遙感影像記錄了豐富的地面物體光譜信息、空間結(jié)構(gòu)信息,是地面物體整體面貌最直觀的表現(xiàn)。利用影像記錄的信息對(duì)遙感影像中的目標(biāo)進(jìn)行識(shí)別和分類是獲取目標(biāo)信息的主要途徑,這些地物目標(biāo)的分類結(jié)果對(duì)農(nóng)業(yè)生產(chǎn)、環(huán)境保護(hù)、軍事偵察、地理測繪制圖等具有重要意義。但是由于遙感影像地物目標(biāo)種類復(fù)雜,高分辨率遙感影像欠缺光譜信息等原因,增加了遙感影像的分類難度。常被應(yīng)用于遙感影像分類工作中的傳統(tǒng)機(jī)器學(xué)習(xí)方法,在分類時(shí)不僅要克服遙感影像數(shù)據(jù)量給分類工作帶來的困難,還要人工對(duì)數(shù)據(jù)進(jìn)行繁重的特征分析和特征提取工作。同時(shí),對(duì)遙感影像進(jìn)行特征分析和提取也需要更為專業(yè)的專家知識(shí),分類結(jié)果的精度也取決于先驗(yàn)專家知識(shí)。因此,傳統(tǒng)的機(jī)器學(xué)習(xí)方法在遙感影像分類上有明顯的局限性。近些年出現(xiàn)的深度學(xué)習(xí)技術(shù),可以自動(dòng)學(xué)習(xí)大量圖像數(shù)據(jù)的深層次特征,它依據(jù)提取的特征對(duì)圖像中目標(biāo)進(jìn)行準(zhǔn)確的識(shí)別和分類決策,在一定程度上提高了圖像的分類精度。鑒于遙感影像分類和圖像分類技術(shù)之間的密切聯(lián)系,把深度學(xué)習(xí)技術(shù)應(yīng)用到遙感影像分類上極具可行性,同時(shí)該技術(shù)也能克服傳統(tǒng)方法在遙感影像分類上的局限性,具有很高的研究價(jià)值。目前,應(yīng)用于遙感影像分類領(lǐng)域的深度學(xué)習(xí)技術(shù)雖然取得了一定的成果,但它還存在分類精度不高、對(duì)大場景下的高分辨率遙感影像分類沒有給出有效的解決方案等問題。針對(duì)上述問題,本文將基于深度學(xué)習(xí)技術(shù)的全卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用在遙感影像分類中。主要研究內(nèi)容如下:(1)針對(duì)大場景下高分辨率遙感影像中目標(biāo)大小差距較大,目標(biāo)無法有效識(shí)別問題,本文在全卷積神經(jīng)網(wǎng)絡(luò)(FCN)模型基礎(chǔ)上,根據(jù)剪裁策略提出一種改進(jìn)的全卷積遙感影像分類模型(FCN-16s)。然后在FCN-16s模型基礎(chǔ)上,結(jié)合改進(jìn)的Skip結(jié)構(gòu)得到新的FCN-16s+Skip模型。實(shí)驗(yàn)結(jié)果表明,相比傳統(tǒng)FCN模型,兩個(gè)改進(jìn)的模型能夠有效提取目標(biāo),在大場景高分辨率遙感影像分類上有著更高的精確度。(2)為了進(jìn)一步提高大場景下高分辨率遙感影像的分類精度,本文提出集成的遙感影像分類方法,即將FCN-16s和FCN-16s+Skip兩個(gè)模型的預(yù)測分類結(jié)果進(jìn)行集成融合,使得集成后的分類結(jié)果能夠具有兩個(gè)模型的優(yōu)點(diǎn),進(jìn)一步提高影像分類精度。實(shí)驗(yàn)結(jié)果表明,對(duì)比單一模型,集成的遙感影像分類方法具有更高的分類精確度。(3)鑒于U-Net模型的良好擴(kuò)展性,為了進(jìn)一步提高遙感影像分類效率和精確度,本文在U-Net模型基礎(chǔ)上,加入融合殘差結(jié)構(gòu)和循環(huán)結(jié)構(gòu)的循環(huán)殘差卷積融合結(jié)構(gòu),形成一種基于循環(huán)殘差卷積結(jié)構(gòu)的遙感影像分類模型。實(shí)驗(yàn)結(jié)果表明,該模型能更好地自動(dòng)提取和利用遙感影像的特征,從而獲得高精度的遙感影像分類結(jié)果。
【學(xué)位單位】：貴州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP751;TP18
【部分圖文】：

