發(fā)布時(shí)間：2018-06-23 17:43

  本文選題：解譯標(biāo)志 + 卷積神經(jīng)網(wǎng)絡(luò)　； 參考：《中國地質(zhì)大學(xué)(北京)》2017年碩士論文

【摘要】：如何快速從海量遙感數(shù)據(jù)中獲取遙感信息,實(shí)現(xiàn)遙感影像智能解譯,一直是遙感技術(shù)領(lǐng)域研究的重要課題。人工神經(jīng)網(wǎng)絡(luò)技術(shù)在遙感影像自動分類領(lǐng)域取得顯著成果。通過對國內(nèi)外研究現(xiàn)狀分析可發(fā)現(xiàn),許多研究均是以改善算法為手段,以提高分類精度為目的,且分類精度已達(dá)到90%以上,但這些研究均是針對某一實(shí)驗(yàn)區(qū)域、實(shí)驗(yàn)數(shù)據(jù)進(jìn)行的研究,當(dāng)研究區(qū)域和實(shí)驗(yàn)數(shù)據(jù)改變之后,可能達(dá)不到很好的分類精度,而且自動化程度也不夠。本文從改變樣本來源、控制樣本數(shù)據(jù)質(zhì)量和保證樣本數(shù)據(jù)數(shù)量等方面進(jìn)行研究,以期提高分類的自動化程度和精度。本文將深度學(xué)習(xí)理論與人工神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合,并將最為成功的卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于高分辨率遙感影像的分類進(jìn)行實(shí)驗(yàn)研究。深度學(xué)習(xí)的優(yōu)勢在于從大數(shù)據(jù)中自動進(jìn)行特征的提取與學(xué)習(xí),卷積神經(jīng)網(wǎng)絡(luò)通過局部區(qū)域感知和權(quán)重共享兩大法寶大大減少參數(shù)個(gè)數(shù),降低了樣本訓(xùn)練難度。所采用的實(shí)驗(yàn)數(shù)據(jù)不是特定的某一區(qū)域,而是取自多幅遙感影像的解譯標(biāo)志數(shù)據(jù)。本研究的主要成果如下:(1)對人工神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)在遙感影像自動分類中的應(yīng)用現(xiàn)狀做了整理和分析,介紹了人工神經(jīng)網(wǎng)絡(luò)遙感影像分類的理論基礎(chǔ),重點(diǎn)介紹了深度學(xué)習(xí)的優(yōu)勢及卷積神經(jīng)網(wǎng)絡(luò)的特點(diǎn)和模型結(jié)構(gòu);(2)基于Visual Studio 2015軟件平臺,采用C#程序設(shè)計(jì)語言和WPF界面框架完成卷積神經(jīng)網(wǎng)絡(luò)框架的實(shí)現(xiàn);(3)以解譯標(biāo)志作為卷積神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù),解譯標(biāo)志具有數(shù)據(jù)量大和保證真值兩個(gè)特點(diǎn),通過控制解譯標(biāo)志的來源和規(guī)范化存儲來保證解譯標(biāo)志的質(zhì)量,通過批量生成解譯標(biāo)志功能保證解譯標(biāo)志的數(shù)量;(4)以解譯標(biāo)志生成的樣本數(shù)據(jù)為實(shí)驗(yàn)數(shù)據(jù),運(yùn)用實(shí)現(xiàn)的卷積神經(jīng)網(wǎng)絡(luò)框架完成高分辨率遙感影像的分類實(shí)驗(yàn),得出影像本身分辨率越高,地物樣本的質(zhì)量越好,訓(xùn)練樣本的數(shù)量規(guī)模越大,測試準(zhǔn)確率越高的結(jié)論,但是隨著訓(xùn)練樣本數(shù)量規(guī)模的不斷增大,準(zhǔn)確率增長速度變緩。最終本文的分類精度為86.17%,在可用范圍之內(nèi),消除了只針對一幅影像進(jìn)行研究的局限性,對提高遙感影像分類的自動化程度具有很重要的現(xiàn)實(shí)意義。
[Abstract]:How to quickly obtain remote sensing information from massive remote sensing data and realize intelligent interpretation of remote sensing images has always been an important subject in the field of remote sensing technology. The artificial neural network technology has made remarkable achievements in the field of remote sensing image automatic classification. Through the analysis of the present research situation at home and abroad, it can be found that many studies are aimed at improving the algorithm and improving the classification accuracy, and the classification accuracy has reached more than 90%, but these studies are aimed at a certain experimental area. When the experimental data and the experimental data change, it may not achieve a good classification accuracy, and the degree of automation is not enough. In order to improve the automation and accuracy of classification, this paper studies on changing the source of samples, controlling the quality of sample data and ensuring the quantity of sample data. In this paper, the theory of depth learning is combined with artificial neural network technology, and the most successful convolution neural network model is applied to the classification of high resolution remote sensing images. The advantage of deep learning lies in the automatic feature extraction and learning from big data. Convolution neural network greatly reduces the number of parameters and reduces the difficulty of sample training by means of local region perception and weight sharing. The experimental data is not a specific region, but is derived from the interpretation of multiple remote sensing images. The main achievements of this study are as follows: (1) the application status of artificial neural network and convolutional neural network in remote sensing image automatic classification is summarized and analyzed, and the theoretical basis of artificial neural network remote sensing image classification is introduced. The advantages of deep learning and the characteristics and model structure of convolution neural network are introduced emphatically. (2) based on Visual Studio 2015 software platform, Using C # programming language and WPF interface framework to complete the implementation of the convolution neural network framework. (3) using the deciphering mark as the sample data of the convolution neural network, the deciphering symbol has the characteristics of large amount of data and ensuring true value. The quality of deciphering marks is guaranteed by controlling the source and canonical storage of deciphering marks, and the number of deciphering marks is guaranteed by generating the function of interpreting signs in batches. (4) the sample data generated by interpreting marks are taken as experimental data. The classification experiment of high resolution remote sensing image is completed by using the realized convolution neural network framework. The conclusion is that the higher the resolution of the image itself, the better the quality of the ground object sample, the larger the number of training samples and the higher the test accuracy. But as the number of training samples increases, the rate of accuracy increases slowly. Finally, the classification accuracy of this paper is 86.17. Within the available range, the limitation of only one image is eliminated, and it is of great practical significance to improve the automation of remote sensing image classification.
【學(xué)位授予單位】：中國地質(zhì)大學(xué)(北京)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：P237

