近年來,隨著遙感技術的發(fā)展,遙感影像的空間分辨率不斷提升,不僅具有豐富的空間、紋理特征,而且包含了大量的細節(jié)信息,這也使得影像中小塊農(nóng)田識別的難度大大增加。傳統(tǒng)的基于光譜統(tǒng)計特性的極大似然法、K最近鄰算法等識別分類方法,由于僅利用影像的光譜信息缺乏對豐富的細節(jié)信息的充分利用,不能滿足當前對小塊農(nóng)田信息提取的需求。針對以上問題,本文以高分一號遙感影像為數(shù)據(jù)源,基于深度學習中流行的全卷積神經(jīng)網(wǎng)絡算法,進行高分辨率遙感影像小塊農(nóng)田識別方法的研究,并將其應用到遙感影像小塊農(nóng)田的識別中,主要研究內(nèi)容如下:針對圖像中小塊農(nóng)田包含的有效信息較少、表達不足,傳統(tǒng)方法識別困難等問題,基于稀疏降噪自動編碼器SDA(Sparse Denosing Auto-encoder),提出一種訓練樣本圖像目標增強算法。該算法首先將多個稀疏降噪自動編碼器SDAs進行堆疊,得到一種堆疊式稀疏降噪自動編碼器,采用L-BFGS算法進行訓練,得到輸入圖像的高層抽象表示,作為原始信號的初級濾波,并加入到原有的特征中,得到增強后的樣本圖像,為后續(xù)訓練更精確的小塊農(nóng)田識別模型提供高質(zhì)量的數(shù)據(jù)支持�；谌矸e網(wǎng)絡算法,在Tensor ...

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
Abstract
1 引言
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 深度學習研究現(xiàn)狀
        1.2.2 圖像目標識別研究現(xiàn)狀
    1.3 主要研究內(nèi)容
    1.4 論文結構
2 相關理論與數(shù)據(jù)概述
    2.1 相關理論
        2.1.1 全卷積神經(jīng)網(wǎng)絡
        2.1.2 貝葉斯判別理論
    2.2 數(shù)據(jù)概況
        2.2.1 研究區(qū)概況
        2.2.2 高分一號衛(wèi)星數(shù)據(jù)
        2.2.3 數(shù)據(jù)預處理
        2.2.4 實驗數(shù)據(jù)集
    2.3 本章小結
3 基于降噪自動編碼器的小塊農(nóng)田增強方法
    3.1 小塊農(nóng)田目標的圖像特性
    3.2 降噪自動編碼器
    3.3 SSDA-E算法描述
    3.4 本章小結
4 基于全卷積網(wǎng)絡的小塊農(nóng)田識別模型
    4.1 傳統(tǒng)的目標識別方法
    4.2 TensorFlow框架
    4.3 網(wǎng)絡模型的搭建與訓練
        4.3.1 基于VGGNet的模型搭建
        4.3.2 改進的激活函數(shù)
        4.3.3 改進的Softmax回歸分類器
    4.4 實驗結果與分析
        4.4.1 實驗環(huán)境
        4.4.2 評判指標
        4.4.3 實驗結果與對比分析
    4.5 本章小結
5 總結與展望
    5.1 總結
    5.2 展望
參考文獻
致謝
攻讀碩士期間取得的成果



本文編號：3798828