高空間分辨率遙感影像（簡(jiǎn)稱高分影像）能夠快速記錄地物幾何、紋理、形狀、色彩等信息,是國(guó)土調(diào)查、城市規(guī)劃、國(guó)防安全等領(lǐng)域重要的基礎(chǔ)性數(shù)據(jù),而地物分類是實(shí)現(xiàn)高分影像數(shù)據(jù)價(jià)值的基本工作。雖然地物分類方法研究已經(jīng)十分深入,包括:決策樹(shù)、支持向量機(jī)、隨機(jī)森林等,但影像存在的“同類地物差異大、異類地物差異小”問(wèn)題仍給地物分類造成極大挑戰(zhàn)。因此,有必要結(jié)合時(shí)代新技術(shù),從計(jì)算時(shí)間、識(shí)別準(zhǔn)確率、操作難度三方面進(jìn)行地物分類研究。目前,卷積神經(jīng)網(wǎng)絡(luò)技術(shù)（Convolutional Neural Network,CNN）已在圖像識(shí)別、檢測(cè)領(lǐng)域取得了突破性進(jìn)展,其準(zhǔn)確率遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)算法。但是,受公開(kāi)遙感影像數(shù)據(jù)集數(shù)量少、地域小的限制,CNN技術(shù)在高分影像地物分類的應(yīng)用研究相對(duì)不足,尤其表現(xiàn)在高分影像的地物分類領(lǐng)域。為此,深入探究了CNN原理,提出了雙路徑卷積神經(jīng)網(wǎng)絡(luò)模型（Double-Path Convolutional Neural Network Model,DP-CNN）,以促進(jìn)地物分類研究的發(fā)展。本文工作的主要內(nèi)容包括以下幾點(diǎn):（1）總結(jié)了遙感影像地物分類主流的傳統(tǒng)方法,梳理了CNN技術(shù)的發(fā)展... 

【文章來(lái)源】：太原理工大學(xué)山西省 211工程院校

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

實(shí)驗(yàn)的運(yùn)行窗口Fig3-3Theoperationwindowoftheexperiment

太原理工大學(xué)碩士研究生學(xué)位論文4.1.3 研究區(qū)域的預(yù)測(cè)場(chǎng)景太原市市轄區(qū)地類分布不均，各類地物交叉分布。在現(xiàn)有硬件設(shè)備條件下，將 DPCNN 模型應(yīng)用于市轄區(qū)多個(gè)場(chǎng)景的地類提取。選取了三個(gè)差異明顯的場(chǎng)景進(jìn)行預(yù)測(cè)，并借助三個(gè)場(chǎng)景的預(yù)測(cè)效果，分析 DP-CNN 模型對(duì)不同地物類別的識(shí)別效果。具體場(chǎng)景為：場(chǎng)景一：市區(qū)場(chǎng)景；場(chǎng)景二：農(nóng)村場(chǎng)景；場(chǎng)景三：山區(qū)場(chǎng)景，內(nèi)容如圖 4-2、圖 43、圖 4-4 所示。

太原理工大學(xué)碩士研究生學(xué)位論文周邊存在大片耕地。農(nóng)村場(chǎng)景影像（圖 4-3）以市轄區(qū)南部的某個(gè)村莊為中心，選取村莊居民地及周邊耕地，其尺寸大小為 3000×1200。在場(chǎng)景中，居民地建筑物內(nèi)存在量的植被，村莊有縱橫交錯(cuò)的水泥道路，村莊周邊部分為耕地，部分為植被，且在村的北部有一條明顯的水泥道路穿過(guò)耕地。

【參考文獻(xiàn)】：
期刊論文
[1]基于SegNet語(yǔ)義模型的高分辨率遙感影像農(nóng)村建設(shè)用地提取[J]. 楊建宇,周振旭,杜貞容,許全全,尹航,劉瑞.  農(nóng)業(yè)工程學(xué)報(bào). 2019(05)
[2]結(jié)合特征組與分層策略的遙感圖像分類研究[J]. 潘建平,夏鑫,陽(yáng)春花.  測(cè)繪科學(xué). 2019(01)
[3]遙感圖像場(chǎng)景深度學(xué)習(xí)與應(yīng)用研究——以城市結(jié)構(gòu)類型識(shí)別為例[J]. 李二珠.  地理與地理信息科學(xué). 2018(06)
[4]基于Faster R-CNN深度網(wǎng)絡(luò)的遙感影像目標(biāo)識(shí)別方法研究[J]. 王金傳,譚喜成,王召海,鐘燕飛,董華萍,周松濤,成布怡.  地球信息科學(xué)學(xué)報(bào). 2018(10)
[5]基于特征空間優(yōu)化的隨機(jī)森林算法在GF-2影像濕地分類中的研究[J]. 詹國(guó)旗,楊國(guó)東,王鳳艷,辛秀文,國(guó)策,趙強(qiáng).  地球信息科學(xué)學(xué)報(bào). 2018(10)
[6]基于U型卷積神經(jīng)網(wǎng)絡(luò)的航空影像建筑物檢測(cè)[J]. 伍廣明,陳奇,Ryosuke SHIBASAKI,郭直靈,邵肖偉,許永偉.  測(cè)繪學(xué)報(bào). 2018(06)
[7]高分辨率遙感影像場(chǎng)景的多尺度神經(jīng)網(wǎng)絡(luò)分類法[J]. 鄭卓,方芳,劉袁緣,龔希,郭明強(qiáng),羅忠文.  測(cè)繪學(xué)報(bào). 2018(05)
[8]基于空間LDA模型的高分辨率遙感影像地物覆蓋分類[J]. 李楊,邵華,江南,施歌,丁遠(yuǎn).  農(nóng)業(yè)工程學(xué)報(bào). 2018(08)
[9]SAT-CNN:基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類算法[J]. 張德園,常云翔,張利國(guó),石祥濱.  小型微型計(jì)算機(jī)系統(tǒng). 2018(04)
[10]采用改進(jìn)全卷積網(wǎng)絡(luò)的“高分一號(hào)”影像居民地提取[J]. 潘旭冉,楊帆,潘國(guó)峰.  電訊技術(shù). 2018(02)

碩士論文
[1]基于CNN的遙感圖像分類與檢測(cè)方法的研究[D]. 房正正.北京化工大學(xué) 2017



本文編號(hào)：2984886