發(fā)布時間：2024-06-28 20:03

　　面向對象遙感技術自2000年引入到遙感領域以來,為城市土地優(yōu)化配置、智慧城市建設等領域提供較好的決策支持。近年來,隨著高分二號等高空間分辨率遙感影像的獲取更為方便快捷,如何更好地挖掘影像中所包含的地物信息變得極為重要。隨著應用的深入,傳統(tǒng)的面向對象遙感模式識別技術存在的缺陷也逐漸顯現出來,阻礙了面向對象遙感技術在其應用領域的進一步拓展。本文以深度神經網絡為基礎,對于傳統(tǒng)面向對象遙感模式識別技術進行擴展和延伸。主要包含以下三點:(一)建立基于深度神經網絡的面向對象遙感分類的基本框架:1)針對深度神經網絡,提出一種兼具了對象與像元的優(yōu)勢的面向對象遙感數據提取方法;2)闡述了基于深度神經網絡的面向對象遙感分類基本流程;3)結合感知哈希算法,對于深度神經網絡提取的遙感影像對象特征圖進行了分析,論證了深度神經網絡應用于面向對象遙感分類的可行性。(二)提出基于光譜-空間信息的并行深度神經網絡分類算法:1)針對高空間分辨率遙感數據的特點,設計兩路不同的深度卷積神經網絡用于提取空間特征和光譜特征并進行分類;2)從特征級的集成學習視角出發(fā),建立了光譜-空間信息的并行深度神經網絡分類框架;3)最終通過互補...

【文章頁數】：72 頁

【學位級別】：碩士

【部分圖文】：

圖1-1UCM數據集示意圖

上整體的標簽，如著名的UCM遙感數據集[3]，如下圖1-1所示。而目標對于遙感圖像中的地物對象（比如飛機、汽車等）進行檢測和分類[4]。如1-2所示。遙感目標分類要靠目標所處的遙感場景，而對于算法而言，目標本與場景分類算法差別并不大，因此對于面向對象遙感分類也常常采用景....

圖1-2目標檢測與分類

圖1-1UCM數據集示意圖低尺度特征往往采用經典的圖像算子如方向梯度直方圖[6]、尺度不變特征轉[7]、局部二值模式[8]、加速穩(wěn)健特征[9]等特征進行特征提取。然而，局部對象信息是無法用整幅遙感場景的低層特征來進行表達，在此基礎上，局部低層特描述[10]、多局部特征融合[....

圖2-1神經元示意圖

）面向對象遙感分類對象遙感分類就是通過影像分割算法提取遙感影像對象，分類目標并提取相關光譜、紋理等特征，最終利用專家經驗等方法進行分類。度神經網絡神經網絡起源于人工神經網絡，隨著人工神經網絡的網絡化和求解越來越困難。隨著對于人腦機制的不斷研究，許多結構比如卷積神經網絡，其對于視....

圖2-2多輸入單輸出的基本神經元模型

圖2-2多輸入單輸出的基本神經元模型2-2表示一個多輸入單輸出的基本人工神經元模型。其中n)T為輸入信號，W=(w1,w2,wn)T為神經元的連接權值,uk為輸和，bk為閾值，f(.)為激活函數，yk為輸出信號。其中：=∑=()組輸入信號輸入到神經元模型....

本文編號：3996612