隨著傳感器技術、空間技術和信息技術等不斷進步,近年來遙感影像的地面分辨率也變得越來越高,高分辨率遙感影像在各領域得到廣泛使用。高分影像語義分割是高分影像在實際應用的基礎,語義分割質量直接影響實際應用效果,因此高分影像語義分割方法的研究具有重要實際應用價值。基于深度卷積網(wǎng)絡的遙感影像語義分割方法表現(xiàn)出了比傳統(tǒng)方法更為優(yōu)越的性能,然而由于其基于固定感受野大小的上下文信息獲取方法沒有顯式利用像素間約束關系,導致其不能有效克服高分影像同物異譜和異物同譜帶來的挑戰(zhàn),出現(xiàn)同一地物內部語義標注結果不一致的情形。為此,本文基于同一區(qū)域內部像素屬于相同類別概率較大的假定,試圖引入圖像區(qū)域內部語義標注一致性約束以改善現(xiàn)有深度卷積神經(jīng)網(wǎng)絡描述上下文信息的能力,提高卷積神經(jīng)網(wǎng)絡預測結果的空間關系一致性。具體而言,本文通過以下兩種方式引入?yún)^(qū)域一致性約束信息:（1）在現(xiàn)有全卷積網(wǎng)絡模型對圖像進行特征提取和分類時,利用卷積神經(jīng)網(wǎng)絡最后一層特征引入一個表示區(qū)域內部像素特征一致性的損失函數(shù),將該損失函數(shù)與softmax損失函數(shù)進行聯(lián)合訓練得到網(wǎng)絡模型參數(shù)。在ISPRS（國際攝影測量與遙感學會）的Vaihingen2D語... 

【文章來源】：武漢大學湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

圖１－１遙感圖像在各領域的具體應用??

深度、步長、補零等控制量，深度即濾波器個數(shù)，控制輸出數(shù)據(jù)單元的深度；??步長控制濾波器一次移動的大小，也就是兩次卷積在圖像上的重疊大�。煌ㄟ^??在輸入圖像四周補零控制輸出單元整體規(guī)格。比如圖２－１中，圖中左側部分是??５ｘ５ｘ１的原始輸入數(shù)據(jù)，圖中中間部分是一個３ｘ３ｘ１濾波器卷積核，圖中右側??是濾波器在輸入數(shù)據(jù)上做卷積的輸出結果。??■?２６ＴＳ－??乂，，?＇?５９?５２??５?．？？？＿??Ｘ?７７?１５７??３６?２８?／｛?７２??４３??３５?２４?２８?１２?／??圖２－１卷積操作說明??二維離散卷積的公式化表示如式２．１，其中Ｉ為輸入圖像，Ｈ為輸出圖像，??Ｋ為濾波器核。??Ｚｎ?＾（ｗ，?ｎ）／（ｉ?－?ＴＯ，；＇?－?ｎ）?（２．１）??采用不同的濾波器卷積核對輸入圖像進行處理會產生不同的效果，比如輪??廓檢測、平滑、銳化等。若要提取圖像的不同特征或關于圖像的某種特定信??息，如輪廓或顏色深淺等，那么可以設計不同的濾波器。如圖２－２所示分別是??用于輪廓檢測的拉普拉斯算子和產生３Ｄ陰影效果的浮雕濾波器對花卉圖像處??理的結果。??８??

?■■畫??圖２－２兩種卷積核對圖像做濾波的效果??卷積神經(jīng)網(wǎng)路中一般包含若干個卷積層，每個卷積層又由若干卷積濾波器??構成，且濾波器卷積核的參數(shù)都是在大量訓練數(shù)據(jù)上使用反向傳播算法不斷調??整反復優(yōu)化得到的，這也是卷積神經(jīng)網(wǎng)絡能從訓練數(shù)據(jù)中自動學習到所需要的??特征的原因所在。ＣＮＮ中卷積層的目的是提取輸入數(shù)據(jù)的各種不同特征，底層??的幾個卷積層可能只捕捉一些低級的圖像特征如角、線條和邊緣等，而更高層??的卷積層則能從低級特征中組合迭代中獲得更復雜更抽象的特征。??２．１．２激活層??將卷積層的輸出結果做非線性變換，可以提升網(wǎng)絡的表達能力。由于任意??多個線性映射的疊加仍然是線性映射，因此實際上只有非線性映射才能增加網(wǎng)??絡的表達能力。激活函數(shù)的作用就是把主要特征保留下來并做非線性變換

【參考文獻】：
期刊論文
[1]深度學習研究進展[J]. 郭麗麗,丁世飛.  計算機科學. 2015(05)
[2]我國高分辨率對地觀測系統(tǒng)的商業(yè)化運營勢在必行[J]. 李德仁,沈欣,馬洪超,張過.  武漢大學學報(信息科學版). 2014(04)
[3]活動輪廓模型的圖像分割方法綜述[J]. 王相海,方玲玲.  模式識別與人工智能. 2013(08)
[4]完全基于邊緣信息的快速圖像分割算法[J]. 鈕圣虓,王盛,楊晶晶,陳更生.  計算機輔助設計與圖形學學報. 2012(11)
[5]高分辨率對地觀測的若干前沿科學問題[J]. 李德仁,童慶禧,李榮興,龔健雅,張良培.  中國科學:地球科學. 2012(06)
[6]利用多分類器集成進行遙感影像分類[J]. 鄭文武,曾永年.  武漢大學學報(信息科學版). 2011(11)
[7]圖像分割的新理論和新方法[J]. 許新征,丁世飛,史忠植,賈偉寬.  電子學報. 2010(S1)
[8]面向對象的高分辨率影像分類與信息提取[J]. 張俊,于慶國,侯家槐.  遙感技術與應用. 2010(01)
[9]滑坡災害遙感解譯不確定性研究[J]. 丁輝,張茂省,李林.  自然災害學報. 2009(06)
[10]基于圖論的圖像分割研究進展[J]. 閆成新,桑農,張?zhí)煨?  計算機工程與應用. 2006(05)

碩士論文
[1]圖像語義分割研究[D]. 曹攀.江南大學 2017
[2]基于高分辨率遙感影像的土地利用/土地覆被提取研究[D]. 熊增連.重慶交通大學 2012



本文編號：3103328