隨著遙感技術的不斷發(fā)展,遙感影像的空間分辨率得到顯著提高,影像中地物目標的清晰和豐富細節(jié)給高分辨率遙感影像的場景分類帶來了巨大的挑戰(zhàn)。高分辨率遙感影像場景分類是遙感圖像解譯中的重要組成部分,由于影像場景中地物類別的多樣性、地物種類可變性大、同一地物類別的多樣性,使得傳統(tǒng)的影像場景分類方法不能描述復雜場景的高層次語義信息。而近些年深度學習算法的出現為影像高層次內在特征的提取提供了有效的方法。實現高分辨率遙感影像場景分類的關鍵是影像特征的選擇和提取,而影像的紋理特征是遙感影像處理領域最常用的特征。針對因樣本量少而導致的影像場景分類精度不高的問題,本文結合雙樹復小波變換、自適應步長技術和深度置信網模型提出了一種基于自適應深度置信網模型(Adaptive deep belief network,ADBN)的高分辨率遙感影像場景分類方法。本文的主要研究內容如下:(1)提出一種新的自適應學習率方法,該方法不僅可以根據重構誤差的變化動態(tài)調整學習率的大小,而且考慮了重構誤差的變化量對學習率的影響,基于此構建了自適應深度置信網模型,并在MNIST數據集上進行了實驗分析,結果表明該模型可以更快的收斂,并且在數據集的分類準確率方面有所提升。(2)提取出高分辨率遙感影像小波域的紋理特征作為特征向量用于場景的分類。本文采用基于雙樹復小波變換的方法,將圖像分解為多層子帶圖像,并利用廣義Gamma密度模型和局部二值模式分別對影像的高頻子帶和低頻子帶進行特征向量的構建,實驗證明該方法能夠在高分辨率遙感影像場景分類中取得較好的結果。(3)本文還研究了基于小波域的紋理特征和ADBN模型在不同空間分辨率的高分辨率遙感影像場景的分類效果。通過對比分類精度、Kappa系數以及分類時長方面選取了最優(yōu)的網絡層數和隱藏層節(jié)點數,并且與傳統(tǒng)的分類方法進行比較證明了本文提出的模型在不同空間分辨率下的高分辨率遙感影像場景中同樣具有適用性與穩(wěn)健性。
【學位單位】：長安大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：P237
【部分圖文】：

MNIST數據集部分樣本

α=0.1時不同的學習率對重構誤差的影響

α=0.4時不同的學習率對重構誤差的影響

【參考文獻】

相關期刊論文 前3條

1 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

2 張良培;黃昕;;遙感影像信息處理技術的研究進展(英文)[J];遙感學報;2009年04期

3 黃昕;張良培;李平湘;;基于小波的高分辨率遙感影像紋理分類方法研究[J];武漢大學學報(信息科學版);2006年01期

本文編號：2810057