【摘要】：隨著遙感圖像的應(yīng)用越來越廣泛,傳統(tǒng)的利用人工方法來對圖像中的目標(biāo)進(jìn)行檢測與識別已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足現(xiàn)在的需求。由于遙感圖像的數(shù)據(jù)量大,目標(biāo)類型復(fù)雜,紋理信息豐富,場景大而變化多,目前的目標(biāo)檢測方法準(zhǔn)確率并不是很高,常常還會出現(xiàn)漏檢,影響目標(biāo)檢測的性能。因此,如何利用遙感圖像的多譜信息,采用合理有效的處理方法來改善和提高遙感圖像的目標(biāo)分類與識別性能,是目前研究者越來越關(guān)注的話題。本文以遙感圖像中的道路目標(biāo)為對象,利用機(jī)器學(xué)習(xí)技術(shù),從基于特征的道路目標(biāo)描述、傳統(tǒng)機(jī)器學(xué)習(xí)的道路檢測方法及現(xiàn)代機(jī)器學(xué)習(xí)的道路識別技術(shù)等三個方面,深入研究道路目標(biāo)的分類與識別。論文工作主要包括:(1)基于紋理特征的道路目標(biāo)描述。利用圖像灰度共生矩陣GLCM,有效地提取紋理特征來描述道路目標(biāo)。首先,通過分析不同尺寸樣本、不同波段圖像及其GLCM生成參數(shù)對道路目標(biāo)的貢獻(xiàn)情況,選取了RGB彩色空間、G波段和NIR波段遙感圖像,并確定GLCM。然后,通過比較基于GLCM計算的紋理特征量對道路和非道路目標(biāo)的可區(qū)分度,最終確定逆差矩、熵、對比度等3個紋理特征為道路目標(biāo)最有效的特征描述量,用于后期的檢測分類。(2)基于支持向量機(jī)SVM優(yōu)化后的道路分類方法。提出了雙線性分段二分網(wǎng)格搜索方法,優(yōu)化了基于RBF核的SVM分類器參數(shù)確定。首先,在初始搜索范圍內(nèi),尋找出滿足交叉驗證最高正確率所對應(yīng)的懲罰因子,確定最佳搜索段。然后,分段采用二分法,迭代求解出每段SVM的最高正確率所對應(yīng)的最佳參數(shù);最后,找出SVM最高正確率的最大值對應(yīng)的最佳參數(shù),即為SVM模型參數(shù)優(yōu)化結(jié)果。與傳統(tǒng)的雙線性法、網(wǎng)格搜索法和雙線性網(wǎng)格搜索法等方法相比,本文提出的參數(shù)優(yōu)化方法訓(xùn)練量小,計算簡單,學(xué)習(xí)精度高,使得SVM具有更高的泛化性能。在遙感圖像道路目標(biāo)檢測中,準(zhǔn)確率達(dá)到70%。(3)基于深度卷積神經(jīng)網(wǎng)絡(luò)VD-CNN結(jié)構(gòu)的道路識別方法。采用小卷積核疊加策略,選擇不同深度和規(guī)模的卷積層與池化層和全連接層,重構(gòu)了VD8、VD10、Lower VD10及Higher VD10等4種VD-CNN網(wǎng)絡(luò)結(jié)構(gòu)模型。通過4個網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練及識別精度性能對比,重構(gòu)的基于小卷積核疊加的VD10-CNN網(wǎng)絡(luò)結(jié)構(gòu)因其合理的深度,取得了最好的道路分類識別結(jié)果,準(zhǔn)確率達(dá)到93%。
【圖文】：

和技術(shù)還是存在著不少的難點和問題，依然需要科研工作者的高度重視。只有繼續(xù)改進(jìn)和提高目標(biāo)分類與識別性能，才能真正發(fā)揮出高分辨率遙感圖像目標(biāo)分類與識別系統(tǒng)在國民經(jīng)濟(jì)發(fā)展的重要作用。1.2 研究問題描述與處理框架目標(biāo)分類與識別技術(shù)研究的地物目標(biāo)主要有道路、河流、橋梁、機(jī)場、飛機(jī)、港口碼頭、船舶等典型民用、軍事目標(biāo)。這些目標(biāo)信息大多是依賴于可見光、紅外、微波毫米波、雷達(dá)等不同的傳感器來獲取。本文研究的多光譜遙感圖像信息主要將來自于可見光和紅外波段傳感器獲取的影像數(shù)據(jù)。在通常情況下，可見光圖像空間分辨率高、呈現(xiàn)的目標(biāo)特征明顯，形狀直觀清楚、紋理信息豐富。不過，可見光圖像因受到光照條件影響和空中云霧干擾其圖像質(zhì)量會大大下降。紅外傳感器能夠捕獲目標(biāo)的熱輻射特征，所以，紅外波段圖像能夠反映出目標(biāo)的物理特性且沒有背景的干擾問題。但是，紅外波段圖像信噪比較低、對比度較差。相對于可見光圖像，獲取目標(biāo)大多沒有形狀和紋理信息。結(jié)合可見光和紅外波段的圖像信息用于地物目標(biāo)分類識別，是目前多光譜遙感圖像目標(biāo)分類與識別的主要手段之一。

