遙感圖像分類(lèi)一直是遙感領(lǐng)域的研究熱點(diǎn)。對(duì)促進(jìn)國(guó)民經(jīng)濟(jì)發(fā)展有著巨大的作用。遙感圖像的種類(lèi)繁多,特性各異,整體呈現(xiàn)出“三多”和“四高”的特性。“三多”是指多傳感器、多平臺(tái)、多角度,“四高”是指高空間分辨率、高光譜分辨率、高時(shí)相分辨率、高輻射分辨率。這些數(shù)據(jù)特性對(duì)新算法的提出帶來(lái)了新的挑戰(zhàn),多種復(fù)雜的數(shù)據(jù)優(yōu)勢(shì)各異,如何充分利用其優(yōu)點(diǎn)對(duì)遙感圖像解譯是一個(gè)充滿希望的課題,即多源數(shù)據(jù)融合解譯。近年來(lái),深度學(xué)習(xí)作為人工智能領(lǐng)域的核心技術(shù),解決了一系列難題,使得該領(lǐng)域取得了巨大的發(fā)展。本文以深度學(xué)習(xí)為主要方法,面向多源遙感圖像解譯的問(wèn)題,進(jìn)行了深入的研究。按照成像模式,將遙感數(shù)據(jù)分為主動(dòng)成像數(shù)據(jù)圖像和被動(dòng)成像數(shù)據(jù)圖像。因?yàn)橥N成像模式下,數(shù)據(jù)特性相對(duì)比較一致。主動(dòng)成像數(shù)據(jù)圖像包括,SAR圖像,極化SAR圖像和LiDAR數(shù)據(jù)圖像等。被動(dòng)成像數(shù)據(jù)圖像包括,全色圖像,RGB圖像,多光譜圖像,高光譜圖像等�？v向分析同種成像模式下的數(shù)據(jù)特性和解譯優(yōu)勢(shì),橫向結(jié)合不同成像模式的優(yōu)點(diǎn),兩者結(jié)合提升對(duì)遙感圖像解譯能力。在本文的工作中,充分考慮圖像之間的關(guān)系,構(gòu)建合理、高效的模型,應(yīng)用于多源遙感圖像分類(lèi)任務(wù),并取得了良好的分類(lèi)的性能。這些研究成果也被國(guó)內(nèi)外同行專家給出了充分的肯定,具體內(nèi)容有:1.針對(duì)傳統(tǒng)分類(lèi)框架,圖像結(jié)構(gòu)信息被破壞了的問(wèn)題,設(shè)計(jì)了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)和矩陣分類(lèi)器的極化SAR圖像分類(lèi)的方法,該方法克服了以往算法將二維特征空間結(jié)構(gòu)破壞的弊端,保留了目標(biāo)的空間特征,提升了極化SAR圖像的分類(lèi)準(zhǔn)確率。該方法創(chuàng)造性的在深度卷積神經(jīng)網(wǎng)絡(luò)中引入了支撐矩陣機(jī),將兩者有機(jī)的結(jié)合,針對(duì)極化SAR圖像分類(lèi)問(wèn)題,建立了新的分類(lèi)框架。為了驗(yàn)證算法的性能和魯棒性,我們選取常用的兩個(gè)極化SAR數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)效果均優(yōu)于其他對(duì)比算法,這也驗(yàn)證了抓取圖像的空間結(jié)構(gòu)信息有助于區(qū)分一些頑固的數(shù)據(jù)點(diǎn),從而提升模型的判別能力,提升分類(lèi)的準(zhǔn)確率。2.為了提取和保留最原始的極化SAR數(shù)據(jù)信息,設(shè)計(jì)了一種基于極化散射編碼和全卷積網(wǎng)絡(luò)的極化卷積圖像分類(lèi)方法,又稱為極化卷積網(wǎng)絡(luò)。