【摘要】：隨著遙感技術的不斷發(fā)展,高分辨率遙感圖像數據也為地表水體的識別提供了更豐富的紋理、幾何結構和空間分布信息。同時,由于大數據時代遙感數據成幾何級數的增長和地表區(qū)域內物體異質性的增強,再利用傳統(tǒng)的逐像素方法進行水體信息提取,其不僅忽略了圖像中相鄰像元間的關聯(lián)性,也不能滿足當前大規(guī)模的應用需求。近年來,隨著深度學習算法在計算機視覺、自然語言處理、文本分類和目標檢測等方面取得的巨大成就,也為遙感水體識別提供了一種新的思路。如何應用現(xiàn)有的水體特征提取方法、分布式計算和深度學習算法對遙感圖像中的水體進行分類識別已成為一個重要的研究課題。本文分析其它研究學者的論文,并提出了以下創(chuàng)新點:首先,為了提高遙感圖像的質量,對原始圖像進行了銳化、濾波、去霧、校正和定標等處理,并將多光譜波段圖像與分辨率高的全色波段圖像進行了像素級融合。其次,深入分析地表水體信息的空間和光譜特征,提出光譜和空間聯(lián)合特征的提取和選擇方法,并針對傳統(tǒng)逐像素水體識別方法識別效果差等問題,設計了空間約束算法來進一步充分利用相鄰像元間的關聯(lián)性。最后,由于得到的遙感圖像數據量大的問題,搭建了分布式存儲和計算平臺,對圖像數據進行了分塊存儲和計算。并針對人工參與進行特征提取、分析以及閾值設定難等缺點,本文借助深度學習框架,提出了多種深度神經網絡的自動化水體識別模型,以聯(lián)合特征為輸入,對所提模型的整體性能進行了評估。并利用深度學習算法其出色的特征“自學習能力”,構建了一種穩(wěn)定的水體信息提取模型,實現(xiàn)水體信息的挖掘和識別。實驗結果表明,本文提出的結合空間光譜聯(lián)合特征和深度學習算法的水體識別模型在性能上優(yōu)于傳統(tǒng)的支持向量機(SVM)與BP神經網絡。
【圖文】：

第一章引言逡逑本文的具體路線如圖１．２所示。逡逑原始圖像￣￣逡逑Ｉ逡逑，

本文編號：2677052