高分辨率遙感影像目標(biāo)分類與識別是高分辨率對地觀測系統(tǒng)和自動識別系統(tǒng)信息提取和處理的重要組成部分。高分辨率遙感影像作為一種空間大數(shù)據(jù),逐漸被應(yīng)用于應(yīng)急減災(zāi)、現(xiàn)代軍事、精準(zhǔn)農(nóng)業(yè)等領(lǐng)域中,對影像實(shí)時(shí)處理效率、分類精度和自動化水平提出更高的要求。隨著高分辨率遙感數(shù)據(jù)量的海量增長、數(shù)據(jù)表現(xiàn)形式的逐漸多樣以及遙感影像場景的復(fù)雜,人工設(shè)計(jì)的特征已無法滿足高分辨率遙感影像的精確分類和識別任務(wù)。因此,研究基于深度學(xué)習(xí)的流程和方法對提高遙感信息的提取精度和分類效率具有重要的意義和價(jià)值。本文針對高分辨率遙感影像的分類問題,開展以下幾個(gè)方面的研究:首先,針對深度學(xué)習(xí)監(jiān)督分類中大量標(biāo)簽樣本獲取費(fèi)時(shí)費(fèi)力的問題,提出利用支持向量機(jī)的方法生成類內(nèi)距離小、類間距離大的樣本集,然后采用一系列數(shù)據(jù)增強(qiáng)操作對數(shù)據(jù)集進(jìn)行擴(kuò)展,豐富數(shù)據(jù)樣本的多樣性,以使得訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型更具泛化能力。其次,針對傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)中全聯(lián)接層將特征圖像壓縮為一維而丟失空間信息的問題,本文在VGG-16網(wǎng)絡(luò)基礎(chǔ)上提出修改后的SVM-FCN深度全卷積網(wǎng)絡(luò)。為提高物體的判別精度,網(wǎng)絡(luò)中還融合了不同層級網(wǎng)絡(luò)的特征表達(dá)。在預(yù)測分類階段,本文提出滑動步長大于1... 

【文章來源】：中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所)北京市

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

本文的技術(shù)路線圖

第 2 章 基于卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像分類理論與方法2.1 高分辨率遙感影像分類概述遙感影像分類指的是對影像中各地物的光譜和空間特征進(jìn)行綜合分析，基于某種手段選擇能表達(dá)地物的特征，最后通過一定的分類算法或者依據(jù)將特征劃分為不同的地物類別。圖 2.1 給出了高分辨率遙感影像分類方法的基本框架：首先，對高分辨率遙感影像進(jìn)行預(yù)處理，然后根據(jù)待分類地物的特性提取和選擇空間、紋理等多種特征，將其作為分類器的輸入，訓(xùn)練分類器并完成影像的預(yù)測。在面向?qū)ο蟮母叻直媛蔬b感影像分類中，在對原始影像預(yù)處理后需要進(jìn)行圖像的分割，之后再進(jìn)行特征的提取和分類。在實(shí)際應(yīng)用中，考慮分類結(jié)果中異常點(diǎn)以及空間平滑性，常使用最大/最小分析、聚類處理以及聚類處理進(jìn)行分類后處理，以進(jìn)一步提高分類精度。

大池化最為常用。在實(shí)際應(yīng)用中，通常組合多個(gè)卷積層，之后采用全連接層進(jìn)行訓(xùn)練，單層卷積傾向?qū)W習(xí)局部特征，而多層卷積可使得學(xué)到的特征更全局化。卷積層和池化層的參數(shù)、層數(shù)以及全連接層分類器類型根據(jù)實(shí)際應(yīng)用來確定。卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)組成如圖2.6所示。

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)在遙感影像分類中的研究進(jìn)展[J]. 付偉鋒,鄒維寶.  計(jì)算機(jī)應(yīng)用研究. 2018(12)
[2]深度學(xué)習(xí)方法用于遙感圖像處理的研究進(jìn)展[J]. 羅仙仙,曾蔚,陳小瑜,張東水,莊世芳.  泉州師范學(xué)院學(xué)報(bào). 2017(06)
[3]結(jié)合深度學(xué)習(xí)與條件隨機(jī)場的遙感圖像分類[J]. 夏夢,曹國,汪光亞,尚巖峰.  中國圖象圖形學(xué)報(bào). 2017(09)
[4]基于CNN模型的高分辨率遙感圖像目標(biāo)識別[J]. 曲景影,孫顯,高鑫.  國外電子測量技術(shù). 2016(08)
[5]基于譜空間統(tǒng)計(jì)特征的高分辨率影像分割尺度估計(jì)[J]. 明冬萍,周文,汪閩.  地球信息科學(xué)學(xué)報(bào). 2016(05)
[6]卷積神經(jīng)網(wǎng)絡(luò)在高分遙感影像分類中的應(yīng)用[J]. 曹林林,李海濤,韓顏順,余凡,顧海燕.  測繪科學(xué). 2016(09)
[7]第1講 深度學(xué)習(xí):開啟人工智能的新紀(jì)元[J]. 李軼南,張雄偉,李治中,吳海佳,孫久皓.  軍事通信技術(shù). 2015(04)
[8]高分辨率影像分割的分形網(wǎng)絡(luò)演化改進(jìn)方法[J]. 鄧富亮,楊崇俊,曹春香,范協(xié)裕.  地球信息科學(xué)學(xué)報(bào). 2014(01)
[9]基于改進(jìn)的區(qū)域增長算法的高分辨率影像分割[J]. 李亮,舒寧,黃亮.  地理空間信息. 2010(05)
[10]支持向量機(jī)在空間信息處理領(lǐng)域的應(yīng)用研究[J]. 譚琨,杜培軍,鄭輝.  測繪科學(xué). 2007(02)



本文編號：3254660