發(fā)布時間：2021-10-10 15:54

　　隨著遙感圖像數(shù)據(jù)的快速增長,如何快速準確的從大型圖像數(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。基于內(nèi)容的圖像檢索（Content-Based Image Retrieval,CBIR）是較好的解決方法,已成為遙感應用研究領域的一個重要方向。檢索的目的是要求尋找與查詢圖像相關或者相似的圖像,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,當前遙感圖像檢索方法中已經(jīng)較好的應用了卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network,CNN）強大的特征提取能力,但大多數(shù)研究者忽視了 CNN在圖像分類、識別等應用中顯示出的強大分類能力。針對以上問題,本文提出一種基于卷積神經(jīng)網(wǎng)絡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,并用一個信息素矩陣來存儲圖像間的語義聯(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】：南昌大學江西省 211工程院校

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

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

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

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

【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡圖像分類的軸承故障模式識別[J]. 張安安,黃晉英,冀樹偉,李東.  振動與沖擊. 2020(04)
[2]基于FC-DenseNet的低空航拍光學圖像樹種識別[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]結合改進CNN和雙線性模型的CBIR方法[J]. 蔡鵬飛,葉劍鋒.  計算機工程與應用. 2019(16)
[4]基于卷積神經(jīng)網(wǎng)絡和改進模糊C均值的遙感圖像檢索[J]. 彭晏飛,宋曉男,訾玲玲,王偉.  激光與光電子學進展. 2018(09)
[5]改進型查詢自適應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.  揚州大學學報(自然科學版). 2018(03)
[6]基于卷積神經(jīng)網(wǎng)絡的光學遙感圖像檢索[J]. 李宇,劉雪瑩,張洪群,李湘眷,孫曉瑤.  光學精密工程. 2018(01)
[7]基于卷積神經(jīng)網(wǎng)絡的自動問答[J]. 金麗嬌,傅云斌,董啟文.  華東師范大學學報(自然科學版). 2017(05)
[8]深度學習的半監(jiān)督遙感圖像檢索[J]. 張洪群,劉雪瑩,楊森,李宇.  遙感學報. 2017(03)
[9]基于深度卷積特征的細粒度圖像分類研究綜述[J]. 羅建豪,吳建鑫.  自動化學報. 2017(08)
[10]一種改進的蟻群算法在高光譜遙感圖象分類中的應用[J]. 孫可,殷守林,劉杰.  沈陽師范大學學報(自然科學版). 2016(03)

博士論文
[1]基于圖像學習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 2017
[2]海量遙感圖像內(nèi)容檢索關鍵技術研究[D]. 杜根遠.成都理工大學 2011

碩士論文
[1]基于深度學習的遙感圖像檢索方法研究[D]. 劉雪瑩.中國科學院大學(中國科學院遙感與數(shù)字地球研究所) 2017
[2]基于多特征融合和結果重排的特定圖像檢索[D]. 金婕.上海交通大學 2015
[3]基于可見光遙感圖像的自動目標識別系統(tǒng)設計與實現(xiàn)[D]. 李衍君.重慶大學 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 2007



本文編號：3428687