【摘要】：對地觀測技術(shù)的快速發(fā)展為各領(lǐng)域提供了高精度、高時(shí)效和大面積覆蓋的海量遙感數(shù)據(jù),如何在海量遙感數(shù)據(jù)中快速提取有用信息,緩解“大數(shù)據(jù),小知識”的現(xiàn)狀,成為制約遙感數(shù)據(jù)應(yīng)用的關(guān)鍵問題之一。近年來以“深度卷積神經(jīng)網(wǎng)絡(luò)”為代表的深度學(xué)習(xí)方法在圖像識別和分割等領(lǐng)域取得了巨大突破,亦被用于基于遙感影像的地物分類等方面。但遙感影像具有多波譜特性和空間位置特征,基于遙感影像的深度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練存在計(jì)算效率低,空間信息缺失等問題。同時(shí),針對遙感影像分類結(jié)果的精度評價(jià),由于遙感影像的空間相關(guān)性致使傳統(tǒng)的精度評價(jià)方法存在樣本冗余度高和精度評價(jià)效率低等問題。因此,本文以遙感影像的快速分類和精度評價(jià)為目的,研究基于深度卷積神經(jīng)網(wǎng)絡(luò)的遙感影像快速分類方法和基于灰度共生矩陣的遙感影像分類結(jié)果快速評價(jià)方法。主要的研究內(nèi)容包括:(1)提出了一種基于改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)遙感影像分類模型本文分類模型的改進(jìn)主要體現(xiàn)在以下兩方面:針對遙感影像的空間位置特征,通過對遙感影像進(jìn)行“波段化”預(yù)處理,使遙感影像的空間位置信息轉(zhuǎn)化為“經(jīng)度波段”和“緯度波段”,并使其與其他波段一起構(gòu)成輸入數(shù)據(jù),以提高深度卷積神經(jīng)網(wǎng)絡(luò)模型對遙感影像的空間位置特征識別度。針對遙感影像的多波譜特性,在深度卷積神經(jīng)網(wǎng)絡(luò)的卷積結(jié)構(gòu)中設(shè)置瓶頸單元,實(shí)現(xiàn)對輸入影像降維;通過分組卷積,降低深度卷積神經(jīng)網(wǎng)絡(luò)遙感影像分類模型訓(xùn)練時(shí)的卷積計(jì)算量;針對遙感影像的光譜連續(xù)性,構(gòu)建通道洗牌結(jié)構(gòu),提升分組卷積階段神經(jīng)網(wǎng)絡(luò)的特征提取能力。(2)提出了一種基于灰度共生矩陣的遙感影像分類結(jié)果精度評價(jià)方法本文提出的精度評價(jià)方法主要解決以下兩方面問題:如何確定抽取多少樣本量用于遙感影像分類結(jié)果的精度評價(jià);如何確定怎樣布設(shè)待評價(jià)的樣本單元,以降低樣本之間的信息冗余度。針對遙感影像分類結(jié)果精度評價(jià)抽取多少樣本量的問題,本文基于灰度共生矩陣量化了遙感影像空間相關(guān)性與像素間隔的數(shù)學(xué)關(guān)系,并通過該量化關(guān)系計(jì)算出了不同空間相關(guān)性系數(shù)下樣本量的大小;針對精度評價(jià)樣本點(diǎn)的布設(shè)問題,本文結(jié)合遙感影像在不同方向上的空間相關(guān)性,優(yōu)化了系統(tǒng)抽樣的步長設(shè)計(jì)。最后基于遙感影像的海島地物分類及精度評價(jià)為例,驗(yàn)證了本文提出的快速分類及精度評價(jià)方法。本文將自主構(gòu)建的1500幅海島遙感影像數(shù)據(jù)集輸入改進(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,得到了用于遙感影像海島的分類模型。改進(jìn)后分類模型與原模型相比,模型訓(xùn)練時(shí)間降低至原來的1/18。并通過基于灰度共生矩陣的精度評價(jià)方法,用較少的樣本量對多幅海島分類結(jié)果進(jìn)行了準(zhǔn)確地精度驗(yàn)證。評價(jià)結(jié)果顯示這些海島的分類精度均在90%以上。實(shí)驗(yàn)表明:本文面向遙感影像提出的改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)分類方法,可快速訓(xùn)練分類模型并實(shí)現(xiàn)遙感影像的快速分類;基于灰度共生矩陣的分類結(jié)果精度評價(jià)方法在保證分類精度的前提下,可有效的降低評價(jià)樣本間的冗余性,提升評價(jià)效率。
【圖文】：

圖 1-1 本文研究內(nèi)容Fig 1-1 The research content of this article遙感影像分類后，需要在實(shí)際應(yīng)用前對分類結(jié)果進(jìn)行精度驗(yàn)證，只有當(dāng)分類精度達(dá)標(biāo)時(shí)才可使用。在精度驗(yàn)證階段①基于灰度共生矩陣量化遙感影像的空間相關(guān)性系數(shù)與像素間距的關(guān)系；②并通過該量化關(guān)系計(jì)算出了不同空間相關(guān)性系數(shù)下樣本量的大小，以確定精度評價(jià)所需的樣本量；③通過量化的樣本點(diǎn)空間相關(guān)性，優(yōu)化系統(tǒng)抽樣的步長設(shè)計(jì)，進(jìn)而確定評價(jià)樣本量與樣本空間分布的關(guān)系，減少樣本點(diǎn)間信息的冗余；④建立評價(jià)樣本點(diǎn)誤差矩陣，對分類精度進(jìn)行了精確的量化評價(jià)；⑤最終基于灰度共生矩陣的精度評價(jià)模型對遙感影像分類結(jié)果進(jìn)行評價(jià)。1.6 章節(jié)安排第一章，描述采用深度卷積神經(jīng)網(wǎng)絡(luò)方法進(jìn)行遙感影像分類過程中遇到的實(shí)際問題，并研討了分類結(jié)果精度評價(jià)過程中應(yīng)考慮的遙感影像空間相關(guān)性問題，并針對遙感影像的特征，提出解決問題的方向�；仡櫳疃葘W(xué)習(xí)技術(shù)的發(fā)展過程，分析國內(nèi)外以深度學(xué)習(xí)方法解決遙感影像分類，以及精度評價(jià)提取領(lǐng)域的現(xiàn)狀與發(fā)展趨勢，闡述改進(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)分類方法以及精度驗(yàn)證這一完整過程研究思路

2.1.1 深度卷積神經(jīng)網(wǎng)絡(luò)深度卷積神經(jīng)網(wǎng)絡(luò)的雛形是 LeNet。LeNet 解決了普通神經(jīng)網(wǎng)絡(luò)中神經(jīng)元間全連接而造成參數(shù)過多和訓(xùn)練難的問題，實(shí)現(xiàn)了多層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。圖 2-1 為深度卷積神經(jīng)網(wǎng)絡(luò) LeNet 的基本架構(gòu)[12]。
【學(xué)位授予單位】：上海海洋大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP751;TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 毛敏娟;楊續(xù)超;;霾與城市化發(fā)展的關(guān)系[J];環(huán)境科學(xué)研究;2015年12期

2 楊陽;張文生;;基于深度學(xué)習(xí)的圖像自動標(biāo)注算法[J];數(shù)據(jù)采集與處理;2015年01期

3 魯學(xué)軍,王欽敏,明冬萍,王晶,徐志剛;空間特征在遙感影像分析中的應(yīng)用[J];中國圖象圖形學(xué)報(bào);2004年06期

，

本文編號：2683965