應用卷積神經網絡的遙感圖像云層自主檢測
發(fā)布時間：2021-01-12 11:34
為實現(xiàn)遙感衛(wèi)星對遙感圖像的自主云層判別能力,提升目標自主識別的效率,避免云層覆蓋面積較大的遙感圖像丟失關鍵的目標信息而給后續(xù)算法處理帶來不必要的計算資源浪費,提出一種基于卷積神經網絡的云層自主檢測方法,實現(xiàn)遙感圖像云層的自主檢測,達到了較高的檢測精度.首先,根據(jù)遙感圖像的特性建立卷積神經網絡.然后,使用大量人工標識的遙感圖像完成云層檢測網絡訓練,使其達到預期檢測精度.最后,在衛(wèi)星在軌運行階段,將所拍攝的遙感圖像根據(jù)尺寸劃分為若干個子圖,并通過訓練完成的卷積神經網絡對子圖是否被云層覆蓋進行分類預測.綜合所有子圖的預測結果給出整幅遙感圖像的云層覆蓋占比.結果表明:以Landsat衛(wèi)星遙感圖像為測試對象,該方法可以實現(xiàn)有云層覆蓋檢測正確率為95.3%,無云層覆蓋檢測精度為97.8%,誤判率為2.58%,漏判率為0.90%,綜合精度為97.9%;由于使用了卷積神經網絡和并行計算技術,該方法基本滿足實時性需求,提高了算法的自主性與魯棒性,為基于遙感圖像的在軌實時應用奠定了基礎.
【文章來源】：哈爾濱工業(yè)大學學報. 2020,52(12)北大核心
【文章頁數(shù)】：8 頁
【部分圖文】：
LeNet-5網絡結構
針對遙感圖像云層檢測的卷積神經網絡共包含兩個大模塊,分別為特征提取模塊與模式分類模塊.特征提取模塊中又包含4個卷積模塊以及4個全連接層,每個卷積模塊由一個卷積層和一個池化層組成.表1 CNN模型的結構及參數(shù)信息Tab.1 CNN model structure and parameter information 層(layer) 輸入尺寸 輸出尺寸 卷積核尺寸 參數(shù)個數(shù) 卷積模塊1 卷積層C1 200×200×3 200×200×32 5×5 2 432 池化層P1 200×200×32 100×100×32 2×2 0 卷積模塊2 卷積層C2 100×100×32 100×100×64 5×5 51 264 池化層P2 100×100×64 50×50×64 2×2 0 卷積模塊3 卷積層C3 50×50×64 50×50×128 5×5 204 928 池化層P3 50×50×128 25×25×128 2×2 0 卷積模塊4 卷積層C4 25×25×128 25×25×256 5×5 819 456 池化層P4 25×25×256 13×13×256 2×2 0 全連接層D1(Dropout=50%) 43 264 1 024 - 44 303 360 全連接層D2(Dropout=50%) 1 024 512 - 524 800 全連接層D3(Dropout=50%) 512 128 - 65 664 全連接層D4 128 1 - 129
式中損失函數(shù)loss由真實標記分布 y ^ i 和訓練后的模型的預測標記分布yi計算得來,當預測值越接近真實值時,損失函數(shù)loss的值越小.在計算得到損失函數(shù)之后,需要更新網絡中各層節(jié)點的參數(shù).參數(shù)更新的過程需要使用優(yōu)化器,本文中使用Adam優(yōu)化器[14].Adam(adaptive moment estimation)優(yōu)化器利用梯度的一階矩估計和二階矩估計動態(tài)調整每個參數(shù)的學習率,且每一次迭代學習率都有個確定范圍,使得參數(shù)比較平穩(wěn),其公式為:
【參考文獻】：
期刊論文
[1]基于卷積神經網絡和支持向量機算法的馬鈴薯表面缺陷檢測[J]. 許偉棟,趙忠蓋. 江蘇農業(yè)學報. 2018(06)
[2]深度卷積神經網絡在計算機視覺中的應用研究綜述[J]. 盧宏濤,張秦川. 數(shù)據(jù)采集與處理. 2016(01)
[3]遙感圖像的云分類和云檢測技術研究[J]. 周雪珺,楊曉非,姚行中. 圖學學報. 2014(05)
[4]遙感圖像云檢測方法綜述[J]. 侯舒維,孫文方,鄭小松. 空間電子技術. 2014(03)
[5]遙感圖像云圖識別中的特征提取[J]. 陳鵬,張榮,劉政凱. 中國科學技術大學學報. 2009(05)
[6]基于MODIS影像的夜間云檢測算法研究[J]. 侯岳,劉培洵,陳順云,劉少峰. 國土資源遙感. 2008(01)
