發(fā)布時(shí)間：2022-01-08 13:56

　　隨著遙感技術(shù)的迅速發(fā)展,遙感圖像被廣泛應(yīng)用于軍事目標(biāo)識別、環(huán)境監(jiān)測、氣象分析、礦產(chǎn)開發(fā)、地理測繪等各個領(lǐng)域。然而,相關(guān)統(tǒng)計(jì)表明在任何時(shí)候50%地球表面都被云層覆蓋。在遙感圖像中,由于云的存在,給許多后續(xù)分析任務(wù)帶來了挑戰(zhàn)。遙感圖像上云造成的遮擋、干擾在不同傳感器、不同應(yīng)用場景下的解決極為復(fù)雜,需要根據(jù)實(shí)際情況選擇不同的解決策略。目前較為成熟的云檢測主要集中在兩類應(yīng)用上,一類是以MODIS為代表的小比例尺大框幅全球云量氣象監(jiān)測為主的宏觀應(yīng)用;一類是以QucikBird、IKONOS為主的分辨率高于2m的超高分辨率下的軍事、民用目標(biāo)檢測。然而我國的高分系列衛(wèi)星空間分辨率在2¹0米之間,在這種比例尺的圖像中做一些敏感物體（例如船只、目標(biāo)地物等）的檢測時(shí),常面臨“看不清楚”的問題。因而云帶來的目標(biāo)檢測干擾以及圖像質(zhì)量下降顯得尤為明顯。因此,針對這類“不太清晰”的遙感影像進(jìn)行云檢測非常具有實(shí)用意義。經(jīng)過大量數(shù)據(jù)處理實(shí)踐,本文針對這類圖像上云的柔性邊界特征、內(nèi)部亮度非均勻性以及薄云存在的色差問題提出了自適應(yīng)分割算法ASLIC與用于特征提取與分類的DCNN網(wǎng)絡(luò),最終實(shí)現(xiàn)了ASL... 

【文章來源】：中國科學(xué)院大學(xué)(中國科學(xué)院西安光學(xué)精密機(jī)械研究所)陜西省

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

機(jī)器學(xué)習(xí)云檢測算法總結(jié)Fig1.1summaryofclouddetectionalgorithmsformachinelearning

基于神經(jīng)網(wǎng)絡(luò)的國產(chǎn)高分光學(xué)遙感圖像云檢測1.3 本文研究內(nèi)容與技術(shù)路線本論文核心研究的是基于機(jī)器學(xué)習(xí)的遙感圖像云檢測方法，重點(diǎn)在于尋找一種實(shí)用性、魯棒性、準(zhǔn)實(shí)時(shí)的云檢測算法，達(dá)到不同氣象環(huán)境下、不同傳感器分辨率、不同成像質(zhì)量、不同地物狀況下的云檢測算法模型。文章中通過對前人提出的不同云檢測策略進(jìn)行分析，主要包括基于視覺顯著性的圖像分割和基于深度神經(jīng)網(wǎng)絡(luò)的云檢測算法。充分利用深度學(xué)習(xí)網(wǎng)絡(luò)的多層非線性分層結(jié)構(gòu)特性，結(jié)合國產(chǎn)遙感影像云檢測的需求，在改進(jìn) SLIC 分割算法的基礎(chǔ)上，訓(xùn)練了由GF-1,GF-2,ZY-3 衛(wèi)星影像組成的訓(xùn)練樣本，并設(shè)計(jì)了 ASLIC+DCNN 網(wǎng)絡(luò)模型用于云檢測，最終完成了檢測任務(wù)。圖 1.2 為本文的云檢測技術(shù)路線圖。針對整個云檢測全鏈路的技術(shù)路線，我們主要研究以下了四個問題。

圖 2.1 支持向量機(jī)分類原理示意圖[17]hematic diagram of the classification principle ofsupport vector machines神經(jīng)網(wǎng)絡(luò)（Artificial neural networks，ANN）神經(jīng)網(wǎng)絡(luò)是人工智能算法的核心，主要包括神經(jīng)元模型、神經(jīng)網(wǎng)絡(luò)三部分。神經(jīng)元模型是依據(jù)生物學(xué)上對人類大腦的仿生而建立的大腦思考與感知世界的計(jì)算結(jié)構(gòu)，它是一種對人類神經(jīng)元工作抽出來的工作模型，并非真正利用計(jì)算機(jī)技術(shù)去模仿神經(jīng)元的工作元模型誕生于 1943 年由心理學(xué)家 McCulloch[23]和數(shù)學(xué)家 W·Pitts 提，該模型經(jīng)過不斷改進(jìn)就成了如今我們在使用的神經(jīng)網(wǎng)絡(luò)模型。該礎(chǔ)假設(shè)[25]構(gòu)成,可以形象表示為圖 2.2 所示：個神經(jīng)元都是一個多輸入單輸出的信息處理單元 ；經(jīng)元輸入分興奮性輸入和抑制性輸入兩種類型；經(jīng)元具有空間整合特性和閾值特性 ；

