發(fā)布時間：2020-10-25 00:48

　　 遙感影像記錄了豐富的地面物體光譜信息、空間結(jié)構(gòu)信息,是地面物體整體面貌最直觀的表現(xiàn)。利用影像記錄的信息對遙感影像中的目標進行識別和分類是獲取目標信息的主要途徑,這些地物目標的分類結(jié)果對農(nóng)業(yè)生產(chǎn)、環(huán)境保護、軍事偵察、地理測繪制圖等具有重要意義。但是由于遙感影像地物目標種類復雜,高分辨率遙感影像欠缺光譜信息等原因,增加了遙感影像的分類難度。常被應用于遙感影像分類工作中的傳統(tǒng)機器學習方法,在分類時不僅要克服遙感影像數(shù)據(jù)量給分類工作帶來的困難,還要人工對數(shù)據(jù)進行繁重的特征分析和特征提取工作。同時,對遙感影像進行特征分析和提取也需要更為專業(yè)的專家知識,分類結(jié)果的精度也取決于先驗專家知識。因此,傳統(tǒng)的機器學習方法在遙感影像分類上有明顯的局限性。近些年出現(xiàn)的深度學習技術(shù),可以自動學習大量圖像數(shù)據(jù)的深層次特征,它依據(jù)提取的特征對圖像中目標進行準確的識別和分類決策,在一定程度上提高了圖像的分類精度。鑒于遙感影像分類和圖像分類技術(shù)之間的密切聯(lián)系,把深度學習技術(shù)應用到遙感影像分類上極具可行性,同時該技術(shù)也能克服傳統(tǒng)方法在遙感影像分類上的局限性,具有很高的研究價值。目前,應用于遙感影像分類領(lǐng)域的深度學習技術(shù)雖然取得了一定的成果,但它還存在分類精度不高、對大場景下的高分辨率遙感影像分類沒有給出有效的解決方案等問題。針對上述問題,本文將基于深度學習技術(shù)的全卷積神經(jīng)網(wǎng)絡模型應用在遙感影像分類中。主要研究內(nèi)容如下:(1)針對大場景下高分辨率遙感影像中目標大小差距較大,目標無法有效識別問題,本文在全卷積神經(jīng)網(wǎng)絡(FCN)模型基礎(chǔ)上,根據(jù)剪裁策略提出一種改進的全卷積遙感影像分類模型(FCN-16s)。然后在FCN-16s模型基礎(chǔ)上,結(jié)合改進的Skip結(jié)構(gòu)得到新的FCN-16s+Skip模型。實驗結(jié)果表明,相比傳統(tǒng)FCN模型,兩個改進的模型能夠有效提取目標,在大場景高分辨率遙感影像分類上有著更高的精確度。(2)為了進一步提高大場景下高分辨率遙感影像的分類精度,本文提出集成的遙感影像分類方法,即將FCN-16s和FCN-16s+Skip兩個模型的預測分類結(jié)果進行集成融合,使得集成后的分類結(jié)果能夠具有兩個模型的優(yōu)點,進一步提高影像分類精度。實驗結(jié)果表明,對比單一模型,集成的遙感影像分類方法具有更高的分類精確度。(3)鑒于U-Net模型的良好擴展性,為了進一步提高遙感影像分類效率和精確度,本文在U-Net模型基礎(chǔ)上,加入融合殘差結(jié)構(gòu)和循環(huán)結(jié)構(gòu)的循環(huán)殘差卷積融合結(jié)構(gòu),形成一種基于循環(huán)殘差卷積結(jié)構(gòu)的遙感影像分類模型。實驗結(jié)果表明,該模型能更好地自動提取和利用遙感影像的特征,從而獲得高精度的遙感影像分類結(jié)果。
【學位單位】：貴州大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP751;TP18
【部分圖文】：