圖像的單一目標(biāo)分類識別，其處理框架主要包括如圖 1.2 所和分類識別等 4 個部分。各部分處理內(nèi)容如下：利用已知目標(biāo)的先驗信息如模板、邊緣、輪廓，在遙感圖像信息。根據(jù)圖像的灰度值、彩色 RGB 三色值、亮度、紋理、形狀個圖像分成互不相交的若干個區(qū)域。同一區(qū)域內(nèi)特征應(yīng)一致明顯不同。針對目標(biāo)，提取反映目標(biāo)和其他不同目標(biāo)的不同類別的特征唯一性和可區(qū)分性。圖像特征是指圖像的原始本身的屬性，，、紋理或色彩等視覺直接感受到的自然特征；變換頻譜、直測量等技術(shù)才能得到的人為特征。根據(jù)特征提取，對目標(biāo)進(jìn)行有效的描述，以此通過分類器進(jìn)中的目標(biāo)進(jìn)行分類并識別。例如，圖像目標(biāo)類型可以利用機(jī)到相應(yīng)的目標(biāo)描述模型，然后，利用該模型再對測試圖像中
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP751;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王叢;;學(xué)習(xí)目標(biāo)分類理論的意義[J];內(nèi)蒙古教育;2016年19期

2 劉倩蘭;;視頻中運(yùn)動目標(biāo)分類識別技術(shù)[J];電腦迷;2017年03期

3 王曙光;田西蘭;;基于功率譜估計的雷達(dá)氣動目標(biāo)分類方法[J];數(shù)字技術(shù)與應(yīng)用;2017年05期

4 趙洪立;王曙光;;基于多普勒頻譜結(jié)構(gòu)的雷達(dá)氣動目標(biāo)分類方法[J];科技視界;2017年06期

5 宋玉蓉;;好課好風(fēng)采[J];好家長;2017年13期

6 陳坪;;基于布盧姆目標(biāo)分類學(xué)理論的教學(xué)實踐[J];文學(xué)教育(下);2013年10期

7 張棣華;;關(guān)于閱讀的評價目標(biāo)分類問題[J];上海教育科研;1987年03期

8 D.Giuli;M.Gherardelli;M.Fossi;王德純;;用極化判別進(jìn)行目標(biāo)分類和識別[J];現(xiàn)代雷達(dá);1987年02期

9 J.S.陳;E.K.沃爾頓;陳振邦;;兩種目標(biāo)分類技術(shù)的比較[J];國外艦船技術(shù).雷達(dá)與對抗;1987年04期

10 A. Farina;A. Visconti;陳振邦;;利用多重假設(shè)測試法對雷達(dá)目標(biāo)分類[J];國外艦船技術(shù).雷達(dá)與對抗;1988年Z1期

相關(guān)會議論文 前10條

1 閆yN;;特征選擇方法在目標(biāo)分類識別中的應(yīng)用研究[A];2014年水聲對抗技術(shù)學(xué)術(shù)交流會論文集[C];2014年

2 周彬;余杰;毛世彪;孫微;;基于層次聚類的水聲目標(biāo)分類技術(shù)研究[A];浙江省信號處理學(xué)會2015年學(xué)術(shù)年會論文集[C];2015年

3 盧家楣;劉偉;賀雯;;課堂教學(xué)的情感目標(biāo)分類與測評[A];第十一屆全國心理學(xué)學(xué)術(shù)會議論文摘要集[C];2007年

4 曹東;王文光;陳城;;基于微動特征的道路場景運(yùn)動目標(biāo)分類[A];第十三屆全國信號和智能信息處理與應(yīng)用學(xué)術(shù)會議論文集[C];2019年

5 劉坤;劉福臣;;基于波數(shù)能量差異特征的被動目標(biāo)分類方法[A];2017中國西部聲學(xué)學(xué)術(shù)交流會論文集[C];2017年

