【摘要】：隨著遙感影像空間分辨率的提高,影像中的地物信息能夠被清晰精確的表示出來,這極大程度的推動(dòng)了遙感技術(shù)應(yīng)用的發(fā)展,但目前的遙感影像分類方法大部分是基于中低分辨率的遙感影像,無法高效的從高分辨率遙感影像中獲取有效的特征信息,這也為高分辨率遙感影像的應(yīng)用帶來了巨大的挑戰(zhàn)。而近年來興起的深度學(xué)習(xí)算法為實(shí)現(xiàn)高效、智能化的高分辨率遙感影像分類提供了理論依據(jù)和有效的算法。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)是深度學(xué)習(xí)的一個(gè)重要的結(jié)構(gòu)模型,其主要特點(diǎn)是通過局部連接、權(quán)值共享、空間下采樣等操作以減弱圖像分類過程中對(duì)平移、旋轉(zhuǎn)、扭曲的敏感性,因此卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別分類領(lǐng)域有著廣泛的應(yīng)用。本文通過模仿人類視覺系統(tǒng)信息處理機(jī)制,將Lorentz函數(shù)稀疏約束引入到卷積神經(jīng)網(wǎng)絡(luò)中構(gòu)造稀疏約束卷積神經(jīng)網(wǎng)絡(luò)模型,以實(shí)現(xiàn)高分辨率遙感影像的分類。本文的主要研究?jī)?nèi)容如下:(1)以MNIST手寫數(shù)字體集為數(shù)據(jù)源,采用傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型Le Net-5對(duì)其進(jìn)行分類實(shí)驗(yàn),分析卷積核數(shù)目及大小、池化方法、池化域大小、激活函數(shù)和網(wǎng)絡(luò)層數(shù)對(duì)圖像分類的影響,繼而構(gòu)造了具有更優(yōu)分類性能的九層卷積神經(jīng)網(wǎng)絡(luò)模型——CNN-9;(2)本文通過模仿人類視覺處理系統(tǒng)的稀疏編碼形式,將Lorentz函數(shù)稀疏約束引入到CNN-9中構(gòu)造基于Lorentz函數(shù)稀疏約束的卷積神經(jīng)網(wǎng)絡(luò)(Sparse Convolutional Neural Networks based on Lorentz function,LCNN),通過基于MNIST數(shù)據(jù)集的分類實(shí)驗(yàn)從穩(wěn)健性、稀疏性和分類率三個(gè)方面分析模型的計(jì)算性能。實(shí)驗(yàn)表明,增加了稀疏約束因子的卷積神經(jīng)網(wǎng)絡(luò)模型LCNN可在保證圖像分類精度的同時(shí)大大減少了圖像的分類時(shí)長;(3)將LCNN與支持向量機(jī)相結(jié)合的分類算法(LCNN-SVM),并將其應(yīng)用于高分辨率遙感影像分類。其中,高分辨率遙感影像庫作為數(shù)據(jù)源,LCNN為特征提取器,SVM為分類器,從混淆矩陣、總體分類精度、Kappa系數(shù)和分類時(shí)長對(duì)影像分類結(jié)果進(jìn)行精度評(píng)定。實(shí)驗(yàn)結(jié)果表明,LCNN-SVM較傳統(tǒng)的分類方法相比能夠提高影像的分類效率的同時(shí)獲得更精確可靠的分類精度。
【圖文】：

圖 1.1 neocognitron 結(jié)構(gòu)示意圖 細(xì)胞層由承擔(dān)特征提取的 S-元組成，S-元中涉及兩個(gè)重要參數(shù)，即感受野前者確定輸入?yún)?shù)的數(shù)目，后者則控制對(duì)特征數(shù)據(jù)的反應(yīng)程度。在圖像識(shí)可用于提取本地圖像特征，例如邊緣和角。多個(gè) S-元可提取在相同位置的些細(xì)胞組即稱為 S 細(xì)胞層，其基本結(jié)構(gòu)模型如圖 1.2 所示。同理，C 細(xì)胞 C-元組成，可處理較抽象的特征信息，其輸入數(shù)據(jù)是來自前一層 S 細(xì)胞夠有效的減少圖像的變化和扭曲的靈敏度。

圖 1.1 neocognitron 結(jié)構(gòu)示意圖由承擔(dān)特征提取的 S-元組成，S-元中涉及兩個(gè)重要參數(shù)，即定輸入?yún)?shù)的數(shù)目，后者則控制對(duì)特征數(shù)據(jù)的反應(yīng)程度。在提取本地圖像特征，例如邊緣和角。多個(gè) S-元可提取在相同組即稱為 S 細(xì)胞層，，其基本結(jié)構(gòu)模型如圖 1.2 所示。同理，組成，可處理較抽象的特征信息，其輸入數(shù)據(jù)是來自前一層 的減少圖像的變化和扭曲的靈敏度。
【學(xué)位授予單位】：長安大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：P237

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐姍姍;劉應(yīng)安;徐f;;基于卷積神經(jīng)網(wǎng)絡(luò)的木材缺陷識(shí)別[J];山東大學(xué)學(xué)報(bào)(工學(xué)版);2013年02期

2 李德仁;童慶禧;李榮興;龔健雅;張良培;;高分辨率對(duì)地觀測(cè)的若干前沿科學(xué)問題[J];中國科學(xué):地球科學(xué);2012年06期

3 趙志宏;楊紹普;馬增強(qiáng);;基于卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的車牌字符識(shí)別研究[J];系統(tǒng)仿真學(xué)報(bào);2010年03期

4 張俊;于慶國;侯家槐;;面向?qū)ο蟮母叻直媛视跋穹诸惻c信息提取[J];遙感技術(shù)與應(yīng)用;2010年01期

5 胡斌斌;姚明海;;基于SVM的圖像分類[J];微計(jì)算機(jī)信息;2010年01期

6 丁輝;張茂省;李林;;滑坡災(zāi)害遙感解譯不確定性研究[J];自然災(zāi)害學(xué)報(bào);2009年06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(bào);2006年01期

8 張錦水;何春陽;潘耀忠;李京;;基于SVM的多源信息復(fù)合的高空間分辨率遙感數(shù)據(jù)分類研究[J];遙感學(xué)報(bào);2006年01期

9 萬昊,任勇,山秀明;基于混淆矩陣的全方位角雷達(dá)目標(biāo)識(shí)別[J];微電子學(xué)與計(jì)算機(jī);2005年03期

10 許建華,張學(xué)工,李衍達(dá);最小平方誤差算法的正則化核形式[J];自動(dòng)化學(xué)報(bào);2004年01期

相關(guān)會(huì)議論文 前1條

1 高常鑫;桑農(nóng);;基于深度學(xué)習(xí)的高分辨率遙感影像目標(biāo)檢測(cè)[A];第二屆高分辨率對(duì)地觀測(cè)學(xué)術(shù)年會(huì)論文集[C];2013年

相關(guān)博士學(xué)位論文 前2條

1 王光新;基于稀疏約束正則化模型的圖像提高分辨率技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2008年

2 陳忠;高分辨率遙感圖像分類技術(shù)研究[D];中國科學(xué)院研究生院（遙感應(yīng)用研究所）;2006年

相關(guān)碩士學(xué)位論文 前2條

1 麥超;基于稀疏約束受限玻爾茲曼機(jī)的高分辨率遙感影像分類[D];長安大學(xué);2016年

2 鮑江峰;機(jī)器學(xué)習(xí)方法在遙感圖像處理中的應(yīng)用研究[D];復(fù)旦大學(xué);2014年

本文編號(hào)：2628099