【摘要】：農(nóng)田是重要的地表覆蓋類型,農(nóng)田信息的提取對農(nóng)業(yè)生產(chǎn)管理有著十分重要的意義,利用高空間分辨率遙感圖像及時、準確地提取農(nóng)田信息,能夠為土地等級評價、基本農(nóng)田保護、耕地動態(tài)監(jiān)測及決策制定提供重要的參考。高分二號是我國自有的第一顆空間分辨率優(yōu)于1米的光學遙感衛(wèi)星,是高精度提取農(nóng)田的重要數(shù)據(jù)源,但在高分二號遙感影像上,農(nóng)田的單個植株覆蓋面積很小,設計從遙感影像上提取農(nóng)田的卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)時,需要充分考慮到影像的空間分辨率與植株的覆蓋面積的比例關(guān)系。為了更好的提取農(nóng)田信息,本文提出了一種卷積-編碼器網(wǎng)絡模型(Convolutional Encode Neural Networks,CENET),并結(jié)合有監(jiān)督的訓練方法,實現(xiàn)了對高分二號影像農(nóng)田的提取。以2018年1月11日的山東省章丘市高分二號遙感影像作為數(shù)據(jù)源,進行了測試。本文的主要工作及結(jié)論如下:1、卷積-編碼器網(wǎng)絡模型的設計。農(nóng)田農(nóng)作物的單個植株覆蓋面積較小、包含像素量較少、包含細節(jié)信息較少、且植株連續(xù),傳統(tǒng)的一些圖像分割算法不能很有效解決上述問題,本文針對上述農(nóng)田的特點,設計了卷積-編碼器模型(CENET)對農(nóng)田進行圖像語義分割。通過“寬度”卷積方式,充分利用農(nóng)田圖像的特點實現(xiàn)了農(nóng)田圖像像素級的分割。2、基于卷積-編碼器模型(CENET)的農(nóng)田圖像分割算法實現(xiàn)。模型共分為兩個子模型,第一個模型為訓練模型,共分為三個部分,第一部分為卷積層,用于學習農(nóng)田的特征;第二部分為全連接層,用來把卷積輸出的二維特征圖轉(zhuǎn)化成一維的一個向量;第三部分為編碼器,編碼器利用轉(zhuǎn)換函數(shù)對學習到的特征進行編碼,并將編碼結(jié)果映射為相應的類別號。第二個模型為識別模型,在編碼器的基礎(chǔ)上,利用貝葉斯原理對訓練過程中得到的像素的分類值進行統(tǒng)計分析,獲取先驗知識,并對全連接層的輸出進行判斷。在模型訓練階段,利用標記的農(nóng)田和其它類別的樣本,對模型進行分類別訓練,使模型獲得足夠的區(qū)分能力。利用訓練好的模型對圖像進行逐像素分割,得到最終提取結(jié)果。3、模型優(yōu)化及對比實驗設計。本文采用批標準化(Batch Nomalization,BN)對模型進行了優(yōu)化,用于激活函數(shù)前,能加快模型學習速度,使得模型訓練過程更加穩(wěn)定,同時起到了正則化的作用。利用貝葉斯作為分類識別的輔助手段,進一步提高了分割的精度。本文采用SegNet模型、全卷積神經(jīng)網(wǎng)絡(FCN)方法與CENET模型進行實驗比較分析,并進行精度評價。研究結(jié)果表明:相對于SegNet模型、全卷積神經(jīng)網(wǎng)絡(FCN)方法,本文的CENET網(wǎng)絡模型能更準確地挖掘農(nóng)田的特征,達到了從高分二號影像上高精度提取農(nóng)田的目標。
【圖文】：

