隨著信息時(shí)代的來臨,對(duì)地觀測技術(shù)的發(fā)展也進(jìn)入到日新月異的階段。其中遙感技術(shù)在最近10年更是發(fā)展迅速,并在各個(gè)領(lǐng)域都有廣泛的應(yīng)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(diǎn)檢測),城市規(guī)劃與管理,水質(zhì)量監(jiān)測,生態(tài)環(huán)境評(píng)估,全球變暖,全球森林資源評(píng)估,遙感和計(jì)算機(jī)技術(shù)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(shù),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(duì)具體應(yīng)用開展研究,這對(duì)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(shù),依次介紹了基于底層特征(詞袋模型)、基于像素級(jí)語義信息、基于對(duì)象級(jí)語義信息的遙感圖像檢索方法,具體實(shí)現(xiàn)了基于深度學(xué)習(xí)模型的像素級(jí)語義信息提取、設(shè)計(jì)了基于像素級(jí)和對(duì)象級(jí)語義特征提取方法,并以此為基礎(chǔ)構(gòu)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(píng)價(jià)指標(biāo),并針對(duì)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(duì)其性能的影響。此外,將Dense SIFT與空間分塊策略進(jìn)行結(jié)合應(yīng)用于詞袋模型,并基于此實(shí)現(xiàn)遙感圖像檢索。(2)重點(diǎn)介紹了目前深度學(xué)習(xí)方法在基于遙感像素級(jí)語義信息提取方面的應(yīng)用,闡述了常用的深度學(xué)習(xí)模型原理及其各自的特點(diǎn)與應(yīng)用方向,特別地,對(duì)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)組成以及模塊的功能進(jìn)行了分析。針對(duì)高分辨率影像,構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的像素級(jí)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(luò)的作用。(3)分別在光譜維和空間維構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)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(duì)高光譜影像分類的影響;然后將空間維和光譜維信息進(jìn)行結(jié)合構(gòu)建光譜-空間維卷積神經(jīng)網(wǎng)絡(luò),相較于之前提出的兩種網(wǎng)絡(luò)結(jié)構(gòu)模型,該模型可以提升高光譜遙感影像分類精度。針對(duì)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(jié)構(gòu)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(jìn)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(duì)SSIM-FDPC方法中的結(jié)構(gòu)度、對(duì)比度和亮度三個(gè)因子的敏感性進(jìn)行了分析。最后,對(duì)不同的高光譜降維方法與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合在高光譜遙感影像中的分類性能進(jìn)行對(duì)比,分析不同的特征維數(shù)對(duì)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(duì)遙感影像分類圖,提出了基于像素級(jí)語義信息的特征提取方法,并基于此設(shè)計(jì)了一個(gè)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(jìn)行檢索。此外,為豐富檢索結(jié)果以及方便用戶對(duì)檢索區(qū)域進(jìn)行定位與查看,對(duì)具有重疊區(qū)域的場景進(jìn)行合并顯示,并依據(jù)采用的“投影方式”計(jì)算場景中心的地理坐標(biāo)。為提高檢索速度以及滿足不同尺度檢索的需求,提出了構(gòu)建基準(zhǔn)特征庫以及特征拼接的策略。(5)針對(duì)基于對(duì)象級(jí)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(duì)象級(jí)語義信息提取方法(直接法)和基于遙感影像像素級(jí)語義信息的對(duì)象級(jí)語義信息提取方法(間接法),并以此為基礎(chǔ),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(duì)高分辨率遙感影像為例,實(shí)現(xiàn)“像素級(jí)語義信息提取→對(duì)象級(jí)語義信息提取→基于對(duì)象級(jí)語義信息的遙感影像檢索”處理流程。
【學(xué)位單位】：武漢大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)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(xué)習(xí)模型原理及其各自的特點(diǎn)與應(yīng)用方向，特別地，對(duì)卷積祌經(jīng)網(wǎng)絡(luò)??的結(jié)構(gòu)組成以及模塊的功能進(jìn)行了分析。針對(duì)高分辨率影像，構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)??的像素級(jí)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(luò)的??作用。??（３）分別在光譜維和空間維構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)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(duì)高光譜影像分類的影響；然后將空間維和光譜維信息??進(jìn)行結(jié)合構(gòu)建光譜－空間維卷積神經(jīng)網(wǎng)絡(luò)，相較于之前提出的兩種網(wǎng)絡(luò)結(jié)構(gòu)模型，該??模型可以提升高光譜遙感影像分類精度。針對(duì)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(jié)構(gòu)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(jìn)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(duì)ＳＳＩＭ－ＦＤＰＣ方法中的結(jié)構(gòu)度、對(duì)??比度和亮度三個(gè)因子的敏感性進(jìn)行了分析。最后，對(duì)不同的高光譜降維方法與卷積神??經(jīng)網(wǎng)絡(luò)結(jié)合在高光譜遙感影像中的分類性能進(jìn)行對(duì)比，分析不同的特征維數(shù)對(duì)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(jìn)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(duì)圖像進(jìn)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(jìn)行相似性度量，??最后根據(jù)相似性度量結(jié)果從影像數(shù)據(jù)庫中按照相似性排序返回檢索結(jié)果，用戶對(duì)結(jié)果??進(jìn)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(gè)關(guān)鍵的步驟：一是合適的特征提取方法；二是準(zhǔn)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(jié)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(xué)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(bào)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(gè)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(dú)立的視覺詞匯，通常需要；２）基于提取的特征，學(xué)習(xí)視覺詞匯，構(gòu)建視覺詞匯字典行量化，生成視覺詞匯直方圖。??
【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

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

相關(guān)博士學(xué)位論文 前3條

1 劉大偉;高分辨率遙感影像分割方法及應(yīng)用研究[D];長安大學(xué);2016年

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

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

相關(guān)碩士學(xué)位論文 前1條

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

本文編號(hào)：2856618