圖 1-1 論文技術(shù)路線圖1.4 論文組織結(jié)構(gòu)安排本文的整體結(jié)構(gòu)安排如下：第 1 章為引言部分，簡要闡述了本研究課題的選題背景及研究意義。針對遙感影像傳統(tǒng)分類技術(shù)以及深度學習技術(shù)在遙感影像分類方面的應用，進行了國內(nèi)外研究進展及現(xiàn)狀的簡要總結(jié)，最后介紹了本文的研究內(nèi)容、技術(shù)路線和結(jié)構(gòu)安排。第 2 章對深度學習模型的原理進行分析研究，首先介紹了深度學習在圖像分類領(lǐng)域的一個常用模型——卷積神經(jīng)網(wǎng)絡的結(jié)構(gòu)與原理、特點。然后介紹了卷積神經(jīng)網(wǎng)絡在圖像分割上的演變——全卷積神經(jīng)網(wǎng)絡，并介紹其原理與特點。最后，研究了深度學習模型的關(guān)鍵問題與技術(shù)。第 3 章提出一種基于全卷積神經(jīng)網(wǎng)絡的遙感影像分類集成方法。該方法針對大場景下高分辨率遙感影像分類問題，同時對集成方法中的全卷積模型進行研究設計。其次介紹遙感影像分類實驗的詳細流程，包括實驗數(shù)據(jù)介紹、實驗數(shù)據(jù)的

度也會造成直接影像。所以，能自習模型是本章研究的重點。深度結(jié)構(gòu)化學習或分層學習，是基為監(jiān)督、半監(jiān)督、無監(jiān)督學習。深nal Neural Networks，CNN）、深度經(jīng)網(wǎng)絡（Recurrent Neural Netwo自然語言處理、醫(yī)學圖像分析等領(lǐng)某些情況下甚至優(yōu)于人類專家。在積神經(jīng)網(wǎng)絡模型是兩類常用的深度型tilayer Perceptron ，MLP）是最基礎(chǔ)礎(chǔ)模型。感知機中的節(jié)點模仿生物激傳遞過程，最終輸出正確的決策輸入信號的感知機。

下圖2-2 為含有一個隱藏層的多層感知機。圖 2-2 包含一層隱藏層的三層感知機結(jié)構(gòu)上圖 2-2 的三層感知機中，每個結(jié)點都是全連接的。設 表示 L-1 層的第i 個結(jié)點到 L 層第 j 個結(jié)點的權(quán)重， 表示輸入數(shù)據(jù)， 表示第 L 層中第 i 個結(jié)點的偏置值， 表示第 L 層第 i 個結(jié)點的輸出，則在三層感知機中，第三層的輸出結(jié)果表示為式（2-3）所示： = ( π ) （2-3）其中， = ( π ) （2-4）由于感知機層數(shù)的增加和結(jié)點中激活函數(shù)的非線性變換性，大大增加感知機的非線性轉(zhuǎn)換能力，使感知機能夠解決復雜的非線性問題，更加符合解決問題的客觀規(guī)律。2.2 卷積神經(jīng)網(wǎng)絡模型CNN 作為深度學習模型中重要的一類模型
【參考文獻】

相關(guān)期刊論文 前8條

1 周林飛;姚雪;王鶴翔;張靜;;基于Landsat?8遙感影像的濕地覆被監(jiān)督分類研究[J];中國農(nóng)村水利水電;2015年09期

2 劉進鋒;郭雷;;神經(jīng)網(wǎng)絡前向傳播在GPU上的實現(xiàn)[J];微型機與應用;2011年18期

3 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

4 秦永;宋偉東;;遙感影像特征提取與選擇及在影像分類中的應用[J];測繪科學;2008年01期

5 馮燕;何明一;宋江紅;魏江;;基于獨立成分分析的高光譜圖像數(shù)據(jù)降維及壓縮[J];電子與信息學報;2007年12期

6 周峰;李杏梅;劉福江;孫華山;;基于主成分分析的自組織競爭神經(jīng)網(wǎng)絡在多光譜遙感影像分類中的應用[J];光學與光電技術(shù);2007年03期

7 汪閩,駱劍承,明冬萍;高分辨率遙感影像上基于形狀特征的船舶提取[J];武漢大學學報(信息科學版);2005年08期

8 李石華,王金亮,畢艷,陳姚,朱妙園,楊帥,朱佳;遙感圖像分類方法研究綜述[J];國土資源遙感;2005年02期

本文編號：2855209