圖 1 全連接與局部連接圖Fig.1 Full connection and local connection chart（2）權(quán)重共享隱所謂的權(quán)重共享，即給定一張輸入圖片，用一個卷積核去卷積這張圖，卷積核里的值就是權(quán)重，這張圖每個位置都是被同樣的卷積核卷積，所以權(quán)重是一樣的，這就叫共享。但是采用權(quán)重共享只能提取到一種特征，因為一種卷積核的權(quán)值相同，提取到圖像的特征也只能是一種，所以使用不同的卷積核，就能提取圖像的不同特征。那么如果有一百種卷積核，就能提取到一百種特征圖，這些特征圖就組成了一層神經(jīng)元。此時只需要 100*100 個參數(shù)。通過權(quán)值共享的方式，，大大地減少了網(wǎng)絡中的權(quán)重數(shù)量，加速了卷積神經(jīng)網(wǎng)絡模型的訓練過程。模型參數(shù)的個數(shù)只與卷積核的大小以及種類有關(guān)，而與隱層神經(jīng)元無關(guān)。但是隱層的神經(jīng)元個數(shù)與原圖像的大小、卷積核的大小和卷積核在圖像中的滑動步長有關(guān)。假如

最大池化與平均池化
【學位授予單位】：山東農(nóng)業(yè)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP751

【參考文獻】

相關(guān)期刊論文 前9條

1 李曉東;姜琦剛;;基于多時相遙感數(shù)據(jù)的農(nóng)田分類提取[J];農(nóng)業(yè)工程學報;2015年07期

2 楊雪;范勇;高琳;邱運春;;基于紋理基元塊識別與合并的圖像語義分割[J];計算機工程;2015年03期

3 黃秋燕;肖鵬峰;馮學智;吳桂平;;一種基于TV-Gabor模型的高分辨率遙感圖像農(nóng)田信息提取方法[J];遙感信息;2014年02期

4 張春芳;;基于條件隨機場的圖像語義分割[J];計算機光盤軟件與應用;2012年09期

5 張艷玲;馮鳳英;閆浩文;;高分辨率影像農(nóng)田信息提取方法[J];地理空間信息;2010年01期

6 何俊;葛紅;王玉峰;;圖像分割算法研究綜述[J];計算機工程與科學;2009年12期

7 劉建華;毛政元;;高空間分辨率遙感影像分割方法研究綜述[J];遙感信息;2009年06期

8 肖鵬峰;;高分辨率遙感圖像頻域特征提取與圖像分割研究[J];測繪學報;2008年03期

9 郭臻;陳遠知;;圖像閾值分割算法研究[J];中國傳媒大學學報(自然科學版);2008年02期

相關(guān)博士學位論文 前3條

1 Robail Yasrab;面向圖像語義分割的新型卷積神經(jīng)網(wǎng)絡及其應用研究[D];中國科學技術(shù)大學;2017年

2 劉大偉;高分辨率遙感影像分割方法及應用研究[D];長安大學;2016年

3 匡金駿;基于稀疏表示的圖像分類與目標跟蹤研究[D];重慶大學;2013年

相關(guān)碩士學位論文 前10條

1 肖旭;基于深度學習的圖像語義分割研究[D];南昌航空大學;2017年

2 翁健;基于全卷積神經(jīng)網(wǎng)絡的全向場景分割研究與算法實現(xiàn)[D];山東大學;2017年

3 馮麗英;基于深度學習技術(shù)的高分辨率遙感影像建設用地信息提取研究[D];浙江大學;2017年

4 軒永倉;基于全卷積神經(jīng)網(wǎng)絡的大田復雜場景圖像的語義分割研究[D];西北農(nóng)林科技大學;2017年

5 段萌;基于卷積神經(jīng)網(wǎng)絡的圖像識別方法研究[D];鄭州大學;2017年

6 蔣帥;基于卷積神經(jīng)網(wǎng)絡的圖像識別[D];吉林大學;2017年

7 熊子瀟;基于高分一號遙感影像的土地覆蓋信息提取技術(shù)研究[D];東華理工大學;2016年

8 朱蕓蕓;基于卷積神經(jīng)網(wǎng)絡的圖像分類方法研究[D];北京交通大學;2016年

9 王若辰;基于深度學習的目標檢測與分割算法研究[D];北京工業(yè)大學;2016年

10 毛召武;高空間分辨率遙感影像分割質(zhì)量評價方法研究[D];河南理工大學;2016年

本文編號：2660448