【摘要】：自從美國在1972年發(fā)射了地球上首顆陸地觀測衛(wèi)星以來,包括圖像處理、分類、融合和理解在內(nèi)的各種遙感圖像處理技術(shù)迅速發(fā)展。高分辨率遙感圖像被廣泛應(yīng)用于各個領(lǐng)域,包括:城市發(fā)展規(guī)劃、基礎(chǔ)地理信息繪圖、環(huán)境監(jiān)測和評估、精準農(nóng)業(yè)和公共信息服務(wù)等。遙感圖像最主要的應(yīng)用目標是提取感興趣目標的信息,然后識別該信息以完成圖像理解。道路是交通運輸?shù)闹鞲珊突痉绞?對人類文明的發(fā)展提供了許多的支持。道路提取研究對于交通管理具有重要意義,包括城市規(guī)劃、道路監(jiān)控、GPS導(dǎo)航、地圖更新、圖像注冊等。對高分辨率遙感衛(wèi)星圖像進行道路提取不僅是一個挑戰(zhàn)性極大的研究方向,而且它還具有極大的研究價值。在本文中,主要研究的是用卷積神經(jīng)網(wǎng)絡(luò)對高分遙感圖像道路進行分割提取。改進卷積神經(jīng)網(wǎng)絡(luò)模型,用呼和浩特城市遙感圖像道路數(shù)據(jù)集對神經(jīng)網(wǎng)絡(luò)進行訓練。本文的主要內(nèi)容和結(jié)論如下:(1)經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型存在輸出圖像的分辨率降低,圖像上的信息丟失過多,提取的信息不夠和參數(shù)過多等缺點。所以本文引入反卷積的概念,將神經(jīng)網(wǎng)絡(luò)的全連接層去掉,用卷積層替代,并在卷積層之后使用反卷積層。反卷積的存在不僅減少了參數(shù)數(shù)量,而且能召回丟失的信息,使得輸出圖像分辨率和原始圖像一樣大。(2)基于卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感圖像自動道路提取:在本文中,本文制作了中國內(nèi)蒙古呼和浩特地區(qū)的城市道路遙感數(shù)據(jù)集,訓練本文所提出的卷積神經(jīng)網(wǎng)絡(luò),提取城市道路。(3)在實驗過程中,本文研究了學習率、batch_size等超參數(shù)對模型精度以及訓練時間的影響。然后選擇最優(yōu)模型實驗結(jié)果可知:本文所改進的卷積神經(jīng)網(wǎng)絡(luò)模型在訓練集的提取精度達到了93.2%，在驗證集的精度達到了90.1%。(4)使用該模型對遙感圖像道路進行提取,并與其它模型方法的提取效果進行對比。(5)本文通過對神經(jīng)網(wǎng)絡(luò)訓練過程中卷積層圖像特征的可視化了解神經(jīng)網(wǎng)絡(luò)的圖像特征提取過程。
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP183;TP751
【圖文】：

果對比逡逑圖１－１技術(shù)路線圖逡逑如圖１－１所示，本文的重點是設(shè)計一個卷積神經(jīng)網(wǎng)絡(luò)對本文制作的遙感道路數(shù)逡逑據(jù)集進行道路提取的訓練和測試。其主要分為：卷積神經(jīng)網(wǎng)絡(luò)模型設(shè)計、編程實逡逑現(xiàn)、道路提取實驗、精度評價、與其它模型提取結(jié)果對比這五個部分。逡逑卷積神經(jīng)網(wǎng)絡(luò)模型的設(shè)計、編程實現(xiàn)和道路提取實驗是本文中的重點。其整逡逑體過程如下所示：逡逑（１）

因為只有一個卷積核，所以對于圖像特征的提取肯定是不夠的。因此。我們逡逑可以在對神經(jīng)網(wǎng)絡(luò)進行設(shè)計的時候，在每一層網(wǎng)絡(luò)中都設(shè)計多個卷積核。例如６４逡逑個卷積核可以在該層學習到圖像的６４個特征。如圖２－２所示［４２］：逡逑ｆＪ邐＾逡逑（ａ）邐（ｂ）逡逑圖２－２多重卷積結(jié)構(gòu)１４２１逡逑（ａ）為局部連接網(wǎng)絡(luò)；（ｂ）為卷積神經(jīng)網(wǎng)絡(luò)逡逑上圖２－２中，不同的卷積核由具有不同顏色的圓來表示，并且每個卷積核在卷逡逑積之后都會生成特征圖像。在上圖（ａ）的局部連接yL經(jīng)網(wǎng)絡(luò)中，在同一個感受野只逡逑有一個提取特征的卷積核，而在右邊圖（ｂ）的多重卷積神經(jīng)網(wǎng)絡(luò)中，可以從同一片逡逑感受野中利用多個卷積核提取出多個不同的特征。逡逑２．１．３卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)逡逑隨著深度學習的研宄者對神經(jīng)網(wǎng)絡(luò)不斷的改進研宄，出現(xiàn)了非常多的網(wǎng)絡(luò)模逡逑型，他們都有相似的組成部分。卷積神經(jīng)網(wǎng)絡(luò)通常都由輸入層、激活函數(shù)、卷積逡逑層、池化層和全連接層等構(gòu)成。其結(jié)構(gòu)如圖２－３所示：逡逑１２逡逑

【參考文獻】

相關(guān)期刊論文 前10條

1 徐南;周紹光;;基于圖像分塊和線段投票的遙感道路邊緣線提取[J];國土資源遙感;2015年01期

2 周紹光;陳超;赫春曉;;基于形狀先驗和Graph Cuts原理的道路分割新方法[J];測繪通報;2013年12期

3 曾發(fā)明;楊波;吳德文;唐攀科;張建國;張鴻鍵;;基于Canny邊緣檢測算子的礦區(qū)道路提取[J];國土資源遙感;2013年04期

4 余凱;賈磊;陳雨強;徐偉;;深度學習的昨天、今天和明天[J];計算機研究與發(fā)展;2013年09期

5 程江華;高貴;庫錫樹;孫即祥;;SAR圖像道路網(wǎng)提取方法綜述[J];中國圖象圖形學報;2013年01期

6 吳學文;徐涵秋;;一種基于水平集方法提取高分辨率遙感影像中主要道路信息的算法[J];宇航學報;2010年05期

7 徐鵬;王以寧;;國內(nèi)人工智能教育應(yīng)用研究現(xiàn)狀與反思[J];現(xiàn)代遠距離教育;2009年05期

8 曹揚;洪金益;;基于統(tǒng)計分析的遙感圖像分類方法[J];西部探礦工程;2008年04期

9 朱長青,王耀革,馬秋禾,史文中;基于形態(tài)分割的高分辨率遙感影像道路提取[J];測繪學報;2004年04期

10 文貢堅,王潤生,nudt.edu.cn;從航空遙感圖像中自動提取主要道路[J];軟件學報;2000年07期

相關(guān)碩士學位論文 前5條

1 鐘傳琦;基于深度學習的高分辨率遙感影像道路自動提取研究[D];電子科技大學;2018年

2 劉文濤;基于卷積神經(jīng)網(wǎng)絡(luò)的城市區(qū)域建筑物自動提取研究[D];電子科技大學;2018年

3 劉健;基于深度學習的溯源視頻目標檢測與識別[D];東南大學;2016年

4 周昀罡;基于知識的道路信息提取方法研究[D];四川師范大學;2013年

5 潘婷婷;數(shù)學形態(tài)學和分水嶺算法在遙感圖像目標識別中的應(yīng)用研究[D];江南大學;2008年

本文編號：2730870