隨著遙感圖像數(shù)據(jù)的快速增長(zhǎng),如何快速準(zhǔn)確的從大型圖像數(shù)據(jù)庫中有效地檢索出用戶感興趣的圖像,已成為管理和利用遙感圖像數(shù)據(jù)的需要�；趦�(nèi)容的圖像檢索（Content-Based Image Retrieval,CBIR）是較好的解決方法,已成為遙感應(yīng)用研究領(lǐng)域的一個(gè)重要方向。檢索的目的是要求尋找與查詢圖像相關(guān)或者相似的圖像,也可以理解為尋找同一類圖像,而目前遙感圖像檢索的初始結(jié)果是基于圖像自身視覺信息檢索所得的,這只考慮了查詢圖像與檢索圖像庫中圖像之間的關(guān)系,忽略了檢索圖像庫中不同圖像之間的內(nèi)在聯(lián)系。同時(shí),當(dāng)前遙感圖像檢索方法中已經(jīng)較好的應(yīng)用了卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）強(qiáng)大的特征提取能力,但大多數(shù)研究者忽視了 CNN在圖像分類、識(shí)別等應(yīng)用中顯示出的強(qiáng)大分類能力。針對(duì)以上問題,本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)和蟻群算法的遙感圖像檢索方法。首先利用蟻群算法（Ant Colony Optimization,ACO）的正反饋性建立檢索圖像庫中圖像之間的語義網(wǎng)絡(luò),并用一個(gè)信息素矩陣來存儲(chǔ)圖像間的語義聯(lián)系程度。其次,通過不斷迭代,改善檢索圖像庫中圖像之... 

【文章來源】：南昌大學(xué)江西省 211工程院校

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．３全連接神經(jīng)網(wǎng)絡(luò)和部分連接網(wǎng)絡(luò)神經(jīng)元參數(shù)示意圖??

??第２章ＣＮＮ與檢索性能指標(biāo)???輸＼６??隱藏隱藏運(yùn)２??圖２．１人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖??其中，神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本處理單元，一般結(jié)構(gòu)為多輸入單輸出，??如圖２．２所示：??Ｘ＇＼ｗ，??——??ｘ?Ｗ，？＝０??Ｘ〇?＝?－１??圖２．２神經(jīng)元的基本構(gòu)成示意圖??ＣＮＮ是一種深度學(xué)習(xí)的結(jié)構(gòu)，是對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的一個(gè)改進(jìn)，它將層的功??能和形式做了變化，但依舊是層級(jí)網(wǎng)絡(luò)。比如圖２．４中的很多網(wǎng)絡(luò)層次是傳統(tǒng)神??經(jīng)網(wǎng)絡(luò)沒有的。ＣＮＮ具體的被稱作是部分連接網(wǎng)絡(luò)，在ＣＮＮ出現(xiàn)之前，人們利??用全連接神經(jīng)網(wǎng)絡(luò)處理圖像，神經(jīng)網(wǎng)絡(luò)中每個(gè)神經(jīng)元與前后相鄰層的每一個(gè)神??經(jīng)元都有連接關(guān)系，其區(qū)別如圖２．３所示，可以看出部分連接網(wǎng)絡(luò)大幅度提升了??計(jì)算效率，但分類效果沒有差別，因此采用部分連接網(wǎng)絡(luò)。??參??（ａ）全連接神經(jīng)網(wǎng)絡(luò)?（ｂ）部分連接網(wǎng)絡(luò)??圖２．３全連接神經(jīng)網(wǎng)絡(luò)和部分連接網(wǎng)絡(luò)神經(jīng)元參數(shù)示意圖??１１??

