【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)的一個重要的結(jié)構(gòu)模型,其主要特點是通過局部連接、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,以實現(xiàn)高分辨率遙感影像的分類。本文的主要研究內(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對其進行分類實驗,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)集的分類實驗從穩(wěn)健性、稀疏性和分類率三個方面分析模型的計算性能。實驗表明,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大大減少了圖像的分類時長;(3)將LCNN與支持向量機相結(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)和分類時長對影像分類結(jié)果進行精度評定。實驗結(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，后者則控制對特征數(shù)據(jù)的反應(yīng)程度。在圖像識可用于提取本地圖像特征，例如邊緣和角。多個 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-元中涉及兩個重要參數(shù)，即定輸入?yún)?shù)的數(shù)目，后者則控制對特征數(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 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)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：P237

【參考文獻】

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)的木材缺陷識別[J];山東大學(xué)學(xué)報(工學(xué)版);2013年02期

2 李德仁;童慶禧;李榮興;龔健雅;張良培;;高分辨率對地觀測的若干前沿科學(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;;基于卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的車牌字符識別研究[J];系統(tǒng)仿真學(xué)報;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];微計算機信息;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;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;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;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)識別[J];微電子學(xué)與計算機;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];自動化學(xué)報;2004年01期

相關(guān)會議論文 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[A];第二屆高分辨率對地觀測學(xué)術(shù)年會論文集[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的高分辨率遙感影像分類[D];長安大學(xué);2016年

2 鮑江峰;機器學(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：2628099