【摘要】：如何高效地從海量高分辨率遙感圖像中搜索需要的圖像,是后續(xù)解譯與應(yīng)用的基礎(chǔ),是遙感“大數(shù)據(jù)時代”實(shí)際而又富有挑戰(zhàn)性的問題。基于內(nèi)容的遙感圖像檢索是根據(jù)圖像的視覺內(nèi)容檢索圖像,即由用戶輸入查詢圖像,檢索系統(tǒng)從數(shù)據(jù)庫中查詢到與輸入圖像視覺特征相似的圖像,并按相似性排序返回最終的檢索結(jié)果,是遙感技術(shù)后續(xù)應(yīng)用的重要基礎(chǔ)。然而,已有的高分辨率遙感圖像檢索任務(wù)解決方案還存在一定問題:1)傳統(tǒng)的手工設(shè)計(jì)特征通過精巧的設(shè)計(jì)能夠描述顏色、紋理、結(jié)構(gòu)等特征,但對于高分辨率遙感圖像這種包含復(fù)雜光譜信息及空間幾何關(guān)系的圖像,其描述能力十分有限,尤其是對于高層語義信息的描述能力較弱,極大地制約了最終的檢索精度。2)現(xiàn)有遙感圖像內(nèi)容檢索系統(tǒng),均需要用戶輸入一幅已有的查詢圖像,在缺少查詢圖像的情況下,已有的檢索方法難以進(jìn)行檢索。針對以上問題,本文旨在建立能對高分辨率遙感圖像提取高層語義信息的模型,同時,引入草圖檢索的方法解決缺少查詢圖像時的內(nèi)容檢索問題。對此,本文主要研究針對遙感圖像內(nèi)容檢索問題的深度特征及深度跨域特征提取算法。主要研究內(nèi)容以及貢獻(xiàn)如下:首先,研究基于內(nèi)容的遙感圖像檢索深度特征提取算法,在比較了不同網(wǎng)絡(luò)結(jié)構(gòu)與不同層深度特征在遙感圖像檢索任務(wù)上的性能的基礎(chǔ)上,通過微調(diào)網(wǎng)絡(luò)的方法將深度特征遷移至遙感圖像,使深度網(wǎng)絡(luò)提取更適應(yīng)于遙感圖像的視覺特性。針對遙感圖像的多尺度問題,提出了多空間尺度深度特征來進(jìn)行遙感圖像檢索,提升遙感圖像檢索任務(wù)的精度。其次,對缺少查詢圖像時難以進(jìn)行遙感圖像檢索的問題,首次提出了利用手繪草圖檢索遙感圖像。分析了已有的遙感圖像內(nèi)容檢索方法在該跨域問題上存在的問題,提出了深度跨域模型的解決方案。為實(shí)現(xiàn)該方法,收集了一個手繪草圖-遙感圖像對應(yīng)的數(shù)據(jù)集并用于訓(xùn)練深度跨域模型,為深度跨域模型的訓(xùn)練提供了基礎(chǔ)。最后,考慮到草圖詳盡程度不同引起的視覺內(nèi)容變化較大,提出一種多細(xì)節(jié)尺度的深度跨域模型,通過不同細(xì)節(jié)尺度的手繪草圖、遙感圖像以及遙感圖像邊緣訓(xùn)練模型從而解決該問題。多尺度深度模型能夠提取不同細(xì)節(jié)尺度的手繪草圖與圖像特征,同時克服跨域難題,較好地描述草圖與遙感圖像共性的視覺特征。實(shí)現(xiàn)了利用手繪草圖高效準(zhǔn)確地從海量圖像中搜索出需要的遙感圖像。為驗(yàn)證本文提出算法的性能,我們在兩個高分辨率遙感圖像數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),并進(jìn)行了對比實(shí)驗(yàn)。結(jié)果驗(yàn)證了本文深度特征與深度跨域特征的有效性。
【圖文】：

逡逑以上檢索基本流程如圖２．１所示，接下來將具體介紹其中每個步驟的幾種經(jīng)逡逑典方法。逡逑查詢圖像邐檢索結(jié)果逡逑用戶邋Ｅｌ邋＿邋＾、、＇邐＿逡逑數(shù)據(jù)集￣￣邐／逡逑’■邐ｆ＼＾邐距離度量逡逑＇邐ｘ邐ｘ逡逑喔邋心邐特征空間逡逑圖像邐圖像特征逡逑圖２．１圖像檢索基本流程逡逑２．２圖像特征提取逡逑遙感圖像特征提取按照特征的語義描述特征，可以被分為底層特征、中層特逡逑征和高層特征，接下來將分別闡述各類特征特點(diǎn)并具體介紹其中有代表性的特征逡逑提取方法。逡逑２，２，１底層特征逡逑遙感圖像的視覺內(nèi)容可以用圖像較為直觀的基礎(chǔ)特性與結(jié)構(gòu)進(jìn)行描述，如圖逡逑像的顏色（光譜）、紋理、形狀等，這些屬性對圖像視覺內(nèi)容的區(qū)分與判別有重逡逑要作用。因此，可以通過人工設(shè)計(jì)的計(jì)算統(tǒng)計(jì)量等方法表達(dá)這些基本屬性，描述逡逑圖像視覺內(nèi)容，這些人工設(shè)計(jì)的描述則被稱之為底層特征。主要有以下三種底層逡逑特征：逡逑（１）顏色特征逡逑顏色特征是一種非常直觀的圖像特征

逡逑為輸入層、卷積層、全連接層和輸出層，如圖２．２所示。輸入層一般為輸入圖像，逡逑卷積層則是對圖像局部區(qū)域進(jìn)行卷積操作，全連接層與前后層的所有節(jié)點(diǎn)進(jìn)行連逡逑接，輸出層一般為分類層，得到輸入圖像屬于每個類別標(biāo)簽的概率。逡逑輸入層卷積層全連接層邐輸出層逡逑圖２．２卷積神經(jīng)網(wǎng)絡(luò)一般結(jié)構(gòu)逡逑通過帶標(biāo)簽的數(shù)據(jù)集訓(xùn)練后，多級的卷積神經(jīng)網(wǎng)絡(luò)模型能夠模擬非常復(fù)雜的逡逑非線性關(guān)系。因此，ＣＮＮ模型能夠提取到判別性較強(qiáng)的視覺特征，這些特征具逡逑有較強(qiáng)的抽象性與描述性，且能夠提取高層語義信息，通常將通過深度網(wǎng)絡(luò)模型逡逑提取的特征稱為深度特征。對于己有的ＣＮＮ模型，可以通過卷積層或全連接層逡逑提取特征，全連接層特征抽象度高，，是一個一維向量的形式，能夠直接作特征，逡逑卷積層是一個特征圖
【學(xué)位授予單位】：武漢大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP751

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 李德仁;張良培;夏桂松;;遙感大數(shù)據(jù)自動分析與數(shù)據(jù)挖掘[J];測繪學(xué)報(bào);2014年12期

相關(guān)博士學(xué)位論文 前1條

1 李嘉;基于內(nèi)容的多光譜遙感影像檢索若干關(guān)鍵技術(shù)研究[D];華中科技大學(xué);2009年

本文編號：2590180