極化散射編碼可以保持散射矩陣的結(jié)構(gòu)信息,避免將矩陣分解成一維矢量。巧合的是,卷積網(wǎng)絡(luò)需要二維輸入,其中極化散射編碼矩陣滿足這一條件。我們?cè)O(shè)計(jì)了一個(gè)改進(jìn)的全卷積網(wǎng)絡(luò)來(lái)對(duì)極化散射編碼的數(shù)據(jù)進(jìn)行分類(lèi)。為了使實(shí)驗(yàn)更全面、更有效,實(shí)驗(yàn)數(shù)據(jù)集由兩顆衛(wèi)星的四組數(shù)據(jù)組成,對(duì)比算法包括傳統(tǒng)方法和最新方法。實(shí)驗(yàn)結(jié)果表明,該算法具有較強(qiáng)的魯棒性和較好的分類(lèi)效果,分類(lèi)圖與地面真實(shí)標(biāo)記圖非常接近,分類(lèi)精度高于對(duì)比算法。主要原因在于所提出的算法能夠在原始數(shù)據(jù)中保留圖像的結(jié)構(gòu)信息。實(shí)驗(yàn)結(jié)果也證實(shí)了上述推論。通過(guò)對(duì)比實(shí)驗(yàn),我們發(fā)現(xiàn)極化散射編碼確實(shí)是有效的。對(duì)于這種編碼,所設(shè)計(jì)的分類(lèi)網(wǎng)絡(luò)的性能更優(yōu)。3.針對(duì)全色圖像和多光譜圖像分類(lèi)過(guò)程繁瑣的情況,設(shè)計(jì)了一種基于空譜信息融合的深度多示例學(xué)習(xí)模型,用于對(duì)多光譜和全色圖像進(jìn)行分類(lèi)。首先,利用堆棧自編碼網(wǎng)絡(luò)(SAE)從多光譜圖像中提取光譜特征,并利用深度卷積神經(jīng)網(wǎng)絡(luò)從全色圖像中獲取空間特征。然后將兩種特征進(jìn)行級(jí)聯(lián)表示,將其輸入到具有三個(gè)完全連接層的融合網(wǎng)絡(luò)中,融合和學(xué)習(xí)高層特征。最后,使用Softmax分類(lèi)器對(duì)特征進(jìn)行分類(lèi)識(shí)別。從結(jié)果的可視化分析來(lái)看,分類(lèi)結(jié)果非常接近地面實(shí)況圖。該方法取得了滿意的結(jié)果。因此,通過(guò)在四個(gè)數(shù)據(jù)集上驗(yàn)證本章算法,展示了其很強(qiáng)的魯棒性,說(shuō)明本章提出的深度多示例學(xué)習(xí)框架能夠很好的解決全色圖像和多光譜圖像融合分類(lèi)的任務(wù)。4.從多視圖角度考慮多源圖像分類(lèi)問(wèn)題,提出了一種深度多視圖聯(lián)合學(xué)習(xí)網(wǎng)絡(luò),用于多源遙感數(shù)據(jù)分類(lèi),包括多光譜圖像,高光譜圖像,LiDAR數(shù)據(jù)。高光譜圖像具有豐富的光譜特性,LiDAR圖像可以獲得高度和強(qiáng)度信息。多光譜圖像具有豐富的光譜特性和高分辨率。在所提出的方法中,使用規(guī)范相關(guān)分析來(lái)獲得相關(guān)聯(lián)的特征。深度學(xué)習(xí)架構(gòu)用于處理相關(guān)的功能。還建議使用視圖聯(lián)合池來(lái)融合多個(gè)視圖特征。同時(shí),我們?cè)O(shè)計(jì)了實(shí)驗(yàn)并給出了多源數(shù)據(jù)的分類(lèi)結(jié)果。