【摘要】：隨著遙感技術(shù)的不斷發(fā)展,高分辨率遙感圖像數(shù)據(jù)也為地表水體的識別提供了更豐富的紋理、幾何結(jié)構(gòu)和空間分布信息。同時,由于大數(shù)據(jù)時代遙感數(shù)據(jù)成幾何級數(shù)的增長和地表區(qū)域內(nèi)物體異質(zhì)性的增強(qiáng),再利用傳統(tǒng)的逐像素方法進(jìn)行水體信息提取,其不僅忽略了圖像中相鄰像元間的關(guān)聯(lián)性,也不能滿足當(dāng)前大規(guī)模的應(yīng)用需求。近年來,隨著深度學(xué)習(xí)算法在計算機(jī)視覺、自然語言處理、文本分類和目標(biāo)檢測等方面取得的巨大成就,也為遙感水體識別提供了一種新的思路。如何應(yīng)用現(xiàn)有的水體特征提取方法、分布式計算和深度學(xué)習(xí)算法對遙感圖像中的水體進(jìn)行分類識別已成為一個重要的研究課題。本文分析其它研究學(xué)者的論文,并提出了以下創(chuàng)新點(diǎn):首先,為了提高遙感圖像的質(zhì)量,對原始圖像進(jìn)行了銳化、濾波、去霧、校正和定標(biāo)等處理,并將多光譜波段圖像與分辨率高的全色波段圖像進(jìn)行了像素級融合。其次,深入分析地表水體信息的空間和光譜特征,提出光譜和空間聯(lián)合特征的提取和選擇方法,并針對傳統(tǒng)逐像素水體識別方法識別效果差等問題,設(shè)計了空間約束算法來進(jìn)一步充分利用相鄰像元間的關(guān)聯(lián)性。最后,由于得到的遙感圖像數(shù)據(jù)量大的問題,搭建了分布式存儲和計算平臺,對圖像數(shù)據(jù)進(jìn)行了分塊存儲和計算。并針對人工參與進(jìn)行特征提取、分析以及閾值設(shè)定難等缺點(diǎn),本文借助深度學(xué)習(xí)框架,提出了多種深度神經(jīng)網(wǎng)絡(luò)的自動化水體識別模型,以聯(lián)合特征為輸入,對所提模型的整體性能進(jìn)行了評估。并利用深度學(xué)習(xí)算法其出色的特征“自學(xué)習(xí)能力”,構(gòu)建了一種穩(wěn)定的水體信息提取模型,實現(xiàn)水體信息的挖掘和識別。實驗結(jié)果表明,本文提出的結(jié)合空間光譜聯(lián)合特征和深度學(xué)習(xí)算法的水體識別模型在性能上優(yōu)于傳統(tǒng)的支持向量機(jī)(SVM)與BP神經(jīng)網(wǎng)絡(luò)。
【圖文】：

第一章引言逡逑本文的具體路線如圖１．２所示。逡逑原始圖像￣￣逡逑Ｉ逡逑，

本文編號：2677052