隨著信息時代的來臨,對地觀測技術的發(fā)展也進入到日新月異的階段。其中遙感技術在最近10年更是發(fā)展迅速,并在各個領域都有廣泛的應用,例如:農(nóng)業(yè)(農(nóng)作物生長管理、牧場監(jiān)測),海洋(船只檢測、溢油點檢測),城市規(guī)劃與管理,水質(zhì)量監(jiān)測,生態(tài)環(huán)境評估,全球變暖,全球森林資源評估,遙感和計算機技術的不斷發(fā)展催生了遙感數(shù)據(jù)的爆炸式增長。面向海量遙感影像數(shù)據(jù),基于遙感影像檢索技術,從中快速高效地為用戶提供高質(zhì)量遙感數(shù)據(jù),方便用戶針對具體應用開展研究,這對于提升遙感數(shù)據(jù)的信息挖掘能力,并最終提升遙感影像利用率具有重要意義。本論文圍繞基于內(nèi)容的遙感圖像檢索技術,依次介紹了基于底層特征(詞袋模型)、基于像素級語義信息、基于對象級語義信息的遙感圖像檢索方法,具體實現(xiàn)了基于深度學習模型的像素級語義信息提取、設計了基于像素級和對象級語義特征提取方法,并以此為基礎構建基于遙感語義特征的圖像檢索系統(tǒng)。本文主要研究內(nèi)容如下:(1)系統(tǒng)地介紹了基于底層特征的遙感圖像檢索常用的特征提取方法、相似性度量算法和檢索性能評價指標,并針對底層特征抽象方法—詞袋模型,分析和比較不同的特征提取方法(SIFT和Dense SIFT)對其性能的影響。此外,將Dense SIFT與空間分塊策略進行結合應用于詞袋模型,并基于此實現(xiàn)遙感圖像檢索。(2)重點介紹了目前深度學習方法在基于遙感像素級語義信息提取方面的應用,闡述了常用的深度學習模型原理及其各自的特點與應用方向,特別地,對卷積神經(jīng)網(wǎng)絡的結構組成以及模塊的功能進行了分析。針對高分辨率影像,構建基于卷積神經(jīng)網(wǎng)絡的像素級語義信息提取模型,并討論和分析Batch Normalization在卷積神經(jīng)網(wǎng)絡的作用。(3)分別在光譜維和空間維構建基于卷積神經(jīng)網(wǎng)絡的高光譜遙感影像分類模型,分析和比較光譜維和空間維信息對高光譜影像分類的影響;然后將空間維和光譜維信息進行結合構建光譜-空間維卷積神經(jīng)網(wǎng)絡,相較于之前提出的兩種網(wǎng)絡結構模型,該模型可以提升高光譜遙感影像分類精度。針對高光譜遙感影像信息提取中維數(shù)過高的問題,提出了基于結構相似度的快速密度峰值聚類波段選擇方法(SSIM-FDPC),與FDPC和EFDPC方法進行了分析與比較,相較于FDPC和EFDPC,SSIM-FDPC在波段選擇方面有著更穩(wěn)健與更優(yōu)的性能。然后,對SSIM-FDPC方法中的結構度、對比度和亮度三個因子的敏感性進行了分析。最后,對不同的高光譜降維方法與卷積神經(jīng)網(wǎng)絡結合在高光譜遙感影像中的分類性能進行對比,分析不同的特征維數(shù)對分類精度的影響并比較不同的降維方法的穩(wěn)定性。(4)針對遙感影像分類圖,提出了基于像素級語義信息的特征提取方法,并基于此設計了一個完整的遙感圖像檢索系統(tǒng),它允許用戶選擇任意形狀的大小的感興趣區(qū)域作為參考場景,而不必像傳統(tǒng)的檢索系統(tǒng)需要用戶輸入固定尺寸以及規(guī)則形狀的圖片來進行檢索。此外,為豐富檢索結果以及方便用戶對檢索區(qū)域進行定位與查看,對具有重疊區(qū)域的場景進行合并顯示,并依據(jù)采用的“投影方式”計算場景中心的地理坐標。為提高檢索速度以及滿足不同尺度檢索的需求,提出了構建基準特征庫以及特征拼接的策略。(5)針對基于對象級語義信息的遙感影像檢索,介紹了傳統(tǒng)的基于圖像分割的對象級語義信息提取方法(直接法)和基于遙感影像像素級語義信息的對象級語義信息提取方法(間接法),并以此為基礎,利用基于交互信息熵的相似性度量方法來比較場景之間相似度。以對高分辨率遙感影像為例,實現(xiàn)“像素級語義信息提取→對象級語義信息提取→基于對象級語義信息的遙感影像檢索”處理流程。
【學位單位】：武漢大學
【學位級別】：博士
【學位年份】：2018
【中圖分類】：P237
【部分圖文】：