圖 1-1 論文技術(shù)路線圖1.4 論文組織結(jié)構(gòu)安排本文的整體結(jié)構(gòu)安排如下：第 1 章為引言部分，簡要闡述了本研究課題的選題背景及研究意義。針對(duì)遙感影像傳統(tǒng)分類技術(shù)以及深度學(xué)習(xí)技術(shù)在遙感影像分類方面的應(yīng)用，進(jìn)行了國內(nèi)外研究進(jìn)展及現(xiàn)狀的簡要總結(jié)，最后介紹了本文的研究內(nèi)容、技術(shù)路線和結(jié)構(gòu)安排。第 2 章對(duì)深度學(xué)習(xí)模型的原理進(jìn)行分析研究，首先介紹了深度學(xué)習(xí)在圖像分類領(lǐng)域的一個(gè)常用模型——卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與原理、特點(diǎn)。然后介紹了卷積神經(jīng)網(wǎng)絡(luò)在圖像分割上的演變——全卷積神經(jīng)網(wǎng)絡(luò)，并介紹其原理與特點(diǎn)。最后，研究了深度學(xué)習(xí)模型的關(guān)鍵問題與技術(shù)。第 3 章提出一種基于全卷積神經(jīng)網(wǎng)絡(luò)的遙感影像分類集成方法。該方法針對(duì)大場景下高分辨率遙感影像分類問題，同時(shí)對(duì)集成方法中的全卷積模型進(jìn)行研究設(shè)計(jì)。其次介紹遙感影像分類實(shí)驗(yàn)的詳細(xì)流程，包括實(shí)驗(yàn)數(shù)據(jù)介紹、實(shí)驗(yàn)數(shù)據(jù)的

度也會(huì)造成直接影像。所以，能自習(xí)模型是本章研究的重點(diǎn)。深度結(jié)構(gòu)化學(xué)習(xí)或分層學(xué)習(xí)，是基為監(jiān)督、半監(jiān)督、無監(jiān)督學(xué)習(xí)。深nal Neural Networks，CNN）、深度經(jīng)網(wǎng)絡(luò)（Recurrent Neural Netwo自然語言處理、醫(yī)學(xué)圖像分析等領(lǐng)某些情況下甚至優(yōu)于人類專家。在積神經(jīng)網(wǎng)絡(luò)模型是兩類常用的深度型tilayer Perceptron ，MLP）是最基礎(chǔ)礎(chǔ)模型。感知機(jī)中的節(jié)點(diǎn)模仿生物激傳遞過程，最終輸出正確的決策輸入信號(hào)的感知機(jī)。

下圖2-2 為含有一個(gè)隱藏層的多層感知機(jī)。圖 2-2 包含一層隱藏層的三層感知機(jī)結(jié)構(gòu)上圖 2-2 的三層感知機(jī)中，每個(gè)結(jié)點(diǎn)都是全連接的。設(shè) 表示 L-1 層的第i 個(gè)結(jié)點(diǎn)到 L 層第 j 個(gè)結(jié)點(diǎn)的權(quán)重， 表示輸入數(shù)據(jù)， 表示第 L 層中第 i 個(gè)結(jié)點(diǎn)的偏置值， 表示第 L 層第 i 個(gè)結(jié)點(diǎn)的輸出，則在三層感知機(jī)中，第三層的輸出結(jié)果表示為式（2-3）所示： = ( π ) （2-3）其中， = ( π ) （2-4）由于感知機(jī)層數(shù)的增加和結(jié)點(diǎn)中激活函數(shù)的非線性變換性，大大增加感知機(jī)的非線性轉(zhuǎn)換能力，使感知機(jī)能夠解決復(fù)雜的非線性問題，更加符合解決問題的客觀規(guī)律。2.2 卷積神經(jīng)網(wǎng)絡(luò)模型CNN 作為深度學(xué)習(xí)模型中重要的一類模型
【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 周林飛;姚雪;王鶴翔;張靜;;基于Landsat?8遙感影像的濕地覆被監(jiān)督分類研究[J];中國農(nóng)村水利水電;2015年09期

2 劉進(jìn)鋒;郭雷;;神經(jīng)網(wǎng)絡(luò)前向傳播在GPU上的實(shí)現(xiàn)[J];微型機(jī)與應(yīng)用;2011年18期

3 肖鵬峰;;高分辨率遙感圖像頻域特征提取與圖像分割研究[J];測繪學(xué)報(bào);2008年03期

4 秦永;宋偉東;;遙感影像特征提取與選擇及在影像分類中的應(yīng)用[J];測繪科學(xué);2008年01期

5 馮燕;何明一;宋江紅;魏江;;基于獨(dú)立成分分析的高光譜圖像數(shù)據(jù)降維及壓縮[J];電子與信息學(xué)報(bào);2007年12期

6 周峰;李杏梅;劉福江;孫華山;;基于主成分分析的自組織競爭神經(jīng)網(wǎng)絡(luò)在多光譜遙感影像分類中的應(yīng)用[J];光學(xué)與光電技術(shù);2007年03期

7 汪閩,駱劍承,明冬萍;高分辨率遙感影像上基于形狀特征的船舶提取[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2005年08期

8 李石華,王金亮,畢艷,陳姚,朱妙園,楊帥,朱佳;遙感圖像分類方法研究綜述[J];國土資源遙感;2005年02期

本文編號(hào)：2855209