在所提出的分類(lèi)基準(zhǔn)中,利用空間信息和光譜信息來(lái)對(duì)圖像進(jìn)行分類(lèi)。實(shí)驗(yàn)表明,該方法比傳統(tǒng)方法表現(xiàn)更好。此外,多源遙感數(shù)據(jù)的融合分類(lèi)提供了更可靠和適用的結(jié)果。5.圖像融合分類(lèi)通常涉及三個(gè)抽象級(jí)別,像素,特征和決策。重點(diǎn)關(guān)注了特征級(jí)別和決策級(jí)別融合的策略,提出了一種新的多源遙感數(shù)據(jù)分類(lèi)框架,即HSI,LiDAR和VHR RGB數(shù)據(jù)。RGB圖像具有極高的空間分辨率。HSI圖像具有豐富的光譜特性。LiDAR可以獲得高度和強(qiáng)度信息。如何綜合利用這些數(shù)據(jù)來(lái)提高圖像判讀效果是一個(gè)值得進(jìn)一步研究的課題。該方法基于深度多級(jí)融合,可以綜合考慮多個(gè)層次。在實(shí)驗(yàn)中,我們?cè)O(shè)計(jì)了實(shí)驗(yàn)并給出了不同層次的融合,表明同時(shí)信息和異構(gòu)信息同時(shí)被利用來(lái)對(duì)圖像進(jìn)行分類(lèi)。本章提出的方法在從多源圖像中發(fā)現(xiàn)高質(zhì)量語(yǔ)義方面比傳統(tǒng)的單級(jí)融合方法表現(xiàn)更好。此外,多源遙感數(shù)據(jù)的融合分類(lèi)提供了更可靠和適用的結(jié)果。綜上所述,本文針對(duì)遙感圖像分類(lèi)的問(wèn)題,進(jìn)行了系統(tǒng)的研究,包括主動(dòng)成像模式下的極化SAR圖像分類(lèi)問(wèn)題和LiDAR數(shù)據(jù)圖像分類(lèi)問(wèn)題,同時(shí)也包括被動(dòng)成像模式下的全色圖像,多光譜圖像,高光譜圖像分類(lèi)問(wèn)題。最終,將兩種成像模式下的圖像進(jìn)行融合分類(lèi),取得了良好的分類(lèi)性能。
【學(xué)位單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2019
【中圖分類(lèi)】：TP751;TP18
【部分圖文】：

即主動(dòng)式成像技術(shù)和被動(dòng)式成像技術(shù)，（其屮，主動(dòng)式是指信號(hào)由載體上的感應(yīng)器發(fā)逡逑出和接受的成像模式１２＞２＇被動(dòng)式是指電磁波信號(hào)由目標(biāo)物體本身發(fā)出或者來(lái)自太逡逑陽(yáng)光波在物體上的反射｜２６＇２７１，如圖１．１所示。根據(jù)傳感器感知電磁波波長(zhǎng)的區(qū)間，遙逡逑感又可分為可見(jiàn)光一近紅外遙感、紅外遙感及微波遙感等，如圖１．３和表１．１所示；逡逑１．２極化ＳＡＲ圖像分類(lèi)逡逑ＳＡＲ邋（合成孔徑雷達(dá)，ｓｙｎｔｈｅｔｉｃ邋ａｐｅｒｔｕｒｅ邋ｒａｄａｒ）圖像分類(lèi)是遙感圖像解譯的一個(gè)逡逑重要組成部分ｌ２Ｍ（ｌ１。ＳＡＲ圖像也稱為微波遙感圖像，其具有全天時(shí)、全天候工作的獨(dú)逡逑特優(yōu)勢(shì)，不受天氣氣候影響，并且穩(wěn)定地提供高質(zhì)量的觀測(cè)數(shù)據(jù)。ＳＡＲ圖像具有多逡逑極化發(fā)射和多極化接收的特性，會(huì)產(chǎn)生多極化ＳＡＲ數(shù)據(jù)，生成多極化ＳＡＲ圖像，同逡逑時(shí)也會(huì)產(chǎn)生全極化ＳＡＲ數(shù)據(jù)，得到全極化ＳＡＲ圖像。全極化ＳＡＲ數(shù)據(jù)擁有更加豐富逡逑１逡逑

