法[33].
监督方法是利用未变化和变化的样本训练选择的模型,得到样本特征与变化标记间的最优关系,然后通过训练后的模型从影像中检测变化的方法,如杜培军和柳思陪[4]利用SVM对构建的多特征进行变化检测,结果表明监督的SVM方法生成的结果优于非监督的模糊融合方法.Camps-Valls 等提出一种非线性核函数分类器,用于多源遥感影像的变化检测,但核函数的选择及参数的初始化对结果影响较大[34].Alberga 设计了一系列相似性度量指标用于多源遥感影像的变化检测,取得了优于传统光谱、纹理等特征的变化检测结果,但指标的设计和选择不够稳定,而且仍受光谱分辨率和辐射差异的影响[35].徐俊峰等利用支持向量机对提取的多源遥感影像的光谱、空间和纹理特征进行面向对象的二值分类,将二分类与对象级变化检测结合,实现多源影像的变化检测[36].针对多源遥感影像,现有研究多采用分类后比较法检测多类别变化,可避免多源影像光谱分辨率和辐射差异的影响,但检测结果精度受分类精度影响严重.Ding etal. [37]提出一种稀疏分层聚类方法对高分辨率影像的多尺度特征进行变化检测,得到了优于 k 均值聚类和 SVM 的结果;全卫澎 et al. [12]提出一种基于神经网络的多特征融合变化检测方法.该类监督的方法通过训练样本对特征进行学习,通常可以得到较非监督方法更高精度的变化检测结果,但这些方法多为浅层学习法,如线性 SVM 属于单层学习,决策树与核学习的 SVM 可以认为是两层学习,其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限[38,39],针对复杂的高分辨率影像变化检测时其特征学习能力受到一定制约.
深度学习是通过模拟人类大脑中枢脑神经的工作方法而衍生出的一种算法,通过多层隐含层网络构建非线性网络结构,能够从深度挖掘训练样本之间的关联,得出较为合理的数学模型,具有强大的从少数样本集中学习数据集本质特征的能力[40,41].Hinton and Salakhutdinov [42]于 2006 在《科学》杂志上发表文章,提出使用多层的神经网络来模拟人类大脑的多层抽象的学习过程,采用"逐层初始化"的方法来有效的克服深度神经网络存在的训练问题,并指出深度学习后的特征对样本数据有着更加本质的刻画.此后,由于具有优异的特征学习能力,深度学习迅速成为研究热点,被广泛应用于语音识别[43]、人脸识别[44,45]、视频分类[46]、图像分类[47,48]等.此外,深度学习也被用于遥感影像的分类,如Chen et al. [49]提出一种基于深度学习的空间与光谱结合的高光谱影像分类方法,实验结果表明深度学习可以有效地学习影像特征,分类结果优于 SVM 等传统分类方法.Gong et al. [50]对基于深度学习的SAR影像变化检测进行了初步研究,首先将两期影像中对应像素的特征进行叠加,组成特征向量,其次构建深度学习网络,对叠加的特征向量进行学习和变化检测,实验结果表明深度学习可以增强特征对变化的区分性,明显提高变化检测精度,展示了深度学习用于变化检测的巨大潜力.
1.2.2 城市违章建筑检测研究现状
伴随着遥感技术的不断发展,将遥感技术应用于违章建筑物的检测已经成为了可能[51].目前,已经有许多城市开始利用遥感监测的手段来进行城市违章建筑物的监测和控制,在一些城市也已经取得了不错的效果,其中以北京市最为成功[52][53].2005 年,北京市加大了对违章建筑物的监管力度,将监管范围扩大到了对新开工程的监管,并建立了数字化的违法违章信息平台,对先前已经出现的违法违章建筑物记录备案以提高查违覆盖率和准确度.2005 年 4 月 25日,北京市丰台区利用无人机影像变化检测监测到的 3050.8 平方米的违章建筑并成功进行拆除.厦门市也利用卫星遥感技术,将卫星遥感图像作为主要的监测数据源,开发出一些列用于违法违章建筑物的监测程序,把遥感影像处理作为一个子模块整合到整个城市的信息化建设之中,很大程度的减少了人力的消耗,在违章建筑物的检测方面也取得了不错的效果.
除此之外,建设部为旅游热门景区开展了城市硅规划以及景区监管工作[53], 以云南、桂林、杭州等三个城市云台山、泰山、清明上河园等旅游地区作为实验,充分利用海量的遥感卫星影像信息,开发出适用于不同分辨率的违法违章建筑物的监测算法程序,应用效果也非常显着.
