【摘要】：遙感圖像分類的精確度和效率是遙感圖像解析的重要研究內(nèi)容之一。隨著人工智能日漸顯示出來處理信息的優(yōu)勢,利用神經(jīng)網(wǎng)絡(luò)處理遙感圖像成為更高效的一種方法。相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò),深度神經(jīng)網(wǎng)絡(luò)具有更多運算層級,能夠在海量數(shù)據(jù)上應(yīng)用統(tǒng)計學(xué)習(xí)的方法,從計算機視覺的角度提取遙感圖像信息,更充分且更精確的挖掘海量數(shù)據(jù)的潛在信息,提高信息的利用價值。遙感圖像通過像素值的不同或亮度差異以及空間布局變化來區(qū)分不同的地物,這也是對遙感圖像分類的物理依據(jù)。通過提取遙感信息中所包含各地物的光譜信息,識別圖像中的地物進行分類處理。本文以寧夏地區(qū)荒漠化監(jiān)測為應(yīng)用背景,首先統(tǒng)計2000-2015年寧夏地區(qū)的歸一化差值植被指數(shù)NDVI,分析寧夏地區(qū)近16年來植被覆蓋的時空變化,再進一步通過深度神經(jīng)網(wǎng)絡(luò)解譯遙感圖像的方法觀測寧夏地區(qū)的植被覆蓋情況。本文重點研究深度神經(jīng)網(wǎng)絡(luò)中的卷積神經(jīng)網(wǎng)絡(luò)模型,卷積神經(jīng)網(wǎng)絡(luò)對于圖像分類能夠表現(xiàn)出很強的特征提取能力。其實質(zhì)是輸入到輸出的映射關(guān)系,含有兩層基本結(jié)構(gòu),一層是特征提取層,另一層是特征映射層。它具有局部感受野和共享權(quán)值的特點,可以有效減少訓(xùn)練過程中的參數(shù)的數(shù)量并降低訓(xùn)練難度。實驗圍繞UNet、SegNet和DeconvNet三種對稱結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)模型對遙感圖像進行分類,分別計算三種模型的jaccard系數(shù)作為精度評價指標。本次實驗在keras和theano的深度學(xué)習(xí)開發(fā)框架基礎(chǔ)上構(gòu)建神經(jīng)網(wǎng)絡(luò)模型,訓(xùn)練集采用WorldView衛(wèi)星多光譜遙感圖像,測試集采用Landsat寧夏地區(qū)遙感圖像。從實驗結(jié)果可以得出:(1)UNet網(wǎng)絡(luò)模型對遙感圖像的分類精度結(jié)果和效率優(yōu)于SegNet和DeconvNet網(wǎng)絡(luò)模型,UNet網(wǎng)絡(luò)的平均jaccard系數(shù)為0.765,高于SegNet網(wǎng)絡(luò)的0.732和DeconvNet網(wǎng)絡(luò)的0.706,且網(wǎng)絡(luò)訓(xùn)練時間最短。SegNet網(wǎng)絡(luò)模型的分類精度高于DeconvNet網(wǎng)絡(luò)模型,且SegNet網(wǎng)絡(luò)的訓(xùn)練時間遠少于DeconvNet網(wǎng)絡(luò)。三種模型對水體類和車輛類的分類精度較高,均在0.95左右。而對大型建筑的分類結(jié)果明顯高于其他人工建筑,公路的分類結(jié)果優(yōu)于小道類。(2)利用三種卷積神經(jīng)網(wǎng)絡(luò)對寧夏地區(qū)遙感圖像分類,并分別提取寧夏地區(qū)的樹木和農(nóng)作物區(qū)域,分類結(jié)果顯示:UNet卷積神經(jīng)網(wǎng)絡(luò)對植被覆蓋區(qū)域的分類效果最好。相較于NDVI統(tǒng)計的植被覆蓋信息,卷積神經(jīng)網(wǎng)絡(luò)的提取到的植被區(qū)域的邊緣更加細化。
【學(xué)位授予單位】：寧夏大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP751;TP183
【圖文】：

圖３－１堆疊的ＲＢＭ及ＤＢＮ結(jié)構(gòu)逡逑由

訓(xùn)練一個ＲＢＭ后作為下一個ＲＢＭ的輸入，連續(xù)學(xué)習(xí)得到砬的ＤＢＮ，每層之間的神經(jīng)元具有極高的關(guān)聯(lián)性。訓(xùn)練方訓(xùn)練過程分為兩步，首先每次僅訓(xùn)練一層的ＢＲＭ神經(jīng)元，最后當(dāng)所有層都訓(xùn)練完后，使用ｗａｋｅ－ｓｌｅｅｐ算法進行調(diào)優(yōu)ＮＮ）是由神經(jīng)網(wǎng)絡(luò)方面的專家學(xué)者ｊｏｒｄａｎ、Ｐｉｎｅｄａ．Ｗｉｌｌｉａｍｓ的一種網(wǎng)絡(luò)模型。ＲＮＮ是指各人工神經(jīng)元之間存在多種反饋的原因，是因為某層神經(jīng)元的輸出不僅與上一層神經(jīng)元的入，即第ｎ層神經(jīng)元在ｔ時刻的輸入，除了包含（ｎ－１）層神－１）時刻的輸出。ＲＮＮ包含三層結(jié)構(gòu)：輸入Ｍ、隱藏展、輸構(gòu)如圖３所示：逡逑

堆疊效果如下圖所示：逡逑W~栧義賢跡常倍訓(xùn)模遙攏圖埃模攏謂峁瑰義嫌賞跡鋇慕峁�，驯I芬桓觶遙攏禿笞魑亂桓觶遙攏偷氖淙�，连续学习得到一组＿b攏�。右碗H清義弦桓觶遙攏偷雍蠖皂塹模模攏危坎闃淶納窬哂屑叩墓亓�。驯I販椒ú捎玫氖譴酉碌藉義仙現(xiàn)鴆閶盜返姆椒�，驯I飯譚治講劍紫讓看謂鲅盜芬徊愕模攏遙蛻窬�，将当前层的输畴h義轄擁較攏愕氖淙�，最后当所用{愣佳盜吠旰�，使用ｖ嶀ｋｅ－ｓe澹澹鶿惴ń械饔胚稿義希常保車莨檣窬玨義系莨檣窬紓ǎ遙危危┦怯繕窬綬矯嫻淖已д擼輳錚潁洌幔�、Ｐｉｎｅｄａ．Ｗｉe歟椋幔恚蠛停牛歟恚幔畹扔冢玻板義鮮蘭停梗澳甏跆岢齙囊恢滯縋Ｐ�。＿b危問侵父魅斯ど窬浯嬖詼嘀址蠢」叵檔耐紜＃遙危五義媳懷莆莨檣窬緄腦潁且蛭巢閔窬氖涑霾喚鲇肷弦徊閔窬氖涑魷喙�，粔蜥作辶x銜亂皇笨套隕淼氖淙�，即第ｎ查h窬冢羰笨痰氖淙�，除炼慄含（ｎ－１）查h窬謔笨蹋艫氖溴義銑鐾�，还觾措E碓冢ǎ簦保┦笨痰氖涑�。＿b危偉憬峁梗菏淙耄汀⒁卣�、输秤z�，租傌要的工辶x獻髟諞夭閫瓿

本文編號：2761226