高分辨率遙感影像包含信息更豐富,傳統(tǒng)的基于像元分類方法不適用于高分影像。目前,面向?qū)ο蠓诸惙椒ㄊ翘崛「叻直媛蔬b感影像信息的主要手段,它能夠綜合利用各個對象的幾何、紋理、光譜等多種特征提取所需信息。但就目前來說面向?qū)ο蠓诸惙椒ㄟ�不夠成熟,在最優(yōu)分割參數(shù)獲取和特征優(yōu)選方面需要較多的人為參與,因此,仍需探索智能化和自動化程度高的影像分類方法,得以快速高效的提取土地利用信息。近年來,深度學(xué)習(xí)在視覺分析、語言和圖像識別方面發(fā)揮重要作用。由于它更多的內(nèi)部層次結(jié)構(gòu),所以可從圖像已知信息分析推理到更為抽象的信息。本文將深度學(xué)習(xí)應(yīng)用于高分辨率遙感影像分類,選取了UNet模型,此模型最開始用于醫(yī)療影像分割,且解決的是二分類問題,仍存在難以提取復(fù)雜遙感影像像元信息、模型訓(xùn)練速度慢和難以收斂等不足。對于以上問題,本文研究如下:（1）總結(jié)傳統(tǒng)方法和深度學(xué)習(xí)法在高分辨率遙感影像分類上的發(fā)展現(xiàn)狀,分析整理出深度神經(jīng)網(wǎng)絡(luò)在多分類上存在的優(yōu)勢和不足,依此提出基于深度神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像分類方法。（2）了解研究區(qū)概況,制定本區(qū)的分類系統(tǒng),收集影像、矢量和野外實測數(shù)據(jù)。針對高分二號影像數(shù)據(jù),進(jìn)行預(yù)處理工作。對比多種影... 

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

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1.引言
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 土地利用分類的發(fā)展
        1.2.2 傳統(tǒng)方法在遙感影像分類的發(fā)展
        1.2.3 深度神經(jīng)網(wǎng)絡(luò)在遙感影像分類的發(fā)展
        1.2.4 目前遙感影像分類存在問題
    1.3 研究內(nèi)容和技術(shù)路線
        1.3.1 研究內(nèi)容
        1.3.2 技術(shù)路線
    1.4 論文主要創(chuàng)新點(diǎn)
    1.5 本章小結(jié)
2.研究區(qū)與數(shù)據(jù)概況
    2.1 研究區(qū)概況
    2.2 分類系統(tǒng)制定
    2.3 研究數(shù)據(jù)概況
        2.3.1 影像數(shù)據(jù)源
        2.3.2 野外實測數(shù)據(jù)
        2.3.3 前期矢量數(shù)據(jù)
    2.4 遙感數(shù)據(jù)預(yù)處理
        2.4.1 輻射校正
        2.4.2 正射校正
        2.4.3 影像融合
    2.5 本章小結(jié)
3.基于改進(jìn)UNet網(wǎng)絡(luò)圖像分類技術(shù)
    3.1 深度神經(jīng)網(wǎng)絡(luò)
        3.1.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.3 全卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    3.2 深度學(xué)習(xí)框架選取
    3.3 分類模型選取
    3.4 改進(jìn)UNet模型
        3.4.1 基礎(chǔ)UNet網(wǎng)絡(luò)架構(gòu)
        3.4.2 改進(jìn)UNet網(wǎng)絡(luò)架構(gòu)
        3.4.3 采用深度可分離卷積
        3.4.4 增加Dropout層
    3.5 訓(xùn)練樣本制作
    3.6 本章小結(jié)
4.實驗與分析
    4.1 實驗環(huán)境
    4.2 樣本數(shù)據(jù)增強(qiáng)
    4.3 模型訓(xùn)練
    4.4 模型預(yù)測
    4.5 精度評價
        4.5.1 混淆矩陣評價
        4.5.2 野外驗證數(shù)據(jù)評價
    4.6 與其他分類方法對比分析
        4.6.1 多尺度分割
        4.6.2 最近鄰分類
        4.6.3 決策樹分類
        4.6.4 精度對比分析
    4.7 本章小結(jié)
5.結(jié)論與展望
    5.1 結(jié)論
    5.2 不足與展望
參考文獻(xiàn)
致謝
附錄


【參考文獻(xiàn)】：
期刊論文
[1]一種改進(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)的海島識別方法[J]. 王振華,曲念毅,鐘元芾,何婉雯,宋巍,黃冬梅.  上海海洋大學(xué)學(xué)報. 2020(03)
[2]基于改進(jìn)GoogLeNet的遙感圖像分類方法[J]. 韓要昌,王潔,史通,蔡啟航.  彈箭與制導(dǎo)學(xué)報. 2019(05)
[3]基于改進(jìn)的AlexNet網(wǎng)絡(luò)模型的遙感圖像分類方法研究[J]. 周天順,黨鵬飛,謝輝.  北京測繪. 2018(11)
[4]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像去噪研究[J]. 李傳朋,秦品樂,張晉京.  計算機(jī)工程. 2017(03)
[5]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機(jī)學(xué)報. 2017(06)
[6]機(jī)器學(xué)習(xí)法在面向?qū)ο笥跋穹诸愔械膶Ρ确治鯷J]. 趙丹平,顧海燕,賈瑩.  測繪科學(xué). 2016(10)
[7]SVM和ANN在多光譜遙感影像分類中的比較研究[J]. 李穎,李耀輝,王金鑫,張成才.  海洋測繪. 2016(05)
[8]基于深度學(xué)習(xí)的高分辨率遙感影像分類研究[J]. 劉大偉,韓玲,韓曉勇.  光學(xué)學(xué)報. 2016(04)
[9]高分二號衛(wèi)星的技術(shù)特點(diǎn)[J]. 潘騰.  中國航天. 2015(01)
[10]高分辨率影像分類的最優(yōu)分割尺度計算[J]. 朱紅春,蔡麗杰,劉海英,江濤.  測繪科學(xué). 2015(03)

碩士論文
[1]融合顯著性與深度學(xué)習(xí)的遙感影像建筑物提取[D]. 楊帥.北京建筑大學(xué) 2019
[2]基于EO-1 Hyperion高光譜遙感圖像的地表物分類研究[D]. 段俊杰.內(nèi)蒙古農(nóng)業(yè)大學(xué) 2019
[3]基于改進(jìn)Unet的遙感影像語義分割在地表水體變遷中的應(yīng)用[D]. 許玥.重慶師范大學(xué) 2019
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的道路場景分割方法研究[D]. 林銀輝.中國地質(zhì)大學(xué)(北京) 2019
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像土地利用分類[D]. 門計林.中國地質(zhì)大學(xué) 2019
[6]基于深度學(xué)習(xí)的遙感圖像建筑物檢測及其變化檢測研究[D]. 顧煉.浙江工商大學(xué) 2018
[7]基于ZY-3影像的土地利用變化檢測研究[D]. 余健.東華理工大學(xué) 2018
[8]基于高分二號影像的面向?qū)ο蠓诸惣夹g(shù)研究[D]. 何志強(qiáng).安徽理工大學(xué) 2018
[9]基于全卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像語義分割及變化檢測方法研究[D]. 王朵.西安電子科技大學(xué) 2018
[10]基于深度學(xué)習(xí)U-Net模型的高分辨率遙感影像分類方法研究[D]. 許慧敏.西南交通大學(xué) 2018



本文編號：3181461