發(fā)布時間：2020-07-27 11:10

【摘要】：近十年來,隨著高分辨率對地觀觀測技術的迅速發(fā)展,衛(wèi)星遙感影像已經(jīng)全面進入了亞米級時代,高空間分辨率遙感影像已經(jīng)廣泛應用于土地利用/覆蓋遙感制圖、地理國情監(jiān)測、智慧城市、國土安全、災害應急、林業(yè)和農(nóng)業(yè)等領域。然而隨著遙感影像空間分辨率的提高,地物信息呈現(xiàn)高度細節(jié)化,影像中的地物類內方差增大,不同地物類之間方差減少,使得影像中不同地物的光譜統(tǒng)計分布更復雜,同時地物細節(jié)信息、幾何結構和紋理特征等也更加明顯,這些特點使得傳統(tǒng)的面向像元光譜處理方法已經(jīng)不適應高分辨率遙感影像智能解譯。近年來,國內外學者通過大量特征的提取算法,提高了高分辨率遙感影像在特征空間的可分性,有效地提高了高分辨率影像分類精度。這些特征多為低層特征和中層語義特征,無法描述高層次特征信息。深度學習通過多層的抽象可以得到高層特征,但多次特征提取與抽象模糊了邊界信息,分類結果不能描述地物精確的邊界。針對高分辨率影像分類中存在的問題,本文將面向對象影像分析方法引入深度學習,提出面向對象的深度學習的高分辨率遙感影像分類框架,并應用于高分辨率遙感影像分類。本文主要研究內容如下:1.針對高分辨率遙感影像信息提取面臨的問題,闡述和分析了現(xiàn)有高分辨率遙感影像分類算法優(yōu)缺點,并綜述了高分辨遙感影像分割方與分類方法的發(fā)展與研究現(xiàn)狀。系統(tǒng)介紹了面向對象影像分析方法和深度學習的基本理論、方法和高分辨率遙感影像分割與分類的定量評價指標。2.通過分析已有高分辨率影像分割合并準則存在的問題和地物光譜特性,提出了一種融合地學多波譜指數(shù)的高分辨率遙感影像分割算法。波譜指數(shù)模型通過特定波譜間的數(shù)學運算,增強特定目標地物,弱化背景信息,將有利于遙感影像分割。該算法主要利用地學多波譜指數(shù)指導特定地物目標的多尺度分割。具體流程包括:(1)利用均值漂移分割算法獲得初始分割結果;(2)在初始分割結果基礎上構建對象鄰接圖(OAG),采用光譜差異性、形狀緊湊度指數(shù)與地學多波譜指數(shù)建立不同地物的合并準則,根據(jù)合并準則構建多尺度分割結果;(3)通過統(tǒng)計各尺度分割結果的全局特征確定最優(yōu)分割尺度。通過兩個高分辨率遙感影像數(shù)據(jù)進行實驗,驗證該算法的性能,并與典型的分型網(wǎng)絡演化算法和均值漂移分割算法對比分析,該算法獲得更高的分割精度和視覺效果。3.提出了面向對象框架下基于深度學習的高分辨率遙感影像分類算法。針對傳統(tǒng)高分辨率遙感影像分類特征設計與提取方法表達能力不足、地物識別能力有限和基于深度學習的地物邊界模糊的問題。本文將面向對象影像分析方法與深度學習結合。首先根據(jù)融合多波譜指數(shù)的高分辨率影像分割算法獲取影像的多尺度分割結果,以對象作為基本處理單元,提取對象的形狀、紋理、上下文等低層特征,輸入深度卷積神經(jīng)網(wǎng)絡獲得單尺度深度特征,然后將這些單尺度深度特征融合得到多尺度深度特征;最后利用對象多尺度深度特征進行高分辨率遙感影像分類。通過三個高分辨率遙感影像進行實驗驗證,并與其他的多尺度表達和不同分類算法進行對比實驗,實驗結果表明該算法具有更高的分類精度。
【學位授予單位】：云南師范大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：P237
【圖文】：

1.4 論文的研究內容與章節(jié)安排向對象的影像分析方法模擬人類視覺信息處理機理，將影像對理單元，有效解決了“同物異譜”、“異物同譜”等問題，并且為豐富的空間特征；深度學習通過對影像特征的逐層抽象，自動征，縮小了低層特征與高層信息之間的“語義鴻溝”。本文將析方法和深度學習結合，提出一種面向對象分析框架下基于深遙感影像分類方法。本文研究思路如圖 1.1 所示：

3 均值漂移分割算法值漂移是一種統(tǒng)計迭代算法，通過逐步移動搜素窗口 Fukunaga K 首次提出了均值漂移（Mean shift）的概念度估計，Comaniciu 等人（1999）首次將該聚類算法應移算法是一種基于密度梯度上升的非參數(shù)方法，它將每一個特征點向密度函數(shù)的局部極大值點“漂移”[66最鄰近的特征點劃分為同一類。Mean Shift 算法的特點高、抗噪能力強等，因此廣泛應用于遙感影像分割。值漂移算法聚類過程中，首先定義聚類中心點和搜索內密度最大處的特征空間坐標，得到該點與原中心點，再將原中心點坐標“漂移”到新的坐標處得到新的，再次計算新的搜索窗口內的中心點坐標，直至中心處，圖 2.1 為均值漂移算法過程：搜索窗

17卷積網(wǎng)絡模型結構如下圖 2.2 所示：圖2.2CNN 結構示意圖卷積層由多個卷積核構成，用于提取輸入數(shù)據(jù)的特征，卷積核與輸入數(shù)據(jù)進行卷積運算輸出多個特征圖。卷積核以特定的間隔（stride）與輸入特征作點乘運算，設輸入大小為 的三維向量，其中 為輸入特征的長和寬，r 為深度，則每一個特征圖為 ；若輸出 的向量，則需構建 k 個 的卷積核（filter bank） ；卷積運算得到的特征圖為：， 為卷積運算符

【參考文獻】

相關期刊論文 前10條

1 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問題[J];中國科學:地球科學;2012年06期

2 張學良;肖鵬峰;馮學智;;基于圖像內容層次表征的遙感圖像分割方法[J];中國圖象圖形學報;2012年01期

3 劉建華;毛政元;;高空間分辨率遙感影像分割方法研究綜述[J];遙感信息;2009年06期

4 黃昕;李平湘;張良培;;基于多層形狀特征提取與融合的城市高光譜影像解譯[J];測繪科學;2009年06期

5 黃昕;張良培;李平湘;;基于多尺度特征融合和支持向量機的高分辨率遙感影像分類[J];遙感學報;2007年01期

6 陳云浩;馮通;史培軍;王今飛;;基于面向對象和規(guī)則的遙感影像分類研究[J];武漢大學學報(信息科學版);2006年04期

7 李鄉(xiāng)儒,吳福朝,胡占義;均值漂移算法的收斂性[J];軟件學報;2005年03期

8 孫丹峰,楊冀紅,劉順喜;高分辨率遙感衛(wèi)星影像在土地利用分類及其變化監(jiān)測的應用研究[J];農(nóng)業(yè)工程學報;2002年02期

9 章毓晉;圖象分割評價技術分類和比較[J];中國圖象圖形學報;1996年02期

10 劉少創(chuàng)，林宗堅;航空影像分割的Snake方法[J];武漢測繪科技大學學報;1995年01期

相關博士學位論文 前2條

1 陳杰;高分辨率遙感影像面向對象分類方法研究[D];中南大學;2010年

2 黃昕;高分辨率遙感影像多尺度紋理、形狀特征提取與面向對象分類研究[D];武漢大學;2009年

本文編號：2771764