【摘要】：遙感圖像作為人類(lèi)對(duì)地觀測(cè)的重要科技手段之一,是當(dāng)前學(xué)術(shù)領(lǐng)域研究熱點(diǎn)。遙感圖像被廣泛應(yīng)用在眾多領(lǐng)域,其中包括農(nóng)林業(yè),軍事,城市規(guī)劃,自然災(zāi)害分析等等。深度學(xué)習(xí)(DeepLearning)尤其是卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network,CNN)最近幾年逐漸成為計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)和主流研究方向,在圖像識(shí)別分類(lèi),圖像分割,目標(biāo)檢測(cè),圖像理解描述等任務(wù)上都取得了巨大成功。隨著研究人員對(duì)深度學(xué)習(xí)和遙感圖像處理的研究,基于深度學(xué)習(xí)的方法也在遙感圖像分析處理領(lǐng)域也取得了突出的成績(jī)。論文以深度學(xué)習(xí)技術(shù)為基礎(chǔ),對(duì)遙感圖像的超分辨率重構(gòu)和融合分類(lèi)方法進(jìn)行了研究。由于光學(xué)成像機(jī)制,成像硬件條件以及大氣擾動(dòng)等因素,遙感圖像的空間分辨率受到一定限制。特別是對(duì)于高光譜成像來(lái)說(shuō),很難獲得高空間分辨率的圖像。高空間分辨率的遙感圖像能夠更好地記錄地物細(xì)節(jié)信息,得到更精確的數(shù)據(jù)分析結(jié)果。超分辨率重建技術(shù)(Super-Resolution,SR)通過(guò)信號(hào)處理和圖像處理的方法將低空間分辨率的圖像提升至相對(duì)于更高的空間分辨率,對(duì)圖像進(jìn)行細(xì)節(jié)增強(qiáng),能獲得更好的應(yīng)用效果。高光譜遙感圖像(Hyper-Spectral Imagery,HSI)作為遙感圖像的一大分支因其豐富的地物光譜信息,而常常被應(yīng)用在對(duì)地物的分析和分類(lèi)研究任務(wù)中。遙感成像中的同物異譜,同譜異物特性,在高光譜圖像分類(lèi)中常常引起誤分類(lèi)。將高光譜數(shù)據(jù)和其他遙感數(shù)據(jù),如雷達(dá)數(shù)據(jù)等,進(jìn)行融合,能有效提高分類(lèi)精度。論文主要的研究工作如下:1.分析遙感圖像成像原理,在這個(gè)基礎(chǔ)上構(gòu)建分辨率降低的退化模型,并以此為依據(jù)設(shè)計(jì)深度卷積神經(jīng)網(wǎng)絡(luò),包括SRDCN,DSRDCN和ESRDCN三種不同的網(wǎng)絡(luò)模型,實(shí)現(xiàn)對(duì)低分辨率遙感圖像的空間分辨率提升的任務(wù)。2.在單一高光譜數(shù)據(jù)對(duì)于不同地物具有相同光譜的分別能力弱的情況下,引入其他數(shù)據(jù)源的數(shù)據(jù),包括激光雷達(dá)數(shù)據(jù)和多光譜數(shù)據(jù)與高光譜數(shù)據(jù)進(jìn)行聯(lián)合分類(lèi)。并針對(duì)該任務(wù)設(shè)計(jì)雙分支網(wǎng)絡(luò),同時(shí)對(duì)多源數(shù)據(jù)進(jìn)行特征提取和融合,提升分類(lèi)精度。
【學(xué)位授予單位】：北京化工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：TP751;TP18
【圖文】：

類(lèi)（Ｉｍａｇｅ邋Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）領(lǐng)域的序幕，之后２０１３年的ＺＦＮＥＴ達(dá)到了邋１１．２％的錯(cuò)逡逑誤率奪冠，以及２０１４年的ＶＧＧ和ＧｏｏｇｌｅＮｅｔ［１Ｇ５］［６６】［９３］，一直到２０１５年的逡逑ＲｅｓＮｅｔ正確率己經(jīng)超過(guò)了人類(lèi)，圖２－１展示了這幾個(gè)代表性網(wǎng)絡(luò)［１Ｍ】。在計(jì)算機(jī)逡逑視覺(jué)領(lǐng)域比圖像分類(lèi)更具挑戰(zhàn)性的任務(wù)就是圖像目標(biāo)識(shí)別（ＩｍａｇｅＯｂｊｅｃｔ逡逑Ｄｅｔｅｃｔｉｏｎ）。具體就是在圖像中將目標(biāo)的四周邊界以矩形框的形式標(biāo)識(shí)出來(lái)，也逡逑就是將該問(wèn)題轉(zhuǎn)化為尋找目標(biāo)的矩形邊界問(wèn)題。先后發(fā)展了邋Ｒ－ＣＮＮ，邋ｆａｓｔＲ－ＣＮＮ，逡逑ｆａｓｔｅｒＲ－ＣＮＮ，邋ＹＯＬＯ，以及ＳＳＤ等方法，圖２－２顯示了這三個(gè)目標(biāo)檢測(cè)主流框逡逑架［６７］＿［７１］。圖像語(yǔ)義分割（Ｉｍａｇｅ邋Ｓｅｍａｎｔｉｃ邋Ｓｅｇｍｅｎｔａｔｉｏｎ）就是根據(jù)圖像的紋理和形逡逑狀和目標(biāo)分成幾個(gè)不相交的區(qū)域，也是計(jì)算機(jī)視覺(jué)領(lǐng)域中一大研宄方向。一系逡逑列基于深度學(xué)習(xí)的圖像語(yǔ)義分割算法提出，例如ＦＣＮ，邋ＤｅｅｐＬａｂ系列，ＳｅｇＮｅｔ以逡逑及１１以６１等［７２］４７５］。另一個(gè)更深層次的方向就是圖像描述（Ｉｍａｇｅ邋Ｃａｐｔｉｏｎ），也可逡逑以理解為看圖說(shuō)話(huà)。圖像描述融合了計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理的綜合問(wèn)題，逡逑難點(diǎn)就在于如何將圖像中內(nèi)容如何通順有語(yǔ)義的生成一句話(huà)。這個(gè)任務(wù)對(duì)計(jì)算逡逑機(jī)來(lái)說(shuō)非常具有挑戰(zhàn)性

