基于卷積神經(jīng)網(wǎng)絡(luò)的高分二號遙感影像提取方法

發(fā)布時(shí)間：2020-07-03 01:39

【摘要】：準(zhǔn)確獲取耕地、居民地、林地、道路和水域等地物的分布信息,是獲取土地利用信息的主要手段。用高分二號遙感影像為數(shù)據(jù)源,利用深度學(xué)習(xí)模型對高分辨率遙感影像進(jìn)行分割提取,可以獲取高精度土地利用分類相關(guān)信息,對合理開發(fā)土地資源,促進(jìn)精準(zhǔn)農(nóng)業(yè)發(fā)展有著重要的作用。在高分二號遙感影像上,各類地物特征復(fù)雜多樣,將神經(jīng)網(wǎng)絡(luò)模型運(yùn)用到遙感影像的提取,可以增加分割精度,且與傳統(tǒng)的提取方法相比,提高了處理速度。Deeplab和RefineNet網(wǎng)絡(luò)在自然圖像識別分割時(shí)效果顯著,但是它并不適合處理高分二號遙感影像,其主要原因是深層卷積忽略細(xì)節(jié)特征,并且存在多層池化層。池化在考慮背景空間信息的同時(shí)丟棄了部分位置信息。另一個(gè)原因是高分二號遙感影像與自然圖像相比特征差別很大,卷積神經(jīng)網(wǎng)絡(luò)不適合直接提取高分二號遙感影像。本文分析了耕地、林地、水域、道路和居民地在高分2號遙感影像上的表現(xiàn)特點(diǎn),以Deeplab和Refine Net模型為基礎(chǔ),依據(jù)每類地物的具體特點(diǎn)模型結(jié)構(gòu)進(jìn)行設(shè)計(jì)分析,結(jié)合訓(xùn)練結(jié)果,最終分別得到用于五類地物的網(wǎng)絡(luò)結(jié)構(gòu),通過這兩套網(wǎng)絡(luò)模型對影像分別進(jìn)行分類。主要工作如下:1、數(shù)據(jù)集制作。融合后的整幅高分二號遙感影像很大,如果直接輸入網(wǎng)絡(luò)訓(xùn)練,顯卡會出現(xiàn)內(nèi)存溢出的問題,本文使用ENVI 5.3直接融合高分二號遙感影像,然后使用標(biāo)注軟件對遙感影像進(jìn)行標(biāo)注,使用python編寫的代碼裁剪出分辨率為960*960的PNG格式的圖片,將其屬性標(biāo)記為0到N的某個(gè)值,即不同地物的像素屬性值依次標(biāo)記為1、2、3、……、N,其他物體的像素點(diǎn)標(biāo)記為0。2、各地物在高分辨率遙感影像上的影像特征主要表現(xiàn)為:光譜、空間、紋理、形狀等特征�？偨Y(jié)高分2號遙感圖像中耕地、林地、水域、道路和居民地特點(diǎn),并從理論上將各類特征進(jìn)行歸納總結(jié),為后續(xù)的模型設(shè)計(jì)奠定基礎(chǔ)。3、針對裸地與小麥大量分布的影像,本文提出了基于ECLDeeplab(Extraction Cul tivated Land Deeplab)模型耕地信息提取方法。由于山東省中部地區(qū)12月份影像中的耕地主要為小麥和裸地,所以該模型主要提取了冬小麥和裸地兩類,總體提取準(zhǔn)確率為88.3%。4、針對每一類地物特點(diǎn)在RefineNet模型基礎(chǔ)上構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu),設(shè)計(jì)出了IM-RefineNet(Improved Model RefineNet)模型結(jié)構(gòu)。該法能夠保留高分二號遙感影像的空間位置信息。最終實(shí)驗(yàn)結(jié)果表明,本文的方法在高分二號遙感影像提取地物的效率有所提高,而且總體提取精度達(dá)到93%。
【學(xué)位授予單位】：山東農(nóng)業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP183;TP751
【圖文】：

肥城市,東平縣,位置圖