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 杜娟;白貴峰;;簡述影像的判讀與解譯標(biāo)志[J];才智;2012年34期

2 張景奇;介東梅;劉杰;;海岸線不同解譯標(biāo)志對解譯結(jié)果的影響研究——以遼東灣北部海岸為例[J];吉林師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年02期

3 韓芳;烏日娜;李興華;;濕地資源的遙感監(jiān)測方法[J];內(nèi)蒙古氣象;2006年04期

4 董明;李偉;;遙感圖像解譯標(biāo)志特點(diǎn)[J];內(nèi)蒙古煤炭經(jīng)濟(jì);2013年11期

5 黎來福;王秀麗;;SPOT-5衛(wèi)星遙感數(shù)據(jù)在煤礦塌陷區(qū)監(jiān)測中的應(yīng)用[J];礦山測量;2008年02期

6 周金艷;;在ERDAS IMAGINE中建立邯鄲市TM影像土地類型解譯標(biāo)志[J];綠色科技;2011年06期

7 劉善偉;張杰;馬毅;辛全波;厲梅;;海岸線遙感判繪與提取系統(tǒng)實(shí)現(xiàn)[J];測繪科學(xué);2013年03期

8 徐進(jìn)勇;張?jiān)鱿?趙曉麗;汪瀟;溫慶可;左麗君;;圍填海遙感監(jiān)測方法研究[J];測繪通報(bào);2014年05期

9 烏云其其格;馬維峰;張時(shí)忠;唐湘丹;劉文婷;;基于三維的地質(zhì)災(zāi)害遙感解譯標(biāo)志管理系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J];國土資源遙感;2012年02期

10 劉小利;李雪;李井岡;王秋良;;ETM+和DEM數(shù)據(jù)在斷裂解譯中的應(yīng)用[J];大地測量與地球動力學(xué);2012年06期

相關(guān)會議論文 前10條

1 張廣耀;汪小欽;鄔群勇;;遙感影像地圖在線服務(wù)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[A];第十七屆中國遙感大會摘要集[C];2010年

2 熊劍;;地形起伏地區(qū)的遙感影像預(yù)處理研究[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2005年

3 傅曉俊;;遙感影像應(yīng)用現(xiàn)狀及其展望[A];測繪荊楚——湖北省測繪學(xué)會2005年“索佳杯”學(xué)術(shù)論文集[C];2005年

4 肖倩;李光耀;;航空遙感影像道路提取方法綜述[A];全國第十屆信號與信息處理、第四屆DSP應(yīng)用技術(shù)聯(lián)合學(xué)術(shù)會議論文集[C];2006年

5 傅曉俊;;遙感影像應(yīng)用現(xiàn)狀及其展望[A];經(jīng)天緯地——全國測繪科技信息網(wǎng)中南分網(wǎng)第十九次學(xué)術(shù)交流會優(yōu)秀論文選編[C];2005年

6 李江濤;;遙感影像在海事測繪中的應(yīng)用[A];2007'全國測繪科技信息交流會暨信息網(wǎng)成立30周年慶典論文集[C];2007年

7 胥亞;杜為財(cái);袁立偉;葉榮生;;遙感影像道路提取現(xiàn)狀與展望[A];第四屆“測繪科學(xué)前沿技術(shù)論壇”論文精選[C];2012年

