【摘要】：遙感影像所包含的信息豐富,如何利用遙感影像快速、準確地提取地類信息,是遙感技術應用的關鍵問題之一。綠地信息是城市規(guī)劃、生態(tài)環(huán)境監(jiān)測和治理所需的重要信息。利用遙感影像提取綠地信息時,傳統(tǒng)算法的提取精度往往不能滿足實際需要,且容易出現(xiàn)錯分和漏分現(xiàn)象。隨著遙感技術和計算機技術的快速發(fā)展,人工智能在遙感影像信息提取中的應用越來越廣。如何利用人工智能技術快速、準確地從遙感影像中提取綠地信息,對于城市規(guī)劃和生態(tài)環(huán)境監(jiān)測具有重要的意義。本文基于深度學習算法,結合卷積神經(jīng)網(wǎng)絡的語義分割方法,開展了利用遙感影像進行綠地信息提取的研究。論文的主要研究內容及結論如下:(1)學習和總結了深度學習算法,對卷積神經(jīng)網(wǎng)絡中常用的語義分割算法進行了研究,對FCN、VGG、SegNet和U-Net模型進行探討,對比分析這些模型的優(yōu)缺點,為后續(xù)研究做準備。(2)論文利用VGG網(wǎng)絡的結構,結合U-Net模型,構建了基于VGG結構的U-Net模型的深度學習算法。論文在分析常用的FCN、VGG、SegNet和U-Net模型優(yōu)缺點的基礎上,結合U-Net模型提取精度高且參數(shù)計算量低而VGG16模型有利于特征提取但是參數(shù)計算量較大的特點,對深度學習的語義分割算法進行改進,構建了基于VGG結構的U-Net模型的深度學習算法。論文將本文構建的模型和常用的FCN、SegNet、U-Net模型開展實驗對比分析研究,實驗結果表明:基于VGG結構的U-Net模型的綠地信息提取精度優(yōu)于其它幾個模型。(3)在對常用激活函數(shù)分析研究的基礎上,結合TReLU和ReLU激活函數(shù)的優(yōu)點,構建了針對VGG結構的U-Net模型的組合激活函數(shù)。該組合激活函數(shù)主要是通過交替使用TReLU和ReLU兩個函數(shù)來使模型的非線性增強,并通過對參數(shù)調整來對負半軸非飽和區(qū)間進行控制,從而得到需要的激活值。實驗結果表明,該組合激活函數(shù)優(yōu)于其它的常用激活函數(shù),該組合激活函數(shù)具有軟飽和性及緩解梯度消失的特點,且對噪聲也具有更好的魯棒性。(4)論文采用TReLU和ReLU組合激活函數(shù),結合基于VGG結構的U-Net模型的深度學習算法,用于綠地信息提取研究,構建了基于VGG結構的U-Net模型的綠地信息提取方法。論文對本文構建的綠地信息提取方法和傳統(tǒng)的綠地信息提取方法開展了實例對比分析研究,實驗結果表明:本文構建的基于VGG結構的U-Net模型的綠地信息提取方法的提取精度更高。
【圖文】：

參數(shù) 數(shù)值Learning rate 0.001*0.95epochEpoch 15Batch size 1習率（Learning rate）影響權值更新的幅度，如果把學習率設置的過大習率為 1），權重參數(shù)很大程度上會錯過最優(yōu)值，最后在接近最優(yōu)值的附近來回跳動[79]；相反，如果把學習率設置的過小（例如為 10e-6），耗費較長的時間來進行參數(shù)的優(yōu)化，導致算法不能快速的收斂，所以學網(wǎng)絡性能非常關鍵。本文通過多次實驗，最后將學習率確定為隨迭代次小的迭代值，具體采用的公式如表 3.4 所示；迭代次數(shù)（Epoch）影響成本，具體的迭代次數(shù)需要根據(jù)多次實驗以及經(jīng)驗來設置，在設置迭代訓練集上的準確率以及損失函數(shù)要達到收斂的狀態(tài)，經(jīng)過多次的實驗次數(shù)設置為 15；Batchsize 主要是用來設置每次輸入模型的圖像數(shù)量，要由網(wǎng)絡的結構以及硬件 GPU 顯存容量來決定，由于本文實驗硬件條文的 Batch size 設置為 1，也就是每次輸入圖片的數(shù)量為 1。

文用相同的訓練集以及測試集對不同的模型進行訓練，在訓練集上的圖 3.14 所示。從圖中可以看出 SegNet 模型的訓練準確率曲線圖一直在變化，沒有收斂于某一個值，該模型在 15 次訓練內沒有收斂的趨勢，斂時的次數(shù)大于 15 次，這也說明該模型沒有其他幾個模型的收斂速度快迭代 11 次時趨于收斂狀態(tài)，，收斂時的精度為 91.3%；比 FCN 模型具有的是 U-Net 模型和 VGG 結構的 U-Net 模型，后者收斂速度較快而且準于 FCN 與 SegNet 兩個模型，U-Net 模型在迭代 10 次時就趨于收斂狀的準確率為 94.5%，說明該模型具有準確率較高而且訓練的時間成本比從圖中我們發(fā)現(xiàn)收斂速度最快的是本文提出的 VGG 結構的 U-Net 模型命名為 VGG_Unet，該模型在訓練 2 次時就趨近收斂，而且收斂時的準確率達到 95.2%。通過對圖 3.14 的分析得到在實驗訓練集上本文提出速度上以及準確率上都比其它的模型好。同模型在訓練集上的損失函數(shù)如圖 3.15 所示：
【學位授予單位】：貴州大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：P237

【參考文獻】

相關期刊論文 前10條

1 楊斌;;人工神經(jīng)網(wǎng)絡在數(shù)據(jù)挖掘中的應用[J];電子測試;2015年21期

2 路京選;宋文龍;曲偉;付俊娥;;跨時空觀下的遙感應用新視野[J];遙感學報;2015年06期

3 陳袁;;基于支持向量機的遙感影像分類[J];中國科技信息;2015年17期

4 高常鑫;桑農;;基于深度學習的高分辨率遙感影像目標檢測[J];測繪通報;2014年S1期

5 陳利;林輝;孫華;;基于WorldView-2影像城市綠地信息提取研究[J];西北林學院學報;2014年01期

6 李德仁;童慶禧;李榮興;龔健雅;張良培;;高分辨率對地觀測的若干前沿科學問題[J];中國科學:地球科學;2012年06期

7 許新征;丁世飛;史忠植;賈偉寬;;圖像分割的新理論和新方法[J];電子學報;2010年S1期

8 李天平;劉洋;李開源;;遙感圖像優(yōu)化迭代非監(jiān)督分類方法在流域植被分類中的應用[J];城市勘測;2008年01期

9 羅建國;趙新英;譚炳香;;城市綠地資源評估方法綜述[J];林業(yè)資源管理;2007年04期

10 于興修,楊桂山;中國土地利用/覆被變化研究的現(xiàn)狀與問題[J];地理科學進展;2002年01期

本文編號：2662748