近幾年,遙感圖像的信息數(shù)據(jù)提取和三維場(chǎng)景的重建與渲染受到了研究者的廣泛關(guān)注。由于地物(道路或河流)與周邊背景的色差大小不一,采用單一方法進(jìn)行信息數(shù)據(jù)提取會(huì)導(dǎo)致準(zhǔn)確度不高或者效率低下的問(wèn)題,無(wú)法滿(mǎn)足需求。因此,針對(duì)地物與背景色差的兩種情況,本文提出了兩種方法對(duì)遙感圖像地物信息數(shù)據(jù)進(jìn)行提取。當(dāng)遙感圖像量較少且提取的地物顏色與背景顏色相差較大時(shí),造成需要大樣本的信息提取方法無(wú)法將信息準(zhǔn)確地提取出來(lái),從而本文采用模糊C均值聚類(lèi)算法和支持向量機(jī)算法對(duì)遙感圖像依次進(jìn)行初次像素分類(lèi)和地物像素劃分,然后利用Bwareopen和Mathematical Morphology方法對(duì)圖像去噪,得到地物像素集合。當(dāng)?shù)匚镱伾c背景顏色相差不大且訓(xùn)練的遙感圖像數(shù)據(jù)量較多時(shí),使用某些機(jī)器學(xué)習(xí)方法提取出的圖像數(shù)據(jù)存在較多噪聲,針對(duì)此情況本文提出了一種基于全卷積殘差網(wǎng)絡(luò)模型地物像素劃分方法。該方法首先使用全卷積殘差網(wǎng)絡(luò)從大量遙感圖像樣本集中學(xué)習(xí)數(shù)據(jù)集的特征,然后通過(guò)訓(xùn)練得到可以檢測(cè)遙感圖像特征的網(wǎng)絡(luò)模型,最后利用該模型將圖像劃分為地物和非地物。另外,針對(duì)于重建與渲染問(wèn)題,傳統(tǒng)的三維場(chǎng)景中地物的重建與渲染采用Delaunay三角剖分即“分割-歸并”算法,該算法時(shí)間復(fù)雜度高,無(wú)法滿(mǎn)足地形數(shù)據(jù)量較大時(shí)的實(shí)時(shí)性需求。因此,基于全卷積殘差網(wǎng)絡(luò)算法提取的地物信息控制點(diǎn)數(shù)據(jù),本文提出了一種三維場(chǎng)景構(gòu)建與多層次渲染的快速方法。該方法首先通過(guò)三次B樣條曲線(xiàn)函數(shù)將地物中心控制點(diǎn)擬合為地物中央線(xiàn),然后根據(jù)地形多分辨率層次對(duì)地形數(shù)據(jù)進(jìn)行修改,并重建地物模型,最后通過(guò)地形分辨率層次對(duì)地物模型進(jìn)行多層次渲染,實(shí)現(xiàn)遠(yuǎn)距離模糊,近距離清晰的效果。
【學(xué)位單位】：中國(guó)石油大學(xué)(北京)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類(lèi)】：TP751
【部分圖文】：

( ) （2.6）‖ ‖ ( ) （2.7）∑ （2.8）∑ ， （2.9）( ) ( ) (∑ ( )) （2.10）2.1.3 傳統(tǒng) CNN 網(wǎng)絡(luò)結(jié)構(gòu)模型傳統(tǒng) CNN 網(wǎng)絡(luò)模型以下簡(jiǎn)稱(chēng)為 CNN 的主要思想是使用一個(gè)像素周?chē)膱D像塊作為模型的輸入數(shù)據(jù)，從而對(duì)該像素進(jìn)行分類(lèi)操作。這種 CNN 模型是由多層卷積層、下采樣層和全連接層構(gòu)成。通過(guò)這些層次，二維的特征圖被轉(zhuǎn)化為一維的網(wǎng)絡(luò)輸入向量，CNN 具體模型如圖 2.2 所示且其處理流程如圖 2.3 所示。

CNN 的核心組成部分。該層的每一個(gè)卷積函數(shù)都可得到一設(shè)一張維度為 X×Y 的輸入圖像數(shù)據(jù)，經(jīng)過(guò)大小為 x×y 的，將得到維度為( ) ( )的輸出特征圖像。為了減少計(jì)算復(fù)雜度和運(yùn)算量。降采樣層主要通過(guò)對(duì)圖像數(shù)到局部圖像，如圖 2.4 為非線(xiàn)性最大采樣。全連接層的輸入像，而輸出則是一個(gè)一維向量特征。全連接層的功能類(lèi)似于的特征圖像數(shù)據(jù)進(jìn)行分類(lèi)和預(yù)測(cè)，最后得到分類(lèi)和預(yù)測(cè)好的合數(shù)值。Relu 激活函數(shù)是決定 CNN 網(wǎng)絡(luò)模型數(shù)據(jù)處理方式合適的 Relu 激活函數(shù)是非常重要的。Relu 激活函數(shù)的優(yōu)點(diǎn)失問(wèn)題。所謂梯度消失問(wèn)題即當(dāng)梯度小于 1 時(shí)，預(yù)測(cè)值與隨著傳播次數(shù)的增加而衰減，這將導(dǎo)致網(wǎng)絡(luò)模型收斂停滯不表達(dá)式為 ( ) ( )，即 ( ) { 示。