8 馬海濤;;探討遙感影像的校正與誤差來源——以雞西市為例[A];2006年中國土地學(xué)會學(xué)術(shù)年會論文集[C];2006年

9 李江濤;;遙感影像在海事測繪中的應(yīng)用[A];華東地區(qū)第十次測繪學(xué)術(shù)交流大會論文集[C];2007年

10 楊博雄;;基于北斗二代與遙感影像的定位與導(dǎo)航技術(shù)研究[A];2009年全國測繪儀器綜合學(xué)術(shù)年會論文集[C];2009年

相關(guān)重要報(bào)紙文章 前10條

1 張鵬英;國產(chǎn)遙感影像迎來共享時(shí)代[N];科技日報(bào);2013年

2 張玉惠;EV——GLOBE成功應(yīng)用于遼寧電網(wǎng)建設(shè)[N];中國測繪報(bào);2010年

3 彭舒;遙感影像幾何和光譜高精度重建技術(shù)獲突破[N];中國測繪報(bào);2013年

4 記者 吳晶晶;我用遙感影像發(fā)現(xiàn)3處油跡帶[N];新華每日電訊;2014年

5 美國明尼蘇達(dá)大學(xué)社會學(xué)博士 密西西比州立大學(xué)國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國教師報(bào);2014年

6 盧業(yè)忠;腦控電腦 驚世駭俗[N];計(jì)算機(jī)世界;2001年

7 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國紡織報(bào);2003年

8 李禾;我首顆環(huán)境衛(wèi)星傳回遙感影像[N];科技日報(bào);2008年

9 侯振榮;黑龍江省制作分市縣遙感影像系列掛圖[N];中國測繪報(bào);2009年

10 中國科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計(jì)算機(jī)世界;2003年

相關(guān)博士學(xué)位論文 前10條

1 張麗;遙感影像協(xié)同處理體系及攝影測量應(yīng)用研究[D];解放軍信息工程大學(xué);2015年

2 高永剛;多尺度多平臺遙感影像在城市遙感中的應(yīng)用研究[D];福州大學(xué);2013年

3 夏輝宇;基于MapReduce的遙感影像并行處理關(guān)鍵問題研究[D];武漢大學(xué);2014年

4 熊禮治;云環(huán)境下遙感影像內(nèi)容安全研究[D];武漢大學(xué);2016年

5 陳沖;面向多任務(wù)粒度的遙感影像鑲嵌并行技術(shù)研究[D];南京大學(xué);2015年

6 顧海燕;遙感影像地理本體建模驅(qū)動的對象分類技術(shù)[D];武漢大學(xué);2015年

7 李銘;任務(wù)驅(qū)動的遙感影像檢索案例推理方法研究[D];武漢大學(xué);2014年

8 王賢敏;機(jī)密空間信息隱藏與遙感影像授權(quán)使用[D];武漢大學(xué);2005年

9 劉亞嵐;遙感影像群判讀技術(shù)的試驗(yàn)研究[D];中國科學(xué)院研究生院（遙感應(yīng)用研究所）;2004年

10 程起敏;基于內(nèi)容的遙感影像庫檢索關(guān)鍵技術(shù)研究[D];中國科學(xué)院研究生院（遙感應(yīng)用研究所）;2004年

相關(guān)碩士學(xué)位論文 前10條

1 王睿;干旱區(qū)地質(zhì)、水文地質(zhì)及生態(tài)環(huán)境遙感解譯標(biāo)志體系研究[D];新疆大學(xué);2012年

2 孫晨陽;多尺度遙感影像道路信息提取方法研究[D];西南大學(xué);2015年

3 鄧董建;基于稀疏表達(dá)的遙感影像的多時(shí)相融合[D];中國地質(zhì)大學(xué)(北京);2015年

4 于曉;TM/ETM+遙感影像蝕變異常提取與篩選系統(tǒng)開發(fā)[D];中國地質(zhì)大學(xué)(北京);2015年

5 劉佳岐;基于Landsat8遙感影像的扶風(fēng)縣蘋果園地信息提取研究[D];西北農(nóng)林科技大學(xué);2015年

6 張健;基于多源數(shù)據(jù)的遙感地質(zhì)構(gòu)造解譯[D];長安大學(xué);2015年

7 王金杰;基于語義的遙感影像數(shù)據(jù)檢索關(guān)鍵技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2013年

8 李程;基于復(fù)雜網(wǎng)絡(luò)的綠潮檢測方法研究與應(yīng)用[D];青島大學(xué);2015年

9 章琨;基于遙感影像的城市綠地提取技術(shù)研究[D];東華理工大學(xué);2014年

10 段勝強(qiáng);基于遙感影像的運(yùn)動目標(biāo)追蹤標(biāo)注的研究及應(yīng)用[D];河南大學(xué);2015年

，

本文編號：2057897