像矩陣大小，這樣能夠使卷積核的每個(gè)神經(jīng)元都與輸入的神經(jīng)元產(chǎn)生連接。避免逡逑了神經(jīng)節(jié)點(diǎn)之間的稠密連接，大幅度減少了參數(shù)量，也是一個(gè)減少算力需求的途逡逑徑。圖２－３解釋了卷積操作的稀疏性。從輸入層角度看，當(dāng)選擇卷積核大小為３逡逑的時(shí)候ｘ２只對(duì)隱含層產(chǎn)生影響，而不影響所有的隱含層。當(dāng)相同大小的逡逑卷積核對(duì)輸出層來(lái)說(shuō)，直接影響ｓ４的值得隱含層節(jié)點(diǎn)為ｐ３，ｉ４Ｊｓ｝，被稱(chēng)為卷積層逡逑的感受野（Ｒｅｃ�。簦椋觯澹龋澹欤洌�。關(guān)于感受野的討論，處在網(wǎng)絡(luò)深處的卷積層相對(duì)于輸逡逑入的感受野更大，如圖所示ｓ３在隱含層和輸出層的感受野分別為和逡逑１５逡逑

（Ｒｅｃｔｉｆｉｅｄ邋Ｌｉｎｅａｒ邋Ｕｎｉｔ，邋ＲｅＬＵ）構(gòu)成，可視為稀疏自動(dòng)編碼神經(jīng)網(wǎng)絡(luò)（Ｓｐａｒｓｅ逡逑Ａｕｔｏｅｎｃｏｄｅｒ，ＳＡＥ）的擴(kuò)展版本。逡逑為了驗(yàn)證我們提出的方法，圖３－１的流程圖中顯示了主要步驟。其中主要逡逑包括兩個(gè)步驟：①按照公式（３－１）所示模擬圖像分辨率退化的過(guò)程；②對(duì)高分逡逑辨率圖像Ｉ—的重建過(guò)程。下面的流程圖中的Ｓ表示圖像退化過(guò)程中的下采逡逑樣尺度。逡逑ＩQ婂危輳�？逦］徫Ｗ逦逦／逦＇Q婂義希危澹簦鰨錚潁脲義賢跡常貝擁頭直媛釋枷竦礁叻直媛實(shí)鬧亟ü體義希疲椋紓常卞澹櫻酰穡澹潁潁澹螅錚歟酰簦椋錚鑠澹潁澹悖錚睿螅簦潁酰悖簦椋錚鑠澹媯潁錚礤澹蹋義澹觶椋徨澹茫危五義銜朔掄嬙枷褳嘶墓蹋頤竅榷韻鐘械母叻直娼懈咚孤瞬ㄊ迪侄藻義賢枷衲：男Ч�，染忬进行以尺洱x詠邢虜裳Ｕ庖徊街枋迪至送枷竦耐隋義匣獺Ｈ緩笤俁緣頭直媛釋枷瘢桑徒猩喜裳�，将茰O醴胖勘甏笮�，此辶x鮮鋇耐枷褚讕墑塹頭直媛釋枷瘢潿ㄒ邐義希常保插澹櫻遙模茫五義賢跡常蠶晗副礱髁頌岢齙牡諞恢只誥砘窬緄囊８型枷癯直媛叔義希ǎ櫻遙模茫危┑耐緗峁�。由又I枷癯嘰縲∮諛勘曄涑觶�？，因绰栕先将输葰枘伭x希桑屯枷褳ü咝圓逯蛋幢壤醴胖聊勘甏笮。郟梗玻蕁Ｊ淙臚緄牡頭直媛釋枷皴義媳恢亟ㄎ叻直媛釋枷竦模桑＃庹齬癱歡ㄒ邐

本文編號(hào)：2745394