【摘要】：遙感分類是從遙感影像中獲取有用數(shù)據(jù)和信息的必要手段,近年來(lái),隨著高分辨率遙感技術(shù)的快速發(fā)展,傳統(tǒng)的基于像元的分類方式已難以滿足目前的分類需求,面向?qū)ο蟮姆诸惙椒☉?yīng)運(yùn)而生,目前,一般的面向?qū)ο蠓诸惙椒ㄐ枰揽咳斯みx取特征以用于分類,不僅耗費(fèi)人力物力,同時(shí)人為特征選取具有強(qiáng)烈的盲目性和主觀性。深度學(xué)習(xí)是目前人工智能領(lǐng)域較前沿的學(xué)習(xí)算法,它自動(dòng)提取目標(biāo)特征的特性使其在各個(gè)研究領(lǐng)域備受歡迎,因此本文將深度學(xué)習(xí)的兩個(gè)經(jīng)典算法自編碼器和卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到面向?qū)ο筮b感分類中來(lái),但將兩種算法直接用于分類會(huì)面臨網(wǎng)絡(luò)難以訓(xùn)練及需要大量有標(biāo)簽樣本的問(wèn)題,本文則對(duì)問(wèn)題進(jìn)行了詳細(xì)的分析,并提出了相應(yīng)的解決方案,旨在提高自編碼器和卷積神經(jīng)網(wǎng)絡(luò)在面向?qū)ο筮b感分類中的分類性能,為面向?qū)ο筮b感分類提供一種自動(dòng)學(xué)習(xí)特征的探索性思路。具體研究成果如下:(1)設(shè)計(jì)了棧式自編碼器和BP神經(jīng)網(wǎng)絡(luò)混合模型。針對(duì)將自編碼器應(yīng)用于面向?qū)ο筮b感分類時(shí),由于以眾多像元組成的對(duì)象為基本分類單元而導(dǎo)致的輸入數(shù)據(jù)維度較高,以至自編碼器難以訓(xùn)練的問(wèn)題,提出了棧式自編碼器和BP神經(jīng)網(wǎng)絡(luò)混合模型,將局部采樣的小樣本利用棧式自編碼器對(duì)未標(biāo)記的樣本進(jìn)行無(wú)監(jiān)督特征提取,同時(shí)預(yù)訓(xùn)練權(quán)重,然后通過(guò)BP神經(jīng)網(wǎng)絡(luò)使用有標(biāo)簽的樣本進(jìn)行權(quán)重微調(diào),并利用集成學(xué)習(xí)的思想集成小樣本的分類結(jié)果,通過(guò)實(shí)驗(yàn)證明,該模型的分類精度能夠達(dá)到0.930,是一種有效可行的分類方法。(2)建立了基于多分類器的多尺度卷積神經(jīng)網(wǎng)絡(luò)模型。針對(duì)卷積神經(jīng)網(wǎng)絡(luò)在面向?qū)ο筮b感分類時(shí),由于卷積神經(jīng)網(wǎng)絡(luò)自身結(jié)構(gòu)復(fù)雜需要大量有標(biāo)簽樣本訓(xùn)練以及因遙感數(shù)據(jù)多樣性而使得有標(biāo)簽的樣本數(shù)據(jù)獲取較困難的問(wèn)題,提出利用多分類器集成的思想改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的分類性能,即從網(wǎng)絡(luò)的輸出端進(jìn)行改進(jìn),將分類任務(wù)進(jìn)行分解,再利用本文改進(jìn)的貝葉斯投票法進(jìn)行集成,實(shí)驗(yàn)結(jié)果表明,該模型的分類精度能夠達(dá)到0.916,為面向?qū)ο筮b感分類提出了一條新的探索途徑。(3)實(shí)現(xiàn)了卷積自編碼器和卷積神經(jīng)網(wǎng)絡(luò)混合分類模型。針對(duì)卷積神經(jīng)網(wǎng)絡(luò)在分類時(shí)面對(duì)的問(wèn)題,提出從網(wǎng)絡(luò)輸入端進(jìn)行改進(jìn),首先使用卷積自編碼器對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理,提取原始數(shù)據(jù)的高維特征,將提取的特征作為卷積神經(jīng)網(wǎng)絡(luò)的輸入,實(shí)驗(yàn)結(jié)果表明該模型簡(jiǎn)化了卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),使分類精度達(dá)到0.944,并且分類效率得到提高,在分類精度不低于0.9的情況下有標(biāo)簽的樣本使用可以減少一半以上,是一種非常有效的設(shè)計(jì)方案。
【學(xué)位授予單位】：武漢理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP183;TP751
【圖文】：

圖 2-1 面向?qū)ο筮b感分類一般流程2.1.1 多尺度分割從宏觀上來(lái)說(shuō)，尺度是指待處理對(duì)象粒度的大小，在面向?qū)ο筮b感分類中，尺度是指區(qū)域內(nèi)像素的個(gè)數(shù)或區(qū)域合并的異質(zhì)性閾值。由于地球表面不同的地物大小不同，即不同的地物類型具有不同的尺度，在遙感影像中也表現(xiàn)出不同的尺度特征，因此為了找出不同地物對(duì)象與其對(duì)應(yīng)的尺度特征，以使得地物的輪廓能夠很好的被表達(dá)出來(lái)，需要對(duì)影像進(jìn)行多尺度分割。尺度影像分割是指首先設(shè)定某個(gè)閾值，然后根據(jù)遙感影像中地物目標(biāo)的光譜信息、形狀特征、紋理特征、上下文特征等，將具有相似特征值的異質(zhì)性在設(shè)定的閾值范圍之內(nèi)的相鄰像元合并，形成一個(gè)個(gè)具有真實(shí)自然地理語(yǔ)義的“對(duì)象”，多尺度分割則是通過(guò)設(shè)定不同分割閾值對(duì)同一幅影像進(jìn)行分割，來(lái)建立不同尺度層次下的影像對(duì)象層，從而反映遙感影像中地物的等級(jí)關(guān)系。由多尺度分

若大于設(shè)定的尺度，則停止合并，若小于閾值，則繼續(xù)合并，直至所有的對(duì)象的異質(zhì)性均達(dá)到設(shè)定的閾值為止，合并停止[51]。多尺度分割即設(shè)定多個(gè)尺度，其中小尺度的對(duì)象按照上述步驟生成，小尺度對(duì)象繼續(xù)向上合并生成大尺度對(duì)象，由此完成多尺度分割，也形成了對(duì)象之間具有上下層語(yǔ)義的關(guān)系圖層。多尺度分割流程示意圖如下所示：

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

3 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

4 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

5 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

6 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

7 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

8 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

9 蘇秀婷;;耦合神經(jīng)網(wǎng)絡(luò)的同步[J];紹興文理學(xué)院學(xué)報(bào)(自然科學(xué));2016年03期

10 朱n

本文編號(hào)：2723957