圖 2.5 ReLU 激活函數(shù)曲線(xiàn)圖.5 The function curve of ReLU activates技術(shù)場(chǎng)景一體化顯示是利用渲染到紋理技。該方法主要思想是首先將預(yù)先處理?yè)?jù)設(shè)定紋理的大小、顏色等屬性；然應(yīng)的紋理坐標(biāo)疊加到三維地形上；最方法的優(yōu)點(diǎn)是簡(jiǎn)單且能夠快速地實(shí)現(xiàn)形為多分辨率而紋理是單分辨率時(shí)，走樣，不能有效地實(shí)現(xiàn)三維場(chǎng)景的一
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉增偉;;關(guān)于遙感圖像云檢測(cè)方法研究進(jìn)展[J];數(shù)字通信世界;2019年04期

2 徐秋曄;李玉;林文杰;趙泉華;;基于信息聚類(lèi)的遙感圖像分割[J];中國(guó)礦業(yè)大學(xué)學(xué)報(bào);2017年01期

3 彭晏飛;周娟;訾玲玲;;于衛(wèi)星地域遙感圖像分割方法研究仿真[J];計(jì)算機(jī)仿真;2017年01期

4 盛啟慧;李啟明;;航空遙感圖像幾何校正模型的效果比較[J];現(xiàn)代計(jì)算機(jī)(專(zhuān)業(yè)版);2017年17期

5 劉寧波;孫艷麗;王杰;;基于場(chǎng)景語(yǔ)義的遙感圖像目標(biāo)識(shí)別[J];現(xiàn)代電子技術(shù);2017年11期

6 王超英;;統(tǒng)計(jì)學(xué)習(xí)在海上遙感圖像背景去噪的算法研究[J];艦船科學(xué)技術(shù);2017年12期

7 姚銳;付卓新;;關(guān)于森林資源二類(lèi)調(diào)查中遙感圖像的應(yīng)用分析[J];北京農(nóng)業(yè);2016年01期

8 李哲學(xué);;改進(jìn)高斯混合模型的遙感圖像增強(qiáng)方法[J];激光雜志;2016年07期

9 雷笑笑;;試論遙感圖像在師范地理教學(xué)中的應(yīng)用[J];山西青年;2017年03期

10 舒建文;周云真;;航空遙感圖像中道路檢測(cè)方法研究與仿真[J];計(jì)算機(jī)仿真;2013年09期

相關(guān)博士學(xué)位論文 前10條

1 倪維平;高分辨遙感圖像統(tǒng)計(jì)處理及分析若干關(guān)鍵技術(shù)研究[D];西安電子科技大學(xué);2016年

2 吳其昌;復(fù)雜場(chǎng)景下高分辨率遙感圖像目標(biāo)識(shí)別方法及應(yīng)用研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2016年

3 姚西文;高分辨率光學(xué)遙感圖像場(chǎng)景理解關(guān)鍵技術(shù)研究[D];西北工業(yè)大學(xué);2016年

4 紀(jì)強(qiáng);航天遙感圖像去除冗余數(shù)據(jù)的若干算法研究[D];武漢大學(xué);2013年

5 田麗華;基于聚類(lèi)分析的遙感圖像分割方法[D];吉林大學(xué);2018年

6 林劍;基于模糊理論的遙感圖像分割方法研究[D];中南大學(xué);2003年

7 蔣艷凰;遙感圖像高精度并行監(jiān)督分類(lèi)技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2004年

8 陶午沙;基于結(jié)構(gòu)模型的遙感圖像軍事陣地目標(biāo)特征分析及其識(shí)別技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2004年

9 張秉仁;遙感圖像三維技術(shù)研究及古黃河源頭水系的新發(fā)現(xiàn)[D];吉林大學(xué);2005年

10 彭玲;基于小波域隱馬爾可夫樹(shù)模型的遙感圖像紋理分類(lèi)研究[D];中國(guó)科學(xué)院研究生院（遙感應(yīng)用研究所）;2005年

相關(guān)碩士學(xué)位論文 前10條

1 程大恒;基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像場(chǎng)景識(shí)別模型研究[D];重慶郵電大學(xué);2019年

2 周建偉;基于高分辨率遙感圖像的建筑物信息提取方法研究[D];南京航空航天大學(xué);2019年

3 張文坤;全色遙感圖像處理算法改進(jìn)與目標(biāo)檢測(cè)識(shí)別優(yōu)化[D];寧夏大學(xué);2019年

4 劉然;基于卷積網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2019年

5 楊凡;基于YOLO的遙感圖像目標(biāo)檢測(cè)算法研究[D];成都理工大學(xué);2019年

6 于洋;基于無(wú)監(jiān)督深度學(xué)習(xí)的遙感圖像表述和分類(lèi)方法[D];國(guó)防科技大學(xué);2017年

7 趙陽(yáng);基于深度學(xué)習(xí)的遙感圖像道路提取[D];西安電子科技大學(xué);2019年

8 馬文康;基于深度神經(jīng)網(wǎng)絡(luò)的遙感圖像道路提取[D];西安電子科技大學(xué);2019年

9 聶谷洪;面向遙感圖像艦船檢測(cè)的深度特征學(xué)習(xí)方法研究[D];國(guó)防科技大學(xué);2017年

10 張徽;基于半監(jiān)督Curvelet壓縮卷積模型的遙感圖像地物分類(lèi)[D];西安電子科技大學(xué);2019年

本文編號(hào)：2883329