6 羅環(huán)環(huán);;基于聚類算法的多源目標(biāo)分類問題[A];中國造船工程學(xué)會電子技術(shù)學(xué)術(shù)委員會2017年裝備技術(shù)發(fā)展論壇論文集[C];2017年

7 任皓;計科峰;張愛兵;周石琳;;一種利用方位角信息的SAR目標(biāo)分類方法[A];第七屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2009年

8 丘昌鎮(zhèn);任皓;鄒煥新;周石琳;;基于PCA和2D-PCA特征的SAR圖像目標(biāo)分類性能比較[A];第十四屆全國信號處理學(xué)術(shù)年會(CCSP-2009)論文集[C];2009年

9 杜栓平;曹正良;;時間—頻率域特征提取及其應(yīng)用[A];2005年全國水聲學(xué)學(xué)術(shù)會議論文集[C];2005年

10 王強(qiáng);曾向陽;;深度學(xué)習(xí)方法及其在水下目標(biāo)識別中的應(yīng)用[A];中國聲學(xué)學(xué)會水聲學(xué)分會2015年學(xué)術(shù)會議論文集[C];2015年

相關(guān)重要報紙文章 前3條

1 楊文;我省婦兒發(fā)展有了新目標(biāo)[N];山西日報;2007年

2 顏景運(yùn);千分考核促發(fā)展[N];中國質(zhì)量報;2003年

3 廣東 蔡凡弟;無線IC卡的應(yīng)用[N];電子報;2001年

相關(guān)博士學(xué)位論文 前10條

1 白繼嵩;水下圖像處理及目標(biāo)分類關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2017年

2 李峰;智能視頻監(jiān)控系統(tǒng)中的行人運(yùn)動分析研究[D];中國科學(xué)技術(shù)大學(xué);2011年

3 梁鵬;基于內(nèi)容的目標(biāo)分類識別關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2011年

4 孟繁鋒;視頻目標(biāo)分類、跟蹤及行為分析研究[D];哈爾濱工業(yè)大學(xué);2009年

5 曹健;基于局部特征的圖像目標(biāo)識別技術(shù)研究[D];北京理工大學(xué);2010年

6 聞帆;基于視覺的交通路口車輛智能檢測技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2010年

7 計科峰;SAR圖像目標(biāo)特征提取與分類方法研究[D];中國人民解放軍國防科學(xué)技術(shù)大學(xué);2003年

8 陳曉博;視頻監(jiān)控系統(tǒng)中的運(yùn)動目標(biāo)識別匹配及跟蹤算法研究[D];北京郵電大學(xué);2011年

9 鄒騰躍;復(fù)雜環(huán)境目標(biāo)檢測與跟蹤關(guān)鍵技術(shù)研究及應(yīng)用[D];華中科技大學(xué);2013年

10 李志華;智能視頻監(jiān)控系統(tǒng)目標(biāo)跟蹤與分類算法研究[D];浙江大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 施皓晨;基于機(jī)器學(xué)習(xí)的多光譜遙感圖像道路目標(biāo)分類識別方法研究[D];南京航空航天大學(xué);2018年

2 木薩(MOUSSA AMRANI);雷達(dá)目標(biāo)分類算法的研究與開發(fā)[D];哈爾濱工業(yè)大學(xué);2018年

3 陳玉潔;SAR圖像飛機(jī)目標(biāo)分類識別技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2016年

4 汶茂寧;基于輪廓波CNN和選擇性注意機(jī)制的高分辨SAR目標(biāo)檢測和分類[D];西安電子科技大學(xué);2018年

5 張藝爍;基于詞序列核函數(shù)的專利設(shè)計目標(biāo)分類方法研究[D];河北工業(yè)大學(xué);2016年

6 陳大海;智能視頻監(jiān)控系統(tǒng)中目標(biāo)分類技術(shù)研究與應(yīng)用[D];廣西大學(xué);2011年

7 李永輝;智能視頻監(jiān)控的運(yùn)動目標(biāo)分類技術(shù)研究[D];華南理工大學(xué);2014年

8 刁銳;知識目標(biāo)分類下的概念圖教學(xué)應(yīng)用研究[D];四川師范大學(xué);2014年

9 趙紫蕙;微多普勒效應(yīng)在飛機(jī)目標(biāo)分類中的應(yīng)用研究[D];西安電子科技大學(xué);2014年

10 阮龍;窄帶雷達(dá)飛機(jī)目標(biāo)分類方法和雜波抑制方法研究[D];西安電子科技大學(xué);2013年

本文編號：2604861