1.2.3 存在问题分析
尽管基于遥感影像的违章建筑物检测已经取得了许多不错的成果,但是其用于监测违章建筑物的精度还有待提高,至今还没有出现普适性较强且效果较好的完善理论体系,许多的研究还处于粗略的识别阶段,距离完全工业化操作还有很长一段距离要走.所以用无人机影像来完成违章建筑物变化检测的研究还要不断深入下去,针对无人机影像的违章建筑检测还存在如下问题:
1)无人机影像具有超高的空间分辨率,传统的像素级变化检测方法无法适用于无人机影像的违章建筑检测.如何针对超高空间分辨率的无人机影像具有精细的空间、纹理等特征,进行违章建筑变化检测还未得到很好的解决.
2)不同时期无人机影像间存在光照变化引起的影像辐射差异,导致直接比较变化进行违章建筑检测存在较多虚检.如果利用当前高效、准确的模式识别和图像处理方法,更快速且精准的识别到城市的违章建筑物,变化检测领域应用于违章建筑物检测的一大挑战.
1.3 研究目标和内容
1.3.1 研究目标
针对违章建筑检测时,传统变化检测方法无法适用于超高分辨的无人机影像问题,研究无监督的面向对象变化检测方法,通过面向对象分割充分利用无人机影像的超高分辨率,实现非监督的违章建筑自动检测.在此基础上,深度学习的无人机影像违章建筑场景分类,进一步克服不同时期无人机影像间光照差异较大的问题,实现基于无人机影像的违章建筑准确检测.
1.3.2 研究内容
1)无人机摄影测量原理和深度学习理论研究
本文章是以无人机摄影测量和深度学习理论为基础,因此对两项目技术的原理进行总结,并深入研究其技术特点和影响参数,为顺利实现后绪实验打下良好的基础.
2)基于面向对象变化检测的违章建筑检测
无人机影像具有超高分辨率,传统的像素级变化检测方法无法适用于无人机影像的变化检测,提出适用于无人机影像违章建筑检测的面向对象级变化检测方法是本文的重要研究内容之一.分别从面向对象分割策略、面向对象分割方法、变化检测方法等三方面进行深入研究,构建适用于无人机影像的违章建筑检测模型.
3)基于深度学习的违章建筑场景检测
由于受光照差异的影响,两期无人机影像间一般辐射差异较大,导致传统的基于差分影像进行变化检测的方法导致大量的虚检,降低变化检测精度.深度学习具有比较泛化的迁移能力,通过学习深度特征,降低甚至克服辐射差异.本文将 Siames 等场景分类网络为基础,构建适用于无人机影像违章建筑检测的深度学习场景分类模型,确定违章建筑位置.
…………由于本文篇幅较长,部分内容省略,详细全文见文末附件
5 总结与展望
5.1 总结
本文针对违章建筑检测时传统变化检测方法无法适用于超高分辨的无人机影像问题,研究无监督的面向对象变化检测方法,通过面向对象分割充分利用无人机影像的超高分辨率,实现非监督的违章建筑自动检测.在此基础上,深度学习的无人机影像违章建筑场景分类,进一步克服不同时期无人机影像间光照差异较大的问题,实现基于无人机影像的违章建筑准确检测.
由于无人机影像具有超高分辨率,传统的像素级变化检测方法无法适用于无人机影像的变化检测,所以本文分别从面向对象分割策略、面向对象分割方法、变化检测方法等三方面进行深入研究,引入现有的对象级主动轮廓变化检测方法,并其扩展,用于无人机影像违章建筑检测的面向对象级变化.另外,由于受光照差异的影响,两期无人机影像间一般辐射差异较大,导致传统的基于差分影像进行变化检测的方法导致大量的虚检,降低变化检测精度.而深度学习具有比较泛化的迁移能力,通过学习深度特征,降低甚至克服辐射差异.本文以现有的卷积 Siamese 场景分类网络为基础,将其扩展并用于无人机影像违章建筑场景检测,确定违章建筑位置.
基于对象的主动轮廓模型可以准确检测出变化建筑物的位置,且不需要训练样本,属于非监督的建筑物变化检测方法.但该方法在用于超高分辨率的无人机影像建筑物变化检测时,受分割参数影响较大,对于参数的选择非常敏感,同时对于光照变化引起的无人机灰度差异也非常敏感.基于卷积 Siamese 场景分类的无人机建筑物变化检测方法属于监督的变化检测方法,需要较多的训练样本,训练时间较长,但对检测结果精度高,且受光照变化影响较小.但无法检测出建筑物的准确变化范围,只能提供其变化位置.
