隨著遙感對(duì)地觀測(cè)技術(shù)的發(fā)展,硬件設(shè)施日益完善,能夠獲取并采集分辨率越來(lái)越高的遙感圖像,這些高質(zhì)量的圖像可提供更多的空間、形狀、和紋理信息。這些豐富的地物信息在精細(xì)農(nóng)業(yè)、城市規(guī)劃、地籍調(diào)查、自然災(zāi)害檢測(cè)等諸多領(lǐng)域有著廣闊的應(yīng)用前景。由于遙感圖像包含的信息量比較多,而且數(shù)據(jù)應(yīng)用情況遠(yuǎn)滯后于其數(shù)據(jù)獲取能力,所以如何把這些海量的圖像進(jìn)行快速的分類是加快遙感圖像利用效率的關(guān)鍵所在。傳統(tǒng)的機(jī)器學(xué)習(xí)算法（如SVM、決策樹、隨機(jī)森林等）是以人工設(shè)計(jì)的特征描述子來(lái)提取特征,然后用分類器將這些特征進(jìn)行分類。算法的關(guān)鍵步驟是將圖像中包含的特征信息提取出來(lái),然后做進(jìn)一步的分類。但由于遙感圖像數(shù)據(jù)的空間復(fù)雜性、多樣性等特性使得人工設(shè)計(jì)的特征很難從圖像中提取到準(zhǔn)確的有價(jià)值的信息,所以這些算法達(dá)不到應(yīng)用需求。雖然有的時(shí)候針對(duì)某些小樣本的數(shù)據(jù)也可以取得不錯(cuò)的效果,但當(dāng)遇到批量大、復(fù)雜的圖像數(shù)據(jù)的時(shí)候,由于計(jì)算能力有限,其泛化能力和分類效果仍然難以滿足應(yīng)用需求。隨著深度學(xué)習(xí)算法的快速發(fā)展,工業(yè)、醫(yī)療、社會(huì)、安全等很多領(lǐng)域的生產(chǎn)效率獲得了大幅度的提升。卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)在于它可以用數(shù)據(jù)驅(qū)動(dòng)的方式來(lái)提取圖像數(shù)據(jù)的特征,在所... 

【文章來(lái)源】：中國(guó)地質(zhì)大學(xué)(北京)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

場(chǎng)景分類流程

中國(guó)地質(zhì)大學(xué)（北京）工程碩士學(xué)位論文7類，其關(guān)鍵環(huán)節(jié)在于如何獲取到既能抑制不同類別場(chǎng)景圖片紋理等細(xì)節(jié)上的特征差異又能反應(yīng)同種類別場(chǎng)景間的結(jié)構(gòu)信息相似的特征，這就需要借助卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取能力來(lái)實(shí)現(xiàn)。2.3卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論2.3.1卷積層對(duì)于場(chǎng)景圖像分類而言，同一類別的圖像要么某些區(qū)域有著相似性，要么整體圖像的紋理有著相似性。這些相似性可以轉(zhuǎn)化為數(shù)學(xué)上的特征表達(dá)，卷積的實(shí)質(zhì)就是提取這些相似性的特征。其流程如下圖：圖2-1卷積運(yùn)算過(guò)程如圖所示，卷積通過(guò)滑動(dòng)窗口模式遍歷圖像來(lái)計(jì)算特征。圖中藍(lán)色區(qū)域覆蓋的部分表示一個(gè)卷積核，示例的卷積核尺寸為3×3。假設(shè)步長(zhǎng)為1，卷積核每向右移動(dòng)一格，會(huì)做一次卷積計(jì)算，每次卷積計(jì)算會(huì)將卷積核的9個(gè)參數(shù)與圖像上對(duì)應(yīng)位置的參數(shù)相乘，然后把所有乘積累加再加上一個(gè)偏置項(xiàng)就是一次卷積運(yùn)算的最終輸出結(jié)果。圖2-1經(jīng)過(guò)卷積計(jì)算后會(huì)得到一個(gè)6×4的特征圖，通常要對(duì)卷積輸出結(jié)果做激活處理，通俗來(lái)講就是用非線性函數(shù)來(lái)做一次映射，從而增加整個(gè)網(wǎng)絡(luò)的表達(dá)能力。這就是卷積層的特征提取過(guò)程，作為網(wǎng)絡(luò)中最重要的層，它也是網(wǎng)絡(luò)命名的緣由。