圖１．１：論文研究思路??述了常用的深度學習模型原理及其各自的特點與應用方向，特別地，對卷積祌經(jīng)網(wǎng)絡??的結構組成以及模塊的功能進行了分析。針對高分辨率影像，構建基于卷積神經(jīng)網(wǎng)絡??的像素級語義信息提取模型，并討論和分析Ｂａｔｃｈ?Ｎｏｒｍａｌｉｚａｔｉｏｎ在卷積祌經(jīng)網(wǎng)絡的??作用。??（３）分別在光譜維和空間維構建基于卷積神經(jīng)網(wǎng)絡的高光譜遙感影像分類模型，分??析和比較光譜維和空間維信息對高光譜影像分類的影響；然后將空間維和光譜維信息??進行結合構建光譜－空間維卷積神經(jīng)網(wǎng)絡，相較于之前提出的兩種網(wǎng)絡結構模型，該??模型可以提升高光譜遙感影像分類精度。針對高光譜遙感影像信息提取中維數(shù)過高的??Ｈ題，提出了基于結構相似度的快速密度峰值聚類波段選擇方法（ＳＳＩＭ－ＦＤＰＣ），與??ＦＤ丨和ＥＦＤＰＣ方法進行了分析與比較，相較于ＦＤＰＣ和ＥＦＤＰＣ，?ＳＳＩＭ－ＦＤＰＣ；在??波段選擇方面有著更穩(wěn)健與更優(yōu)的性能。然后，對ＳＳＩＭ－ＦＤＰＣ方法中的結構度、對??比度和亮度三個因子的敏感性進行了分析。最后，對不同的高光譜降維方法與卷積神??經(jīng)網(wǎng)絡結合在高光譜遙感影像中的分類性能進行對比，分析不同的特征維數(shù)對分類精??

２．１概述??基于內(nèi)容的遙感圖像檢索通常是借助于遙感圖像的特征來進行，這些特征可以是??圖像或場景的光譜特征、紋理特征或者形狀特征。圖２．１是基于內(nèi)容的圖像檢索原理框??圖，給定待檢索影像，在對圖像進行分析之后，首先提取其特征，然后將該特征與特??征數(shù)據(jù)庫中的特征（特征數(shù)據(jù)庫中的特征提取通常在離線部分完成）進行相似性度量，??最后根據(jù)相似性度量結果從影像數(shù)據(jù)庫中按照相似性排序返回檢索結果，用戶對結果??進行瀏覽或根據(jù)需要選擇合適的圖像。由上述工作原理可知，基于特征的圖像檢索系??統(tǒng)包含兩個關鍵的步驟：一是合適的特征提取方法；二是準確的相似性度量算法。??檢輸索入４?特征提�。蹋猓欤椋瑁�?—?＿??特征丨表＊?相似性度量?％％??Ｉ?結果??圖像數(shù)據(jù)庫?特征數(shù)據(jù)庫??圖２．１：基于內(nèi)容的圖像檢索示意圖??在過去的幾年中，學者們提出了許多用于圖像表示和檢索的各種底層圖像特征描??述方法，報據(jù)提取的圖像特征描述的性質(zhì)可以將其分為兩種類型：全局特征和局部特??征。圖像全局特征（例如顏色，紋理和形狀特征）通常是在分析整個圖像所包含的像??素之后獲得的表征圖像全局的信息。圖像局部特征描述符通常使用諸如區(qū)域

ＢｏＶＷ模型將圖像中的視覺特征作為單詞，出現(xiàn)的頻率，即視覺詞匯特征直方圖。由于圖像中的詞匯不，因此需要從圖像中提取相互獨立的視覺詞匯，通常需要；２）基于提取的特征，學習視覺詞匯，構建視覺詞匯字典行量化，生成視覺詞匯直方圖。??
【參考文獻】

相關期刊論文 前1條

1 蔡少華,翟戰(zhàn)強;GIS基礎空間關系分析[J];測繪工程;1999年02期

相關博士學位論文 前3條

1 劉大偉;高分辨率遙感影像分割方法及應用研究[D];長安大學;2016年

2 趙珊;基于內(nèi)容的圖像檢索關鍵技術研究[D];西安電子科技大學;2007年

3 程起敏;基于內(nèi)容的遙感影像庫檢索關鍵技術研究[D];中國科學院研究生院（遙感應用研究所）;2004年

相關碩士學位論文 前1條

1 王長明;遙感影像檢索技術的研究與實現(xiàn)[D];太原理工大學;2011年

本文編號：2856618