高空間分辨率遙感影像（簡稱高分影像）能夠快速記錄地物幾何、紋理、形狀、色彩等信息,是國土調查、城市規(guī)劃、國防安全等領域重要的基礎性數(shù)據(jù),而地物分類是實現(xiàn)高分影像數(shù)據(jù)價值的基本工作。雖然地物分類方法研究已經十分深入,包括:決策樹、支持向量機、隨機森林等,但影像存在的“同類地物差異大、異類地物差異小”問題仍給地物分類造成極大挑戰(zhàn)。因此,有必要結合時代新技術,從計算時間、識別準確率、操作難度三方面進行地物分類研究。目前,卷積神經網(wǎng)絡技術（Convolutional Neural Network,CNN）已在圖像識別、檢測領域取得了突破性進展,其準確率遠遠優(yōu)于傳統(tǒng)的機器學習算法。但是,受公開遙感影像數(shù)據(jù)集數(shù)量少、地域小的限制,CNN技術在高分影像地物分類的應用研究相對不足,尤其表現(xiàn)在高分影像的地物分類領域。為此,深入探究了CNN原理,提出了雙路徑卷積神經網(wǎng)絡模型（Double-Path Convolutional Neural Network Model,DP-CNN）,以促進地物分類研究的發(fā)展。本文工作的主要內容包括以下幾點:（1）總結了遙感影像地物分類主流的傳統(tǒng)方法,梳理了CNN技術的發(fā)展... 

【文章來源】：太原理工大學山西省 211工程院校

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

實驗的運行窗口Fig3-3Theoperationwindowoftheexperiment

太原理工大學碩士研究生學位論文4.1.3 研究區(qū)域的預測場景太原市市轄區(qū)地類分布不均，各類地物交叉分布。在現(xiàn)有硬件設備條件下，將 DPCNN 模型應用于市轄區(qū)多個場景的地類提取。選取了三個差異明顯的場景進行預測，并借助三個場景的預測效果，分析 DP-CNN 模型對不同地物類別的識別效果。具體場景為：場景一：市區(qū)場景；場景二：農村場景；場景三：山區(qū)場景，內容如圖 4-2、圖 43、圖 4-4 所示。

太原理工大學碩士研究生學位論文周邊存在大片耕地。農村場景影像（圖 4-3）以市轄區(qū)南部的某個村莊為中心，選取村莊居民地及周邊耕地，其尺寸大小為 3000×1200。在場景中，居民地建筑物內存在量的植被，村莊有縱橫交錯的水泥道路，村莊周邊部分為耕地，部分為植被，且在村的北部有一條明顯的水泥道路穿過耕地。

【參考文獻】：
期刊論文
[1]基于SegNet語義模型的高分辨率遙感影像農村建設用地提取[J]. 楊建宇,周振旭,杜貞容,許全全,尹航,劉瑞.  農業(yè)工程學報. 2019(05)
[2]結合特征組與分層策略的遙感圖像分類研究[J]. 潘建平,夏鑫,陽春花.  測繪科學. 2019(01)
[3]遙感圖像場景深度學習與應用研究——以城市結構類型識別為例[J]. 李二珠.  地理與地理信息科學. 2018(06)
[4]基于Faster R-CNN深度網(wǎng)絡的遙感影像目標識別方法研究[J]. 王金傳,譚喜成,王召海,鐘燕飛,董華萍,周松濤,成布怡.  地球信息科學學報. 2018(10)
[5]基于特征空間優(yōu)化的隨機森林算法在GF-2影像濕地分類中的研究[J]. 詹國旗,楊國東,王鳳艷,辛秀文,國策,趙強.  地球信息科學學報. 2018(10)
[6]基于U型卷積神經網(wǎng)絡的航空影像建筑物檢測[J]. 伍廣明,陳奇,Ryosuke SHIBASAKI,郭直靈,邵肖偉,許永偉.  測繪學報. 2018(06)
[7]高分辨率遙感影像場景的多尺度神經網(wǎng)絡分類法[J]. 鄭卓,方芳,劉袁緣,龔希,郭明強,羅忠文.  測繪學報. 2018(05)
[8]基于空間LDA模型的高分辨率遙感影像地物覆蓋分類[J]. 李楊,邵華,江南,施歌,丁遠.  農業(yè)工程學報. 2018(08)
[9]SAT-CNN:基于卷積神經網(wǎng)絡的遙感圖像分類算法[J]. 張德園,常云翔,張利國,石祥濱.  小型微型計算機系統(tǒng). 2018(04)
[10]采用改進全卷積網(wǎng)絡的“高分一號”影像居民地提取[J]. 潘旭冉,楊帆,潘國峰.  電訊技術. 2018(02)

碩士論文
[1]基于CNN的遙感圖像分類與檢測方法的研究[D]. 房正正.北京化工大學 2017



本文編號：2984886