[7]多通道衛(wèi)星云圖云檢測方法的研究[J]. 馬芳,張強,郭鈮,張杰. 大氣科學. 2007(01)
[8]基于紋理分析和支持向量機的極地冰雪覆蓋區(qū)的云層檢測[J]. 陳剛,鄂棟臣. 武漢大學學報(信息科學版). 2006(05)
碩士論文
[1]卷積神經網絡在遙感目標識別中的應用研究[D]. 殷文斌.中國科學院大學(中國科學院遙感與數(shù)字地球研究所) 2017
本文編號：2972777
【文章來源】：哈爾濱工業(yè)大學學報. 2020,52(12)北大核心
【文章頁數(shù)】：8 頁
【部分圖文】：
LeNet-5網絡結構
針對遙感圖像云層檢測的卷積神經網絡共包含兩個大模塊,分別為特征提取模塊與模式分類模塊.特征提取模塊中又包含4個卷積模塊以及4個全連接層,每個卷積模塊由一個卷積層和一個池化層組成.表1 CNN模型的結構及參數(shù)信息Tab.1 CNN model structure and parameter information 層(layer) 輸入尺寸 輸出尺寸 卷積核尺寸 參數(shù)個數(shù) 卷積模塊1 卷積層C1 200×200×3 200×200×32 5×5 2 432 池化層P1 200×200×32 100×100×32 2×2 0 卷積模塊2 卷積層C2 100×100×32 100×100×64 5×5 51 264 池化層P2 100×100×64 50×50×64 2×2 0 卷積模塊3 卷積層C3 50×50×64 50×50×128 5×5 204 928 池化層P3 50×50×128 25×25×128 2×2 0 卷積模塊4 卷積層C4 25×25×128 25×25×256 5×5 819 456 池化層P4 25×25×256 13×13×256 2×2 0 全連接層D1(Dropout=50%) 43 264 1 024 - 44 303 360 全連接層D2(Dropout=50%) 1 024 512 - 524 800 全連接層D3(Dropout=50%) 512 128 - 65 664 全連接層D4 128 1 - 129
式中損失函數(shù)loss由真實標記分布 y ^ i 和訓練后的模型的預測標記分布yi計算得來,當預測值越接近真實值時,損失函數(shù)loss的值越小.在計算得到損失函數(shù)之后,需要更新網絡中各層節(jié)點的參數(shù).參數(shù)更新的過程需要使用優(yōu)化器,本文中使用Adam優(yōu)化器[14].Adam(adaptive moment estimation)優(yōu)化器利用梯度的一階矩估計和二階矩估計動態(tài)調整每個參數(shù)的學習率,且每一次迭代學習率都有個確定范圍,使得參數(shù)比較平穩(wěn),其公式為:
【參考文獻】：
期刊論文
[1]基于卷積神經網絡和支持向量機算法的馬鈴薯表面缺陷檢測[J]. 許偉棟,趙忠蓋. 江蘇農業(yè)學報. 2018(06)
[2]深度卷積神經網絡在計算機視覺中的應用研究綜述[J]. 盧宏濤,張秦川. 數(shù)據(jù)采集與處理. 2016(01)
[3]遙感圖像的云分類和云檢測技術研究[J]. 周雪珺,楊曉非,姚行中. 圖學學報. 2014(05)
[4]遙感圖像云檢測方法綜述[J]. 侯舒維,孫文方,鄭小松. 空間電子技術. 2014(03)
[5]遙感圖像云圖識別中的特征提取[J]. 陳鵬,張榮,劉政凱. 中國科學技術大學學報. 2009(05)
[6]基于MODIS影像的夜間云檢測算法研究[J]. 侯岳,劉培洵,陳順云,劉少峰. 國土資源遙感. 2008(01)
[7]多通道衛(wèi)星云圖云檢測方法的研究[J]. 馬芳,張強,郭鈮,張杰. 大氣科學. 2007(01)
[8]基于紋理分析和支持向量機的極地冰雪覆蓋區(qū)的云層檢測[J]. 陳剛,鄂棟臣. 武漢大學學報(信息科學版). 2006(05)
碩士論文
[1]卷積神經網絡在遙感目標識別中的應用研究[D]. 殷文斌.中國科學院大學(中國科學院遙感與數(shù)字地球研究所) 2017
本文編號：2972777
本文鏈接：http://sikaile.net/guanlilunwen/gongchengguanli/2972777.html
