隨著遙感技術的迅速發(fā)展,遙感圖像被廣泛應用于軍事目標識別、環(huán)境監(jiān)測、氣象分析、礦產開發(fā)、地理測繪等各個領域。然而,相關統(tǒng)計表明在任何時候50%地球表面都被云層覆蓋。在遙感圖像中,由于云的存在,給許多后續(xù)分析任務帶來了挑戰(zhàn)。遙感圖像上云造成的遮擋、干擾在不同傳感器、不同應用場景下的解決極為復雜,需要根據實際情況選擇不同的解決策略。目前較為成熟的云檢測主要集中在兩類應用上,一類是以MODIS為代表的小比例尺大框幅全球云量氣象監(jiān)測為主的宏觀應用;一類是以QucikBird、IKONOS為主的分辨率高于2m的超高分辨率下的軍事、民用目標檢測。然而我國的高分系列衛(wèi)星空間分辨率在2¹0米之間,在這種比例尺的圖像中做一些敏感物體（例如船只、目標地物等）的檢測時,常面臨“看不清楚”的問題。因而云帶來的目標檢測干擾以及圖像質量下降顯得尤為明顯。因此,針對這類“不太清晰”的遙感影像進行云檢測非常具有實用意義。經過大量數據處理實踐,本文針對這類圖像上云的柔性邊界特征、內部亮度非均勻性以及薄云存在的色差問題提出了自適應分割算法ASLIC與用于特征提取與分類的DCNN網絡,最終實現(xiàn)了ASL... 

【文章來源】：中國科學院大學(中國科學院西安光學精密機械研究所)陜西省

【文章頁數】：71 頁

【學位級別】：碩士

【部分圖文】：

機器學習云檢測算法總結Fig1.1summaryofclouddetectionalgorithmsformachinelearning

基于神經網絡的國產高分光學遙感圖像云檢測1.3 本文研究內容與技術路線本論文核心研究的是基于機器學習的遙感圖像云檢測方法，重點在于尋找一種實用性、魯棒性、準實時的云檢測算法，達到不同氣象環(huán)境下、不同傳感器分辨率、不同成像質量、不同地物狀況下的云檢測算法模型。文章中通過對前人提出的不同云檢測策略進行分析，主要包括基于視覺顯著性的圖像分割和基于深度神經網絡的云檢測算法。充分利用深度學習網絡的多層非線性分層結構特性，結合國產遙感影像云檢測的需求，在改進 SLIC 分割算法的基礎上，訓練了由GF-1,GF-2,ZY-3 衛(wèi)星影像組成的訓練樣本，并設計了 ASLIC+DCNN 網絡模型用于云檢測，最終完成了檢測任務。圖 1.2 為本文的云檢測技術路線圖。針對整個云檢測全鏈路的技術路線，我們主要研究以下了四個問題。

圖 2.1 支持向量機分類原理示意圖[17]hematic diagram of the classification principle ofsupport vector machines神經網絡（Artificial neural networks，ANN）神經網絡是人工智能算法的核心，主要包括神經元模型、神經網絡三部分。神經元模型是依據生物學上對人類大腦的仿生而建立的大腦思考與感知世界的計算結構，它是一種對人類神經元工作抽出來的工作模型，并非真正利用計算機技術去模仿神經元的工作元模型誕生于 1943 年由心理學家 McCulloch[23]和數學家 W·Pitts 提，該模型經過不斷改進就成了如今我們在使用的神經網絡模型。該礎假設[25]構成,可以形象表示為圖 2.2 所示：個神經元都是一個多輸入單輸出的信息處理單元 ；經元輸入分興奮性輸入和抑制性輸入兩種類型；經元具有空間整合特性和閾值特性 ；

【參考文獻】：
期刊論文
[1]基于模糊深度學習網絡的行人檢測方法[J]. 邱東,劉德雨.  計算機技術與發(fā)展. 2018(10)
[2]一種基于深度強化學習的自適應巡航控制算法[J]. 韓向敏,鮑泓,梁軍,潘峰,玄祖興.  計算機工程. 2018(07)
[3]基于生成式對抗網絡的遙感影像云檢測方法[J]. 朱清,侯恩兵.  地理空間信息. 2018(05)
[4]動態(tài)閾值云檢測算法改進及在高分辨率衛(wèi)星上的應用[J]. 王權,孫林,韋晶,周雪瑩,陳婷婷,束美艷.  光學學報. 2018(10)
[5]基于深度學習的圖像識別算法[J]. 邵彥寧.  電子技術與軟件工程. 2018(10)
[6]深度學習研究現(xiàn)狀分析[J]. 王菲斐.  電子技術與軟件工程. 2018(10)
[7]卷積神經網絡在圖像處理方面的應用[J]. 董葉豪,柯宗武,熊旭輝.  福建電腦. 2018(05)
[8]深度學習在身份證號碼識別中的應用[J]. 盧用煌,黃山.  應用科技. 2019(01)
[9]基于深度殘差生成對抗網絡的醫(yī)學影像超分辨率算法[J]. 高媛,劉志,秦品樂,王麗芳.  計算機應用. 2018(09)
[10]基于深度學習技術在專利圖像審查中的應用[J]. 林贊磊.  中國新技術新產品. 2018(10)

博士論文
[1]基于熱帶測雨衛(wèi)星光譜觀測的云參數反演及降水云識別研究[D]. 劉顯通.中國科學技術大學 2012

碩士論文
[1]基于暗通道的遙感圖像云檢測算法研究[D]. 戴薇.西安電子科技大學 2017
[2]基于主動在線極限學習機的衛(wèi)星云量計算[D]. 申茂陽.南京信息工程大學 2017
[3]基于深度極限學習機的衛(wèi)星云圖云量計算[D]. 孔維斌.南京信息工程大學 2017
[4]全球陸地高分辨率氣溶膠光學厚度遙感反演研究[D]. 韋晶.山東科技大學 2017
[5]基于卷積神經網絡的衛(wèi)星云量計算[D]. 王艦鋒.南京信息工程大學 2016
[6]基于支持向量機的Landsat多光譜影像云檢測算法研究[D]. 陳長春.安徽大學 2014
[7]面向MODIS數據的云檢測方法研究[D]. 丁玉葉.哈爾濱工業(yè)大學 2013
[8]高分辨率衛(wèi)星遙感圖像云檢測方法研究[D]. 趙曉.哈爾濱工業(yè)大學 2013
[9]基于多核學習的云檢測及分析技術研究[D]. 王師哲.哈爾濱工業(yè)大學 2012
[10]MODIS衛(wèi)星遙感數據云檢測軟件設計[D]. 丁蕊.成都理工大學 2012



本文編號：3576678