5.2 展望
本文仅利用深度学习技术实现了违章建筑物的场景检测,即只能对变化建筑物进行定位,未能利用深度学习的语义分割技术准确地提取建筑物的变化范围.在未来工作中,将深入研究深度学习的语义分割模型(如 FCN、UNet、深度残差 UNet、深度对抗网络等),构建适用于无人机影像的深度学习违章建筑语义分割模型,最终实现违筑变化范围的精确、高精度检测.
致谢
2019 年 11 月,终于提交了这篇硕士论文.论文的完成首先要归功于所有指导我、帮助我和支持我的老师和同学,特别是我的导师洪友堂教授的悉心指导下.几年来,洪老师在论文选题、资料调研、研究方案、框架的拟定以及最终的付梓等全过程中都给了我莫大的帮助和指导.洪老师严谨的治学态度、卓然的远见和及时的悉心指导更是完成本篇论文所不可或缺.在此,特向洪老师表示衷心的感谢,并致以崇高的敬意!
几年来,本人在撰写论文的过程中遇到很多困难,脑海中曾想过放弃,是洪老师始终如一的给我默默的鼓励和前进的动力,使我逐步并最终完成了论文.我的每一个进步都离不开中国地质大学(北京)许多老师的关怀,感谢侯恩刚等教授在学业期间给予我的宝贵指导.同时,作者所在单位贵州省地质矿产勘查开发局陈庆刚高级工程、陈群高级工程师、李勇高级工程师等及王秋生、柏华志、邓超等硕士研究生同学都给了我莫大的帮助.在此,我对他们表示诚挚的谢意.
在论文完成过程中,本人还得到了董洋洋等师兄弟的鼎力支持和帮助感谢你们!
感谢我的父母和我的大哥李昌杰正是你们给予我的支持使我产生了巨大的学习和研究动力,终于完成了硕士学业.人生的路上有你们相伴,我会更努力!最后,向在百忙之中抽出时间对本论文进行评阅的各位专家表示衷心的感谢!谢谢您们的辛勤劳动!
参考文献
[1] 李德仁. 利用遥感影像进行变化检测[J]. 武汉大学学报(信息科学版), 2003, 28(S1):7-12.
[2] 佃袁勇, 方圣辉, 姚崇怀. 一种面向地理对象的遥感影像变化检测方法[J]. 武汉大学学报 (信息科学版), 2014, 8: 005.
[3] Chen J, Lu M, Chen X, et al. A spectral gradient difference based approach for land coverchange detection[J]. ISPRS journal of photogrammetry and remote sensing, 2013, 85: 1-12.
[4] 杜培军, 柳思聪. 融合多特征的遥感影像变化检测[J]. 遥感学报, 2012, 16(4): 663-677.
[5] 杨树文, 谢飞, 韩惠, et al. 基于 SPOT5 遥感影像的浅层滑坡体自动提取方法[J]. 测绘科学, 2012, 37(01): 71-73+88.
[6] 李亮, 舒宁, 王凯, et al. 融合多特征的遥感影像变化检测方法[J]. 测绘学报, 2014, (09):945-953+959.
[7] Wang Q, Shi W, Atkinson P M, et al. Land cover change detection at subpixel resolutionwith a Hopfield neural network[J]. IEEE Journal of Selected Topics in Applied Earth Observationsand Remote Sensing, 2015, 8(3): 1339-1352.
[8] Gong M, Zhang P, Su L, et al. Coupled Dictionary Learning for Change Detection FromMultisource Data[J]. IEEE Trans Geosci Remote Sens, 2016, 54(12): 7077-7091.
[9] 王慕华, 张继贤, 李海涛, et al. 基于区域特征的高分辨率遥感影像变化检测研究[J].测绘科学, 2009, 34(1): 92-94.
[10] Lu D, Li G, Moran E. Current situation and needs of change detection techniques[J].International Journal of Image and Data Fusion, 2014, 5(1): 13-38.
[11] 申邵洪, 赖祖龙, 万幼川. 基于融合的高分辨率遥感影像变化检测[J]. 测绘通报, 2009,(3): 16-19+23.
[12] 全卫澎, 李卫华, 李小春. 多特征自适应融合的高分辨率遥感影像变化检测[J]. 电光与控制, 2015, 22(3): 45-49.