??第２章ＣＮＮ與檢索性能指標(biāo)???輸＼６??隱藏隱藏運(yùn)２??圖２．１人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖??其中，神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本處理單元，一般結(jié)構(gòu)為多輸入單輸出，??如圖２．２所示：??Ｘ＇＼ｗ，??——??ｘ?Ｗ，？＝０??Ｘ〇?＝?－１??圖２．２神經(jīng)元的基本構(gòu)成示意圖??ＣＮＮ是一種深度學(xué)習(xí)的結(jié)構(gòu)，是對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的一個(gè)改進(jìn)，它將層的功??能和形式做了變化，但依舊是層級(jí)網(wǎng)絡(luò)。比如圖２．４中的很多網(wǎng)絡(luò)層次是傳統(tǒng)神??經(jīng)網(wǎng)絡(luò)沒有的。ＣＮＮ具體的被稱作是部分連接網(wǎng)絡(luò)，在ＣＮＮ出現(xiàn)之前，人們利??用全連接神經(jīng)網(wǎng)絡(luò)處理圖像，神經(jīng)網(wǎng)絡(luò)中每個(gè)神經(jīng)元與前后相鄰層的每一個(gè)神??經(jīng)元都有連接關(guān)系，其區(qū)別如圖２．３所示，可以看出部分連接網(wǎng)絡(luò)大幅度提升了??計(jì)算效率，但分類效果沒有差別，因此采用部分連接網(wǎng)絡(luò)。??參??（ａ）全連接神經(jīng)網(wǎng)絡(luò)?（ｂ）部分連接網(wǎng)絡(luò)??圖２．３全連接神經(jīng)網(wǎng)絡(luò)和部分連接網(wǎng)絡(luò)神經(jīng)元參數(shù)示意圖??１１??

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)圖像分類的軸承故障模式識(shí)別[J]. 張安安,黃晉英,冀樹偉,李東.  振動(dòng)與沖擊. 2020(04)
[2]基于FC-DenseNet的低空航拍光學(xué)圖像樹種識(shí)別[J]. 林志瑋,涂偉豪,黃嘉航,丁啟祿,周錚雯,劉金福.  國土資源遙感. 2019(03)
[3]結(jié)合改進(jìn)CNN和雙線性模型的CBIR方法[J]. 蔡鵬飛,葉劍鋒.  計(jì)算機(jī)工程與應(yīng)用. 2019(16)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)和改進(jìn)模糊C均值的遙感圖像檢索[J]. 彭晏飛,宋曉男,訾玲玲,王偉.  激光與光電子學(xué)進(jìn)展. 2018(09)
[5]改進(jìn)型查詢自適應(yīng)特征融合圖像檢索方法[J]. 葉發(fā)茂,趙旭青,肖慧,董萌,羅威,閔衛(wèi)東.  揚(yáng)州大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(03)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的光學(xué)遙感圖像檢索[J]. 李宇,劉雪瑩,張洪群,李湘眷,孫曉瑤.  光學(xué)精密工程. 2018(01)
[7]基于卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)問答[J]. 金麗嬌,傅云斌,董啟文.  華東師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(05)
[8]深度學(xué)習(xí)的半監(jiān)督遙感圖像檢索[J]. 張洪群,劉雪瑩,楊森,李宇.  遙感學(xué)報(bào). 2017(03)
[9]基于深度卷積特征的細(xì)粒度圖像分類研究綜述[J]. 羅建豪,吳建鑫.  自動(dòng)化學(xué)報(bào). 2017(08)
[10]一種改進(jìn)的蟻群算法在高光譜遙感圖象分類中的應(yīng)用[J]. 孫可,殷守林,劉杰.  沈陽師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(03)

博士論文
[1]基于圖像學(xué)習(xí)表征和重排序的遙感影像內(nèi)容檢索[D]. 唐旭.西安電子科技大學(xué) 2017
[2]海量遙感圖像內(nèi)容檢索關(guān)鍵技術(shù)研究[D]. 杜根遠(yuǎn).成都理工大學(xué) 2011

碩士論文
[1]基于深度學(xué)習(xí)的遙感圖像檢索方法研究[D]. 劉雪瑩.中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所) 2017
[2]基于多特征融合和結(jié)果重排的特定圖像檢索[D]. 金婕.上海交通大學(xué) 2015
[3]基于可見光遙感圖像的自動(dòng)目標(biāo)識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 李衍君.重慶大學(xué) 2012
[4]基于蟻群算法的遙感圖像分類研究[D]. 崔亮.華中科技大學(xué) 2007



本文編號(hào)：3428687