邐７００邋＾（ｎｍ）逡逑波長(zhǎng)ａ）增加一－逡逑圖１．２遙感圖像成像與電磁波譜的關(guān)系逡逑多光譜圖像，高光譜圖像等。全色圖像和ＲＧＢ圖像具有超高的空間分辨率，能夠提逡逑供目標(biāo)的細(xì)節(jié)紋理信息。多光譜圖像和高光譜圖像具有豐富的光譜信息，能夠反映逡逑不同地物間的光譜特性，呈現(xiàn)出多樣的光譜特性曲線。逡逑光學(xué)遙感圖像分類(lèi)是指通過(guò)像素的光譜特性來(lái)區(qū)分其類(lèi)別，因?yàn)椴煌匚镩g逡逑的光譜曲線是不一樣的，也是像素級(jí)的判別分類(lèi)問(wèn)題。類(lèi)似于極化ＳＡＲ圖像分類(lèi)任逡逑務(wù)。逡逑我國(guó)在遙感衛(wèi)星成像方面也取得了長(zhǎng)足的發(fā)展，除了遙感系列衛(wèi)星外，還包括逡逑資源系列、環(huán)境系列、中巴系列、高分系列等國(guó)產(chǎn)先進(jìn)的遙感衛(wèi)星。其中，高分衛(wèi)逡逑星家族

ＡｌｅｘＮｅｔ是２０１２年ＩｍａｇｅＮｅｔ競(jìng)賽冠軍獲得者Ｈｉｎｔｏｎ和他的學(xué)生Ａｌｅｘ邋Ｋｒｉｚｈｅｖｓｋｙ設(shè)逡逑計(jì)的｜５７］。ＡｌｅｘＮｅｔ將ＬｅＮｅｔ的理念進(jìn)行改進(jìn)和完善，把卷積神經(jīng)網(wǎng)絡(luò)的原理擴(kuò)展到了逡逑即深又寬的網(wǎng)絡(luò)架構(gòu)中，結(jié)構(gòu)如圖１．５所示。ＡｌｅｘＮｅｔ主要包含的創(chuàng)新點(diǎn)包括：（１）采逡逑用ＲｅＬＵ作為網(wǎng)絡(luò)的激活函數(shù)而獲得成功，并通過(guò)實(shí)驗(yàn)驗(yàn)證了其效果，能夠在較深的逡逑網(wǎng)絡(luò)中勝過(guò)傳統(tǒng)激活函數(shù)，解決了網(wǎng)絡(luò)較深時(shí)出現(xiàn)的梯度彌散問(wèn)題。（２）在網(wǎng)絡(luò)訓(xùn)逡逑練階段，提出了邋Ｄｒｏｐｏｕｔ的策略，采用隨機(jī)的方式忽略部分神經(jīng)元的響應(yīng)，以此方式逡逑來(lái)避免網(wǎng)絡(luò)出現(xiàn)過(guò)擬合的現(xiàn)象。Ｄｒｏｐｏｕｔ主要應(yīng)用在網(wǎng)絡(luò)的最后幾個(gè)全連接層。（３）逡逑重疊的最大池化也是一個(gè)亮點(diǎn)。平均池化用的比較多，ＡｌｅｘＮｅｔ中將其全部改成了最逡逑大池化，其目的是為了避免平均池化所帶來(lái)的比較模糊的效果。另外為了提升了網(wǎng)逡逑絡(luò)所提出特征的豐富性，設(shè)置了步長(zhǎng)的大小小于池化核，使得池化層的輸出之間能逡逑夠重疊。（４）構(gòu)造了ＬＲＮ層來(lái)創(chuàng)建對(duì)競(jìng)爭(zhēng)機(jī)制促進(jìn)局部神經(jīng)元的活動(dòng)，能夠令響應(yīng)逡逑比較大的值響應(yīng)更大

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 毛穎;;基于目標(biāo)檢測(cè)的多源遙感圖像融合技術(shù)研究[J];無(wú)線互聯(lián)科技;2012年08期

2 張寅s

本文編號(hào)：2817174