伴隨我國(guó)高分辨率對(duì)地觀測(cè)系統(tǒng)的啟動(dòng),高空間分辨率（下文簡(jiǎn)稱“高分辨率”）遙感影像數(shù)據(jù)也呈現(xiàn)海量增長(zhǎng)。高分辨率遙感影像具有空間分辨率高、影像復(fù)雜程度高、光譜信息欠缺、類內(nèi)差異大以及幾何紋理等特征豐富的特點(diǎn),利用傳統(tǒng)的遙感影像分類方法對(duì)其進(jìn)行分類效果不理想,亟須尋找一種高精度、快速高效的影像分類方法。而近年來(lái)深度學(xué)習(xí)技術(shù)迅猛發(fā)展,針對(duì)這一問(wèn)題,本文將深度學(xué)習(xí)技術(shù)用于了高分辨率遙感影像分類,考慮到高分影像光譜信息欠缺,所以構(gòu)建了多類影像特征作為其補(bǔ)充,提出了一種基于多類特征深度學(xué)習(xí)的高分辨率遙感影像分類方法,共完成了以下幾點(diǎn)工作:第一,闡述了國(guó)內(nèi)外對(duì)于深度學(xué)習(xí)技術(shù)以及遙感影像分類的研究現(xiàn)狀。介紹了常用的遙感影像分類方法,并指出了深度學(xué)習(xí)方法在高分辨率遙感影像分類中的優(yōu)勢(shì)。第二,介紹了高分辨率遙感影像的深度學(xué)習(xí)分類方法。對(duì)幾種常見(jiàn)的影像分類深度模型進(jìn)行了闡述,通過(guò)具體的比較和分析,選取了較優(yōu)的U-Net模型進(jìn)行后續(xù)的高分辨率遙感影像分類研究。第三,介紹了高分辨率遙感影像的多類特征構(gòu)建�？紤]到高分辨率遙感影像的光譜信息較為欠缺,但包含豐富的空間、紋理等信息,所以文中分別構(gòu)建了四種影像特征,即影像... 

【文章來(lái)源】：北京建筑大學(xué)北京市

【文章頁(yè)數(shù)】：104 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的區(qū)別與聯(lián)系Fig.1-1Thedifferenceandconnectionbetweenartificialintelligence,machinelearninganddeeplearning

圖 2-1 深度學(xué)習(xí)模型中的卷積過(guò)程圖Fig.2-1 The convolution procedure diagram in deep learning model在圖 2-1 中，輸入圖像的大小為（7×7×3），卷積核尺寸為（3×3×3），核個(gè)數(shù)為2，其移動(dòng)步長(zhǎng)為 2。W0 卷積核的第 0 通道元素與輸入圖像對(duì)應(yīng)窗口的第 0 通道元素相乘再求和得到值 0；W0 卷積核的第 1 通道元素與圖像對(duì)應(yīng)窗口的第 1 通道元素相乘再求和得到值 2；W0 卷積核的第 2 通道元素與輸入圖像對(duì)應(yīng)窗口的第 2 通道元素相乘再求和得到值 0。將得到的 3 個(gè)值相加，再加上 W0 卷積核對(duì)應(yīng)的偏置參數(shù)，則有 0+2+0+1=3，即求得了右邊特征圖的第 1 個(gè)元素值，滑動(dòng)卷積核以此類推方可求得特征圖的其它元素值。在使用卷積核滑動(dòng)遍歷圖像時(shí)，對(duì)于圖像的邊界像素有兩種處理方式，一是采取“舍棄”的方式，二是采取“補(bǔ)全”的方式�！吧釛墶钡姆绞骄褪钦f(shuō)當(dāng)卷積核在進(jìn)行遍歷操作時(shí)，最后剩余了一個(gè)或幾個(gè)像素，無(wú)法與卷積核進(jìn)行卷積操作，這時(shí)候可以將多余的這一個(gè)或幾個(gè)像素直接舍棄掉。當(dāng)使用這種方式進(jìn)行卷積操作時(shí)，輸出的特征圖尺寸大小可用式（2-2）計(jì)算得到。out_height ceilin_height filter_height strides hout_width ceilin_width filter_width

的是指當(dāng)卷積核滑動(dòng)到圖像的邊緣，，這時(shí)候可以在邊界處補(bǔ)充一個(gè)或幾進(jìn)行卷積運(yùn)算操作。當(dāng)采用這種方式out_height ceilin_heightstrides hout_width ceilin_widthstrides[w]2-2）式中相同。卷積層具有局部連接都是與圖像的局部窗口相連[57]，這個(gè)與卷積核的尺寸相同，卷積核在深度部連接的具體示意圖。


本文編號(hào)：2911592