[13] 马国锐, 陈峰, 刘颖. 多源遥感影像变化检测方法在地震城区灾害评估中的比较[J].海洋测绘, 2011, 31(6): 72-75.
[14] 杨柯, 段功豪, 牛瑞卿, et al. 基于多源遥感影像的武汉都市发展区湖泊变迁分析[J].长江科学院院报, 2016, (01): 139-142+146.
[15] Allen T R, Kupfer J A. Application of spherical statistics to change vector analysis ofLandsat data: Southern Appalachian spruce-fir forests[J]. Remote Sensing of Environment, 2000,74(3): 482-493.
[16] Jha C S, Unni N. Digital change detection of forest conversion of a dry tropical Indianforest region[J]. Int J Remote Sens, 1994, 15(13): 2543-2552.
[17] Fung T, Ledrew E. The determination of optimal threshold levels for change detectionusing various accuracy indices[J]. Photogrammetric Engineering and Remote Sensing, 1988, 54(10):1449-1454.
[18] Patra S, Ghosh S, Ghosh A. Histogram thresholding for unsupervised change detection ofremote sensing images[J]. Int J Remote Sens, 2011, 32(21): 6071-6089.
[19] Bruzzone L, Prieto D F. Automatic analysis of the difference image for unsupervisedchange detection[J]. IEEE Trans Geosci Remote Sens, 2000, 38(3): 1171-1182.
[20] Malila W A. Change vector analysis: an approach for detecting forest changes withLandsat[C]. Proceedings of the 6th International Symposium on Machine Processing of RemotelySensed Data, 1980: 385.
[21] Chen J, Gong P, He C Y, et al. Land-use/land-cover change detection using improvedchange-vector analysis[J]. Photogrammetric Engineering and Remote Sensing, 2003, 69(4): 369-379.
[22] Warner T. Hyperspherical direction cosine change vector analysis[J]. Int J Remote Sens,2005, 26(6): 1201-1215.
[23] Nackaerts K, Vaesen K, Muys B, et al. Comparative performance of a modified changevector analysis in forest change detection[J]. Int J Remote Sens, 2005, 26(5): 839-852.
[24] Bovolo F, Bruzzone L. A theoretical framework for unsupervised change detection basedon change vector analysis in the polar domain[J]. IEEE Trans Geosci Remote Sens, 2007, 45(1):218-236.
[25] Bovolo F, Marchesi S, Bruzzone L. A framework for automatic and unsupervised detectionof multiple changes in multitemporal images[J]. IEEE Trans Geosci Remote Sens, 2012, 50(6):2196-2212.
[26] Liu S, Bruzzone L, Bovolo F, et al. Sequential spectral change vector analysis for iteratively discovering and detecting multiple changes in hyperspectral images[J]. IEEE Trans GeosciRemote Sens, 2015, 53(8): 4363-4378.
[27] Thonfeld F, Feilhauer H, Braun M, et al. Robust Change Vector Analysis (RCVA) formulti-sensor very high resolution optical satellite data[J]. Int J Appl Earth Obs Geoinf, 2016, 50:131-140.
[28] Marchesi S, Bovolo F, Bruzzone L. A context-sensitive technique robust to registrationnoise for change detection in VHR multispectral images[J]. IEEE Trans Image Process, 2010, 19(7):1877-1889.
[29] Hao M, Zhang H, Shi W, et al. Unsupervised change detection using fuzzy c-means andMRF from remotely sensed images[J]. Remote Sensing Letters, 2013, 4(12): 1185-1194.
[30] Gong M, Zhou Z, Ma J. Change detection in synthetic aperture radar images based onimage fusion and fuzzy clustering[J]. IEEE Trans Image Process, 2012, 21(4): 2141-2151.
[31] 佃袁勇, 方圣辉, 姚崇怀. 多尺度分割的高分辨率遥感影像变化检测[J]. 遥感学报,2016, 20(1): 129-137.
[32] Celik T, Ma K K. Unsupervised Change Detection for Satellite Images Using Dual-TreeComplex Wavelet Transform[J]. IEEE Trans Geosci Remote Sens, 2010, 48(3): 1199-1210.
[33] Hao M, Shi W Z, Zhang H, et al. Unsupervised change detection withExpectation-Maximization-based level set[J]. IEEE Geosci Remote Sens Lett, 2014, 11(1): 210-214.
[34] Camps-Valls G, Gómez-Chova L, Mu?oz-Marí J, et al. Kernel-based framework formultitemporal and multisource remote sensing data classification and change detection[J]. IEEETrans Geosci Remote Sens, 2008, 46(6): 1822-1835.
