【摘要】：基于高分辨率遙感影像的道路提取一直是遙感學界的重要課題,在近三十年來眾多的研究學者提出了若干基于不同原理的方法,但是由于遙感影像地物特征的復雜性以及方法的局限性,具有足夠適應(yīng)性的算法還未出現(xiàn)。伴隨著計算機計算能力的提高,深度學習在各個領(lǐng)域尤其是圖像處理方面的不斷發(fā)展,其也成為了研究高分辨率遙感影像道路提取的熱門方向。由于路網(wǎng)信息的提取技術(shù)在軍事領(lǐng)域,災(zāi)害救援指揮等領(lǐng)域有著重大意義,但目前仍沒有某一個軟件系統(tǒng)可以搭載各種不同算法并快速的進行道路信息的提取,因此本文針對深度學習方法對高分辨率遙感影像道路提取以及結(jié)果優(yōu)化濾波開展了研究,并基于組件化技術(shù)開發(fā)了一套具有實際應(yīng)用價值的遙感圖像道路提取系統(tǒng)。本文的研究工作如下:(1)研究了全卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),提出了基于相似度映射關(guān)系的高分辨率遙感影像道路提取模型。該模型對于遙感影像有道路提取能力,且對輸入的數(shù)據(jù)大小無特殊要求,也無需過多人工參與。并且針對小樣本訓練進行研究并在模型的訓練中進行應(yīng)用。該模型在本文的實驗數(shù)據(jù)訓練后得到的道路提取準確率可達到86.5%。(2)研究了基于深度學習的噪聲濾波模型以處理含有噪點過多的道路提取結(jié)果圖像,分別利用對抗學習思想和循環(huán)學習思想建立了道路提取結(jié)果濾波模型。其中生成對抗網(wǎng)絡(luò)模型在濾波的過程中具有了一定的圖像增強能力,即補全了小部分道路缺失的部分。經(jīng)過生成對抗濾波模型處理后道路噪聲剔除比例為7.3%,經(jīng)過循環(huán)學習模型處理后道路噪聲剔除比例為6.4%。可以看出濾波模型對道路提取結(jié)果的準確提升還是有一定幫助的。(3)研究了組件化思想,利用動態(tài)鏈接庫技術(shù)對上述深度學習模型算法進行了組件化設(shè)計,并將該算法組件嵌入到設(shè)計的道路提取軟件系統(tǒng)中。開發(fā)出了一個用戶界面友好,邏輯結(jié)構(gòu)清晰的軟件系統(tǒng),該系統(tǒng)可根據(jù)要求隨時添加任意算法插件。
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP751;P237
【圖文】：

電子科技大學碩士學位論文，則稱為飽和(沒有限定條件)；(3)假設(shè) c 為任意常數(shù)，存在任意 x，在h′足|x|>c，則認為 h(x)是硬飽和激活函數(shù)；一個飽和但只有在極限下才達到激活函數(shù)稱為軟飽和激活函數(shù)。下文將對主要的幾種激活函數(shù)進行介紹：3.1 SigmoidSigmoid 曾經(jīng)是使用最為廣泛的激活函數(shù)現(xiàn)在基本被 ReLU 替代。其定1( )1xf xe 如下圖 2-3 為 Sigmiod 激活函數(shù)影像，Sigmoid 在定義域內(nèi)處處可導，且趨于 0。

到有效的訓練。同時該激活函數(shù)還會出現(xiàn)偏移現(xiàn)象，由圖 2-3 所示，該激活函數(shù)的輸出均于零，會導致下一層神經(jīng)網(wǎng)絡(luò)的輸入均值不為零故而影響到后續(xù)的訓練結(jié)果。但并不意味著 Sigmoid 沒有其值得肯定的地方。例如它在物理意義上與元更加貼近；其輸出范圍可以用來表示概率并且連續(xù)可導可用于輸入的3.2 tanhtanh 也是一種常見的激活函數(shù)，其定義如(2-6)所示：221( )1xxef xe (激活函數(shù) tanh 函數(shù)圖像如圖 2-4 所示：

電子科技大學碩士學位論文3.3 ReLU在 2006 年 Nair 教授提出了一種新的方式來解決深度網(wǎng)絡(luò)訓練困難的問題對訓練網(wǎng)絡(luò)進行分層預(yù)訓練，但是其真正的突破點在于使用了新的激活U[41]。ReLU 的定義如式(2-7)所示：f ( x ) Max (0, x )(ReLU 激活函數(shù)在一定程度上解決了部分梯度消失的問題，因此可以使用的方式進行深層次神經(jīng)網(wǎng)絡(luò)的訓練。ReLU 激活函數(shù)影像如圖 2-5 所示：

【參考文獻】

相關(guān)期刊論文 前10條

1 張景虎;孔芳;;人工智能算法在圖像處理中的應(yīng)用[J];電子技術(shù)與軟件工程;2014年08期

2 蔡紅s

本文編號：2786982