隨著衛(wèi)星傳感技術(shù)的迅速發(fā)展,獲取到的遙感圖像的分辨率越來越高。如何在高分辨率遙感圖像中提取有價(jià)值的信息是一項(xiàng)巨大的挑戰(zhàn),其中對(duì)遙感場(chǎng)景進(jìn)行準(zhǔn)確分類成為了目前高分辨率遙感圖像研究的重點(diǎn)和難點(diǎn)。近些年,國(guó)內(nèi)外展開了大量的關(guān)于遙感場(chǎng)景分類研究,提出了一系列遙感場(chǎng)景分類的方法,其中包括基于低級(jí)、中級(jí)特征及卷積神經(jīng)網(wǎng)絡(luò)提取特征的方法,有效地提取了遙感場(chǎng)景中的特征信息。然而,現(xiàn)有的分類方法中仍存在以下問題:（1）目前采取的分類方法中沒有考慮到遙感圖像的特點(diǎn),限制了分類的性能;（2）對(duì)于小型高分辨率遙感數(shù)據(jù)集訓(xùn)練困難的問題,導(dǎo)致使用深度網(wǎng)絡(luò)模型訓(xùn)練效果受到限制。針對(duì)所存在的問題,本文主要的研究工作概括如下:（1）提出了一種基于隨機(jī)子圖像模型的遙感場(chǎng)景分類的方法。針對(duì)遙感圖像多具備臨近單元格相似的特點(diǎn),該特點(diǎn)使得遙感圖像的局部信息便可以做為整張圖像的信息表達(dá)。利用遙感圖像的臨近單元格相似特點(diǎn),將其通過柯西分布隨機(jī)剪切大小不同的子圖像,用這些子圖像的預(yù)測(cè)分布圖做為原始圖像的分類判別依據(jù),提高了在目標(biāo)數(shù)據(jù)集上的分類精度。（2）針對(duì)小型高分辨率遙感圖像數(shù)據(jù)集訓(xùn)練困難的問題,提出優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)場(chǎng)景分類方法... 

【文章來源】：哈爾濱師范大學(xué)黑龍江省

【文章頁數(shù)】：53 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)模型

網(wǎng)絡(luò)

第3章基于隨機(jī)子圖像模型的遙感場(chǎng)景分類16第3章基于隨機(jī)子圖像模型的遙感場(chǎng)景分類3.1基于柯西分布的隨機(jī)子圖像提取由于目前公開的高分辨率遙感圖像數(shù)據(jù)集的圖像局部信息可以作為整張場(chǎng)景表達(dá)的特性，本章采用對(duì)輸入的原圖像進(jìn)行隨機(jī)大小剪切的方式，從而獲取一組標(biāo)簽相同而大小尺寸不同的子圖像，在進(jìn)行隨機(jī)剪切時(shí)對(duì)圖像的大小通過閾值進(jìn)行限制，并采用基于柯西分布的方式對(duì)圖像進(jìn)行隨機(jī)剪切。如圖3-1展現(xiàn)了遙感圖像與自然圖像的區(qū)別。圖3-1遙感圖像與自然圖像區(qū)別Fig3-1Thedifferencebetweenremotesensingimageandnaturalimage由于柯西分布的兩端分布較長(zhǎng)，使得剪切獲得的圖像與原圖像尺寸相差較大，更能提升訓(xùn)練模型的魯棒性；另外柯西分布的位于中心的峰值較為緊湊，使得這一部分剪切得到的圖像更易與原圖像吻合，能夠保證訓(xùn)練模型的穩(wěn)定性�？挛鞣植寂c正態(tài)分布的比較如圖3-2。圖3-2兩種分布比較圖Fig3-2Comparisonchartoftwodistributions所以只需采用一個(gè)服從柯西分布的變量X，對(duì)原數(shù)據(jù)集的圖像進(jìn)行隨機(jī)剪切，15

【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[2]遷移學(xué)習(xí)研究進(jìn)展[J]. 莊福振,羅平,何清,史忠植.  軟件學(xué)報(bào). 2015(01)
[3]遙感圖像分類方法研究綜述[J]. 李石華,王金亮,畢艷,陳姚,朱妙園,楊帥,朱佳.  國(guó)土資源遙感. 2005(02)

博士論文
[1]基于主題模型的高空間分辨率遙感影像分類研究[D]. 徐盛.上海交通大學(xué) 2012
[2]高分辨率遙感圖像分類技術(shù)研究[D]. 陳忠.中國(guó)科學(xué)院研究生院（遙感應(yīng)用研究所） 2006



本文編號(hào)：3105621