高分辨率遙感影像能夠詳細的描述地面物體的細節(jié)信息和復雜程度,與中低分辨率遙感影像相比,其在地物紋理、形狀、光譜特征等方面都有更出色的表現(xiàn),因此被廣泛應用于地物分類、地表觀測、自然資源動態(tài)監(jiān)測等領域。而針對中低分辨率遙感影像的基于像元的分類方法和淺層機器學習算法無法滿足高分辨率遙感影像的分類需求,如何使高分辨率遙感影像的分類效率和精度得到提高,已成為當前研究的熱點。隨著計算機性能的不斷提高與人工智能的深入發(fā)展,大批學者已將深度學習方法應用于各個領域。研究表明,深度學習方法能夠有效解決海量影像分類判別等前沿問題,為基于深度學習方法對高分辨率遙感影像的分類研究提供了可靠支撐。近年來,深度卷積神經(jīng)網(wǎng)絡作為深度學習模型,在圖像識別領域?qū)崿F(xiàn)了重大突破。其核心思想是利用模型局部感受野、權值共享、池化操作等結(jié)合起來,優(yōu)化網(wǎng)絡,使其具有一定程度的平移、縮放、扭曲變形等的不變性。本文基于深度卷積神經(jīng)網(wǎng)絡模型,提取了高分辨率遙感影像的濕地類型信息,更好的表達深度特征,挖掘地物信息。本文主要研究內(nèi)容包括:（1）研究遙感影像傳統(tǒng)監(jiān)督分類與非監(jiān)督分類方法;對深度學習方法進行研究,從網(wǎng)絡結(jié)構(gòu)、參數(shù)設置等方面對深度卷... 

【文章來源】：哈爾濱師范大學黑龍江省

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【部分圖文】：

黑龍江公別拉河國家級自然保護區(qū)位置示意圖

圖 2-2 研究區(qū)真彩色影像圖Fig.2-2 True color image of study area根據(jù) 2018 年 6 月野外實地采樣數(shù)據(jù)，結(jié)合遙感影像目視解譯結(jié)果，將，作為精度驗證的依據(jù)。 遙感數(shù)據(jù)預處理

圖 4-2 測試區(qū)范圍Fig.4-2 Test Zone Scope試區(qū)以外的影像分割數(shù)據(jù)分別制作成標準訓練集和驗證集數(shù)據(jù)。和測試集樣本示例如圖 4-3 所示，樣本被掩膜掉的部分 RGB 值均

【參考文獻】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡和深度置信網(wǎng)絡在SAR影像冰水分類的性能評估[J]. 黃冬梅,李明慧,宋巍,王建.  中國圖象圖形學報. 2018(11)
[2]基于集成卷積神經(jīng)網(wǎng)絡的遙感影像場景分類[J]. 張曉男,鐘興,朱瑞飛,高放,張作省,鮑松澤,李竺強.  光學學報. 2018(11)
[3]基于深度學習AlexNet的遙感影像地表覆蓋分類評價研究[J]. 黨宇,張繼賢,鄧喀中,趙有松,余凡.  地球信息科學學報. 2017(11)
[4]結(jié)合均值漂移分割與全卷積神經(jīng)網(wǎng)絡的高分辨遙感影像分類[J]. 方旭,王光輝,楊化超,劉慧杰,閆立波.  激光與光電子學進展. 2018(02)
[5]深度學習相關研究綜述[J]. 張軍陽,王慧麗,郭陽,扈嘯.  計算機應用研究. 2018(07)
[6]卷積神經(jīng)網(wǎng)絡在高分遙感影像分類中的應用[J]. 曹林林,李海濤,韓顏順,余凡,顧海燕.  測繪科學. 2016(09)
[7]高分辨率遙感影像多尺度分割參數(shù)優(yōu)化及其在面向?qū)ο蠓诸愔械膽肹J]. 鄭斕,黃萬里.  亞熱帶資源與環(huán)境學報. 2015(04)
[8]基于多尺度分割的遙感影像濱海濕地分類[J]. 費鮮蕓,王婷,魏雪麗.  遙感技術與應用. 2015(02)
[9]濕地遙感研究進展[J]. 張樹文,顏鳳芹,于靈雪,卜坤,楊久春,常麗萍.  地理科學. 2013(11)
[10]基于最小距離法的遙感圖像分類[J]. 馮登超,陳剛,肖楷樂,杜文雅,吳新穎.  北華航天工業(yè)學院學報. 2012(03)

碩士論文
[1]基于GF-2遙感影像的農(nóng)田面向?qū)ο笞兓瘷z測方法研究[D]. 畢晏琿.吉林大學 2018
[2]基于深度學習技術的高分辨率遙感影像建設用地信息提取研究[D]. 馮麗英.浙江大學 2017
[3]面向?qū)ο蟮耐恋乩?土地覆蓋變化研究[D]. 羅一英.中南大學 2013
[4]面向?qū)ο蟮倪b感圖像分類方法在土地利用土地覆蓋中的應用研究[D]. 張蓉.西南林學院 2008



本文編號：3072732