第2章基本理論概述82.3.2池化層生物學(xué)中的視覺系統(tǒng)對(duì)輸入的對(duì)象進(jìn)行抽象和降維，從而大大促進(jìn)了信息的傳遞，神經(jīng)網(wǎng)絡(luò)中引入了池化層其實(shí)就是源于這個(gè)機(jī)制。池化(Pooling)是卷積神經(jīng)網(wǎng)絡(luò)中的另一個(gè)重要概念，其本質(zhì)是降低網(wǎng)絡(luò)參數(shù)。通常池化方法有兩種，第一種是平均池化(Averagepooling)，其流程是把特征圖劃分為若干個(gè)矩形區(qū)域，然后求出每個(gè)區(qū)域的平均值來(lái)代表各個(gè)區(qū)域。如圖2-2(右)所示每個(gè)2×2的矩形區(qū)域都用其4個(gè)元素的平均值來(lái)替代。第二種是最大池化(Maxpooling)，與平均池化不同之處在于，它用每個(gè)區(qū)域的最大值來(lái)代表各個(gè)區(qū)域。如圖2-2(左)所示，每個(gè)2×2的矩形區(qū)域都用其區(qū)域中的最大元素來(lái)表示。池化層的目的是為了降低神經(jīng)網(wǎng)絡(luò)的參數(shù)量，同時(shí)最大限度的保證特征信息的傳播。由圖可知，無(wú)論是“平均池化”還是“最大池化”，都可以減少75%的網(wǎng)絡(luò)參數(shù)，同時(shí)又能最大程度的保證網(wǎng)絡(luò)的信息傳遞，這就是池化機(jī)制之所以有效的原因。除此之外，池化圖2-2兩種池化方法操作使模型更加關(guān)注某些特征的存在而不是特征的具體位置，給特征的選擇帶來(lái)了更多的自由性。2.3.3全連接層全連接層(fullyconnectedlayers)是整個(gè)卷積神經(jīng)網(wǎng)絡(luò)中的最后一步，它主要起到確定場(chǎng)景分類數(shù)量和給特征加權(quán)的作用�？梢哉J(rèn)為網(wǎng)絡(luò)中的其他所有層比如卷積、池化、激活函數(shù)等共同作用是為了提取圖像的高層語(yǔ)義特征，然后全連接把這些高層語(yǔ)義特征組裝成完整的圖。全連接層在實(shí)際應(yīng)用中共有兩種實(shí)現(xiàn)方式，如果輸入是1×1尺寸的特征圖，全連接可通過(guò)1×1的卷積來(lái)實(shí)現(xiàn)。否者，可通過(guò)卷積核為h×w的全局卷積來(lái)實(shí)現(xiàn)，h和w分別是輸入的特征圖的寬和高。

【參考文獻(xiàn)】：
期刊論文
[1]基于CNN的高分遙感影像深度語(yǔ)義特征提取研究綜述[J]. 董蘊(yùn)雅,張倩.  遙感技術(shù)與應(yīng)用. 2019(01)
[2]基于面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究[J]. 杜斌,張煒.  西部資源. 2016(05)
[3]基于PCAnet的高分辨率遙感影像場(chǎng)景分類[J]. 何小飛,鄒崢嶸,陶超.  測(cè)繪與空間地理信息. 2016(10)
[4]一種多尺度時(shí)頻紋理特征融合的場(chǎng)景分類算法[J]. 史靜,朱虹,邢楠,韓勇,杜森.  儀器儀表學(xué)報(bào). 2016(10)
[5]利用多尺度特征與深度網(wǎng)絡(luò)對(duì)遙感影像進(jìn)行場(chǎng)景分類[J]. 許夙暉,慕曉冬,趙鵬,馬驥.  測(cè)繪學(xué)報(bào). 2016(07)
[6]場(chǎng)景圖像分類技術(shù)綜述[J]. 李學(xué)龍,史建華,董永生,陶大程.  中國(guó)科學(xué):信息科學(xué). 2015(07)
[7]基于多尺度上下文語(yǔ)義信息的圖像場(chǎng)景分類算法[J]. 張瑞杰,李弼程,魏福山.  電子學(xué)報(bào). 2014(04)
[8]局部Gist特征匹配核的場(chǎng)景分類[J]. 楊昭,高雋,謝昭,吳克偉.  中國(guó)圖象圖形學(xué)報(bào). 2013(03)
[9]AdaBoost算法研究進(jìn)展與展望[J]. 曹瑩,苗啟廣,劉家辰,高琳.  自動(dòng)化學(xué)報(bào). 2013(06)
[10]基于多維金字塔表達(dá)和AdaBoost的高分辨率SAR圖像城區(qū)場(chǎng)景分類算法[J]. 殷慧,曹永鋒,孫洪.  自動(dòng)化學(xué)報(bào). 2010(08)

博士論文
[1]基于特征學(xué)習(xí)的高分辨率遙感圖像場(chǎng)景分類研究[D]. 胡凡.武漢大學(xué) 2017
[2]高分辨率光學(xué)遙感圖像場(chǎng)景理解關(guān)鍵技術(shù)研究[D]. 姚西文.西北工業(yè)大學(xué) 2016

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類的研究[D]. 劉雨桐.湘潭大學(xué) 2018
[2]基于深度學(xué)習(xí)的場(chǎng)景分類[D]. 張建國(guó).遼寧工業(yè)大學(xué) 2016
[3]場(chǎng)景識(shí)別技術(shù)研究[D]. 宋慶歡.中國(guó)科學(xué)院研究生院（光電技術(shù)研究所） 2015



本文編號(hào)：2981927