近年來,隨著遙感技術(shù)的發(fā)展,遙感影像的空間分辨率不斷提升,不僅具有豐富的空間、紋理特征,而且包含了大量的細(xì)節(jié)信息,這也使得影像中小塊農(nóng)田識(shí)別的難度大大增加。傳統(tǒng)的基于光譜統(tǒng)計(jì)特性的極大似然法、K最近鄰算法等識(shí)別分類方法,由于僅利用影像的光譜信息缺乏對(duì)豐富的細(xì)節(jié)信息的充分利用,不能滿足當(dāng)前對(duì)小塊農(nóng)田信息提取的需求。針對(duì)以上問題,本文以高分一號(hào)遙感影像為數(shù)據(jù)源,基于深度學(xué)習(xí)中流行的全卷積神經(jīng)網(wǎng)絡(luò)算法,進(jìn)行高分辨率遙感影像小塊農(nóng)田識(shí)別方法的研究,并將其應(yīng)用到遙感影像小塊農(nóng)田的識(shí)別中,主要研究?jī)?nèi)容如下:針對(duì)圖像中小塊農(nóng)田包含的有效信息較少、表達(dá)不足,傳統(tǒng)方法識(shí)別困難等問題,基于稀疏降噪自動(dòng)編碼器SDA(Sparse Denosing Auto-encoder),提出一種訓(xùn)練樣本圖像目標(biāo)增強(qiáng)算法。該算法首先將多個(gè)稀疏降噪自動(dòng)編碼器SDAs進(jìn)行堆疊,得到一種堆疊式稀疏降噪自動(dòng)編碼器,采用L-BFGS算法進(jìn)行訓(xùn)練,得到輸入圖像的高層抽象表示,作為原始信號(hào)的初級(jí)濾波,并加入到原有的特征中,得到增強(qiáng)后的樣本圖像,為后續(xù)訓(xùn)練更精確的小塊農(nóng)田識(shí)別模型提供高質(zhì)量的數(shù)據(jù)支持�；谌矸e網(wǎng)絡(luò)算法,在Tensor ...

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
Abstract
1 引言
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 深度學(xué)習(xí)研究現(xiàn)狀
        1.2.2 圖像目標(biāo)識(shí)別研究現(xiàn)狀
    1.3 主要研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)
2 相關(guān)理論與數(shù)據(jù)概述
    2.1 相關(guān)理論
        2.1.1 全卷積神經(jīng)網(wǎng)絡(luò)
        2.1.2 貝葉斯判別理論
    2.2 數(shù)據(jù)概況
        2.2.1 研究區(qū)概況
        2.2.2 高分一號(hào)衛(wèi)星數(shù)據(jù)
        2.2.3 數(shù)據(jù)預(yù)處理
        2.2.4 實(shí)驗(yàn)數(shù)據(jù)集
    2.3 本章小結(jié)
3 基于降噪自動(dòng)編碼器的小塊農(nóng)田增強(qiáng)方法
    3.1 小塊農(nóng)田目標(biāo)的圖像特性
    3.2 降噪自動(dòng)編碼器
    3.3 SSDA-E算法描述
    3.4 本章小結(jié)
4 基于全卷積網(wǎng)絡(luò)的小塊農(nóng)田識(shí)別模型
    4.1 傳統(tǒng)的目標(biāo)識(shí)別方法
    4.2 TensorFlow框架
    4.3 網(wǎng)絡(luò)模型的搭建與訓(xùn)練
        4.3.1 基于VGGNet的模型搭建
        4.3.2 改進(jìn)的激活函數(shù)
        4.3.3 改進(jìn)的Softmax回歸分類器
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 實(shí)驗(yàn)環(huán)境
        4.4.2 評(píng)判指標(biāo)
        4.4.3 實(shí)驗(yàn)結(jié)果與對(duì)比分析
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀碩士期間取得的成果



本文編號(hào)：3798828