【摘要】：近年來,隨著遙感技術(shù)的迅猛發(fā)展,人們可以十分便捷、高效地獲取高空間分辨率遙感影像(簡稱高分影像)。高空間分辨率使影像中的地物細(xì)節(jié)更加清晰與豐富,但是同時也為地物分類帶來了新的挑戰(zhàn)。使用傳統(tǒng)的分類方法對高分影像進(jìn)行分類只能提取影像中的低層次特征,難以得到滿意的分類結(jié)果。如何深入挖掘蘊藏在高分影像中的高層次特征是高分影像分類精度提升的關(guān)鍵。目前有學(xué)者提出基于卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的逐像素分類方法,可以提取并利用影像中的高層次特征,取得更高的分類精度。但是由于采用像素作為分析基元,在實際應(yīng)用中仍存在一定的缺陷與不足,如在分類結(jié)果中存在大量椒鹽現(xiàn)象等。因此研究將面向?qū)ο笥跋穹治鏊枷牒途矸e神經(jīng)網(wǎng)絡(luò)分類技術(shù)相結(jié)合的理論與方法,充分利用高分遙感影像的深度特征進(jìn)行地物識別和分類,對于高分辨率遙感影像的高精度信息提取具有重要意義與實用價值。本文結(jié)合高分影像自身的特點,剖析了高分影像分類的難點,對目前卷積神經(jīng)網(wǎng)絡(luò)技術(shù)在高分影像分類中應(yīng)用的優(yōu)劣進(jìn)行了分析與綜述。在卷積神經(jīng)網(wǎng)絡(luò)技術(shù)與面向?qū)ο蠓治龅睦碚摶A(chǔ)上,建立了一種基于卷積神經(jīng)網(wǎng)絡(luò)的面向?qū)ο蟾叻钟跋穹诸愃枷肱c框架。以分割對象作為分析基元,利用卷積神經(jīng)網(wǎng)絡(luò)提取的高層次特征對其進(jìn)行分類,提出了基于單尺度卷積神經(jīng)網(wǎng)絡(luò)的超像素分類方法。此外,本文針對高分影像尺度效應(yīng)明顯的特點,對卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行改進(jìn),提出了基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的超像素分類方法。本文以兩幅高分影像作為實驗數(shù)據(jù)進(jìn)行對比試驗,印證了所提新方法的優(yōu)越性和可靠性。通過實驗結(jié)果可知,基于卷積神經(jīng)網(wǎng)絡(luò)的面向?qū)ο蠓诸惙椒ㄓ腥齻�主要優(yōu)點:(1)以分割對象作為分析基元,克服了基于卷積神經(jīng)網(wǎng)絡(luò)逐像素分類方法的缺陷�？梢杂行П苊庥捎诨旌舷裨斐傻慕符}現(xiàn)象,極大減少了分類的計算量,并取得更高的分類精度。(2)使用卷積神經(jīng)網(wǎng)絡(luò)可以充分提取并利用高分影像中的高層次特征,大幅提升高分影像的分類精度。(3)使用多尺度卷積神經(jīng)網(wǎng)絡(luò)可以充分提取影像中多尺度的高層次信息,減少了尺度效應(yīng)對分類結(jié)果的影響,解決高分影像多尺度特征難以提取與利用的難題,進(jìn)一步提升高分影像的分類精度。本文建立了卷積神經(jīng)網(wǎng)絡(luò)技術(shù)與面向?qū)ο蠓治鲋g的橋梁,從新的角度將卷積神經(jīng)網(wǎng)絡(luò)技術(shù)與遙感影像分類相結(jié)合,對未來的研究有重要的理論意義和應(yīng)用價值。
【圖文】：

如圖 2-1 所示，卷積神經(jīng)網(wǎng)絡(luò)是一種受人類大腦神經(jīng)元結(jié)構(gòu)和信號傳輸方式啟發(fā)，由多個卷積層（Convolutional Layer，Conv Layer）、池化層（Pooling Layer）、全連接層（Fully Connected Layer，F(xiàn)C Layer）以及一個分類器所構(gòu)成的深層神經(jīng)網(wǎng)絡(luò)（Fukushima and Miyake, 1982; LeCun, et al., 1989）。卷積神經(jīng)網(wǎng)絡(luò)是對人類視覺認(rèn)知機(jī)理和過程的模擬。使用卷積層進(jìn)行特征提取，并利用池化層對特征進(jìn)行高層次的抽象表達(dá)，從而實現(xiàn)對影像中高層次特征的挖掘和理解。卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)具有鮮明的特點：每一個卷積層后通常會緊接一個池化層，共同組成一個特征提取器。通過對多個卷積-池化結(jié)構(gòu)的堆積可以實現(xiàn)高層次特征的提取。但是卷積-池化結(jié)構(gòu)所輸出的是二維特征圖，這種復(fù)雜且高度抽象的高層次特征并無法直接輸入到傳統(tǒng)的分類器中。因此最后一個池化層的輸出結(jié)果，也就是由卷積-池化結(jié)構(gòu)所提取的特征，需要輸入到一個多層的全連接網(wǎng)絡(luò)結(jié)構(gòu)當(dāng)中，從而實現(xiàn)二維特征到一維特征的映射和優(yōu)化。最后，全連接層輸出的一維特征被輸入到分類器中，進(jìn)而得到最終的分類結(jié)果。

第二章 卷積神經(jīng)網(wǎng)絡(luò)十分適用于對高層次特征的高效提�。↙eCun, et al., 1998）。在卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，卷積層中有兩類參數(shù)需要被訓(xùn)練和優(yōu)化，分別是卷積核的參數(shù)以及卷積層的偏置項 。卷積層的基本原理如圖 2-2，卷積層將卷積核參數(shù) 與影像的局部感受野進(jìn)行點積運算，之后將點積運算的結(jié)果和偏置項 相加結(jié)果輸入激活函數(shù) 中，，得到最終輸出的特征圖。卷積層的計算方式如下： 2
【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】：2018
【分類號】：P237

【參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 陳揚洋;明冬萍;徐錄;趙璐;;高空間分辨率遙感影像分割定量實驗評價方法綜述[J];地球信息科學(xué)學(xué)報;2017年06期

2 黃潔;姜志國;張浩鵬;姚遠(yuǎn);;基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像艦船目標(biāo)檢測[J];北京航空航天大學(xué)學(xué)報;2017年09期

3 何小飛;鄒崢嶸;陶超;張佳興;;聯(lián)合顯著性和多層卷積神經(jīng)網(wǎng)絡(luò)的高分影像場景分類[J];測繪學(xué)報;2016年09期

4 許夙暉;慕曉冬;趙鵬;馬驥;;利用多尺度特征與深度網(wǎng)絡(luò)對遙感影像進(jìn)行場景分類[J];測繪學(xué)報;2016年07期

5 劉如意;宋建鋒;權(quán)義寧;許鵬飛;雪晴;楊云;苗啟廣;;一種自動的高分辨率遙感影像道路提取方法[J];西安電子科技大學(xué)學(xué)報;2017年01期

6 明冬萍;駱劍承;周成虎;王晶;;高分辨率遙感影像特征分割及算法評價分析[J];地球信息科學(xué);2006年01期

7 宮鵬;黎夏;徐冰;;高分辨率影像解譯理論與應(yīng)用方法中的一些研究問題[J];遙感學(xué)報;2006年01期

相關(guān)博士學(xué)位論文 前1條

1 黃昕;高分辨率遙感影像多尺度紋理、形狀特征提取與面向?qū)ο蠓诸愌芯縖D];武漢大學(xué);2009年

本文編號：2622607