【參考文獻(xiàn)】：
期刊論文
[1]基于模糊深度學(xué)習(xí)網(wǎng)絡(luò)的行人檢測方法[J]. 邱東,劉德雨.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(10)
[2]一種基于深度強(qiáng)化學(xué)習(xí)的自適應(yīng)巡航控制算法[J]. 韓向敏,鮑泓,梁軍,潘峰,玄祖興.  計(jì)算機(jī)工程. 2018(07)
[3]基于生成式對抗網(wǎng)絡(luò)的遙感影像云檢測方法[J]. 朱清,侯恩兵.  地理空間信息. 2018(05)
[4]動態(tài)閾值云檢測算法改進(jìn)及在高分辨率衛(wèi)星上的應(yīng)用[J]. 王權(quán),孫林,韋晶,周雪瑩,陳婷婷,束美艷.  光學(xué)學(xué)報(bào). 2018(10)
[5]基于深度學(xué)習(xí)的圖像識別算法[J]. 邵彥寧.  電子技術(shù)與軟件工程. 2018(10)
[6]深度學(xué)習(xí)研究現(xiàn)狀分析[J]. 王菲斐.  電子技術(shù)與軟件工程. 2018(10)
[7]卷積神經(jīng)網(wǎng)絡(luò)在圖像處理方面的應(yīng)用[J]. 董葉豪,柯宗武,熊旭輝.  福建電腦. 2018(05)
[8]深度學(xué)習(xí)在身份證號碼識別中的應(yīng)用[J]. 盧用煌,黃山.  應(yīng)用科技. 2019(01)
[9]基于深度殘差生成對抗網(wǎng)絡(luò)的醫(yī)學(xué)影像超分辨率算法[J]. 高媛,劉志,秦品樂,王麗芳.  計(jì)算機(jī)應(yīng)用. 2018(09)
[10]基于深度學(xué)習(xí)技術(shù)在專利圖像審查中的應(yīng)用[J]. 林贊磊.  中國新技術(shù)新產(chǎn)品. 2018(10)

博士論文
[1]基于熱帶測雨衛(wèi)星光譜觀測的云參數(shù)反演及降水云識別研究[D]. 劉顯通.中國科學(xué)技術(shù)大學(xué) 2012

碩士論文
[1]基于暗通道的遙感圖像云檢測算法研究[D]. 戴薇.西安電子科技大學(xué) 2017
[2]基于主動在線極限學(xué)習(xí)機(jī)的衛(wèi)星云量計(jì)算[D]. 申茂陽.南京信息工程大學(xué) 2017
[3]基于深度極限學(xué)習(xí)機(jī)的衛(wèi)星云圖云量計(jì)算[D]. 孔維斌.南京信息工程大學(xué) 2017
[4]全球陸地高分辨率氣溶膠光學(xué)厚度遙感反演研究[D]. 韋晶.山東科技大學(xué) 2017
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的衛(wèi)星云量計(jì)算[D]. 王艦鋒.南京信息工程大學(xué) 2016
[6]基于支持向量機(jī)的Landsat多光譜影像云檢測算法研究[D]. 陳長春.安徽大學(xué) 2014
[7]面向MODIS數(shù)據(jù)的云檢測方法研究[D]. 丁玉葉.哈爾濱工業(yè)大學(xué) 2013
[8]高分辨率衛(wèi)星遙感圖像云檢測方法研究[D]. 趙曉.哈爾濱工業(yè)大學(xué) 2013
[9]基于多核學(xué)習(xí)的云檢測及分析技術(shù)研究[D]. 王師哲.哈爾濱工業(yè)大學(xué) 2012
[10]MODIS衛(wèi)星遙感數(shù)據(jù)云檢測軟件設(shè)計(jì)[D]. 丁蕊.成都理工大學(xué) 2012



本文編號：3576678