[35] Alberga V. Similarity measures of remotely sensed multi-sensor images for changedetection applications[J]. Remote Sensing, 2009, 1(3): 122-143.
[36] 徐俊峰, 张保明, 郭海涛, et al. 一种多特征融合的面向对象多源遥感影像变化检测方法[J]. 测绘科学技术学报, 2015, 5: 014.
[37] Ding K, Huo C, Xu Y, et al. Sparse hierarchical clustering for VHR image changedetection[J]. Geoscience and Remote Sensing Letters, IEEE, 2015, 12(3): 577-581.
[38] Bengio Y, Courville A, Vincent P. Representation learning: A review and newperspectives[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2013, 35(8):1798-1828.
[39] Chen Y, Lin Z, Zhao X, et al. Deep learning-based classification of hyperspectral data[J].Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal of, 2014, 7(6):2094-2107.
[40] Bengio Y, Delalleau O. On the expressive power of deep architectures[C]. AlgorithmicLearning Theory, 2011: 18-36.
[41] 孙志军, 薛磊, 许阳明, et al. 深度学习研究综述[J]. 计算机应用研究, 2012, 29(8):2806-2810.
[42] Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with neuralnetworks[J]. Science, 2006, 313(5786): 504-507.
[43] Dahl G E, Yu D, Deng L, et al. Context-dependent pre-trained deep neural networks forlarge-vocabulary speech recognition[J]. Audio, Speech, and Language Processing, IEEE Transactionson, 2012, 20(1): 30-42.
[44] Huang G B, Lee H, Learned-Miller E. Learning hierarchical representations for faceverification with convolutional deep belief networks[C]. Computer Vision and Pattern Recognition(CVPR), 2012 IEEE Conference on, 2012: 2518-2525.
[45] Sun Y, Chen Y, Wang X, et al. Deep learning face representation by jointidentification-verification[C]. Advances in Neural Information Processing Systems, 2014:1988-1996.
[46] Karpathy A, Toderici G, Shetty S, et al. Large-scale video classification with convolutionalneural networks[C]. Proceedings of the IEEE conference on Computer Vision and PatternRecognition, 2014: 1725-1732.
[47] Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutionalneural networks[C]. Advances in neural information processing systems, 2012: 1097-1105.
[48] Zeiler M D, Fergus R: Visualizing and understanding convolutional networks, Computervision-ECCV 2014: Springer, 2014: 818-833.
[49] Chen Y, Zhao X, Jia X. Spectral-spatial classification of hyperspectral data based on deepbelief network[J]. IEEE Journal of Selected Topics in Applied Earth Observations and RemoteSensing, 2015, 8(6): 2381-2392.
[50] Gong M, Zhao J, Liu J, et al. Change detection in synthetic aperture radar images based ondeep neural networks[J]. IEEE Transactions on Neural Networks and Learning Systems, 2016, 27(1):125-138.
[51] 余婧峰. 基于资源三号卫星影像的高铁安全控制区建筑用地信息提取研究[D]. 西南交通大学, 2013.
[52] 袁延良. 基于航空影像的城市违章建筑识别研究[D]. 华中科技大学, 2007.
[53] 王宾波, 汪祖进. 应用 RS、GIS 等技术进行城市规划监测管理[J]. 城市规划, 2005, (09):39-42.
[54] https://www.kaggle.com/rhammell/ships-in-satellite-imagery[EB/OL].
[55] 王家杰. 无人机低空摄影测量系统研究[D]. 哈尔滨工业大学, 2016.
[56] 何平. 基于深度学习的图像识别算法研究[D]. 贵州大学, 2019.
[57] 杨彬. 基于深度学习的高分辨率遥感影像变化检测[D]. 中国矿业大学, 2019.
[58] Nock R, Nielsen F. Statistical region merging[J]. IEEE Transactions on Pattern Analysisand Machine Intelligence, 2004, 26(11): 1452-1458.
[59] 郝明. 基于空间信息准确性增强的遥感影像变化检测方法研究[D]. 中国矿业大学,2015.
[60] Kass M, Witkin A, Terzopoulos D. Snakes: Active contour models[J]. Int J Comput Vision,1988, 1(4): 321-331.
[61] Osher S, Sethian J A. Fronts propagating with curvature-dependent speed: algorithms basedon Hamilton-Jacobi formulations[J]. J Comput Phys, 1988, 79(1): 12-49.
