地表水體是人類生存和社會發(fā)展不可或缺的資源,對其進(jìn)行快速、有效地監(jiān)測,全面掌握其空間分布情況具有十分重要的意義。隨著空間遙感技術(shù)的不斷發(fā)展及各型高分辨率衛(wèi)星的相繼升空,運(yùn)用遙感技術(shù)開展水體識別及其動態(tài)監(jiān)測已成為一種高效快捷的途徑。目前遙感水體提取已有較多方法,如目視解譯法、水體指數(shù)法、監(jiān)督分類法、譜間關(guān)系法、決策樹分類法等,以上方法各有優(yōu)劣,但是較為依賴專家經(jīng)驗(yàn),且自動化程度、精度等方面能力有限,難以對大面積、高時相的遙感數(shù)據(jù)進(jìn)行快速、有效的遙感水體信息監(jiān)測。近年來,深度學(xué)習(xí)在語音識別、圖像目標(biāo)識別和檢測、自然語言處理等方面取得了巨大成就,因此不少學(xué)者將其應(yīng)用于遙感領(lǐng)域,典型代表為遙感影像場景分類、遙感影像目標(biāo)檢測、遙感影像語義分割（地物分類）等。深度學(xué)習(xí)可自動提取高維數(shù)據(jù)中的淺層特征與深層特征,自動擬合分類結(jié)果,適用于多波段遙感影像信息提取,目前已成為遙感圖像信息提取的有效途徑。本文針對高分六號衛(wèi)星影像遙感水體信息提取問題,對比分析了 FCN-8S、U-Net兩種經(jīng)典全卷積神經(jīng)網(wǎng)絡(luò)的水體提取效果,并對U-Net網(wǎng)絡(luò)進(jìn)行了結(jié)構(gòu)優(yōu)化;在優(yōu)化后的全卷積網(wǎng)絡(luò)VGGUnet中采用了組合損失函數(shù)... 

【文章來源】：河南大學(xué)河南省

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 選題背景及研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)的遙感水體提取方法分析
        1.2.2 遙感信息提取深度學(xué)習(xí)方法現(xiàn)狀
        1.2.3 現(xiàn)狀總結(jié)與分析
    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 論文組織結(jié)構(gòu)
第2章 數(shù)據(jù)源及水體樣本庫構(gòu)建
    2.1 數(shù)據(jù)介紹及預(yù)處理
        2.1.1 數(shù)據(jù)介紹
        2.1.2 預(yù)處理方法
    2.2 水體樣本庫構(gòu)建方法
        2.2.1 水體形態(tài)特征分析
        2.2.2 水體提取的有效波段分析
        2.2.3 高分六號影像水體樣本生成方法
        2.2.4 樣本示例
    2.3 本章小結(jié)
第3章 基于改進(jìn)的U-Net水體自動提取方法
    3.1 深度學(xué)習(xí)網(wǎng)絡(luò)
        3.1.1 卷積神經(jīng)網(wǎng)絡(luò)
        3.1.2 全卷積神經(jīng)網(wǎng)絡(luò)
        3.1.3 U-Net及優(yōu)化
    3.2 損失函數(shù)
        3.2.1 基于像素的交叉熵?fù)p失函數(shù)
        3.2.2 損失函數(shù)優(yōu)化
    3.3 精度評價方法
    3.4 實(shí)驗(yàn)軟硬件支持
    3.5 本章小結(jié)
第4章 實(shí)驗(yàn)結(jié)果與討論
    4.1 對比方法簡介
    4.2 水體提取結(jié)果及對比
        4.2.1 基于交叉熵?fù)p失函數(shù)的網(wǎng)絡(luò)模型優(yōu)選
        4.2.2 結(jié)合FD-Water loss的VGGUnet水體提取提升
        4.2.3 WFV影像水體提取
        4.2.4 WFV不同波段組合水體提取對比
    4.3 耗時與自動化程度對比分析
    4.4 本章小結(jié)
第5章 遙感影像水體自動提取應(yīng)用軟件設(shè)計(jì)及實(shí)現(xiàn)
    5.1 軟件開發(fā)目標(biāo)及意義
    5.2 開發(fā)環(huán)境介紹
    5.3 工作流程
    5.4 主要功能模塊
    5.5 軟件界面
    5.6 本章小結(jié)
第6章 總結(jié)與展望
    6.1 研究工作總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄


【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)語義分割方法在遙感影像分割中的性能分析[J]. 王俊強(qiáng),李建勝,丁波,蔡富.  計(jì)算機(jī)測量與控制. 2019(07)
[2]ENVI中幾種監(jiān)督分類方法精度比較[J]. 何予霄,周江.  科技創(chuàng)新與應(yīng)用. 2018(13)
[3]基于GF-1遙感數(shù)據(jù)的城市水體信息提取方法研究[J]. 趙慧童,王萍,張娜,孫俊嬌.  測繪與空間地理信息. 2017(10)
[4]基于深度學(xué)習(xí)的紅外遙感信息自動提取[J]. 陳睿敏,孫勝利.  紅外. 2017(08)
[5]基于NDWI分割與面向?qū)ο蟮乃w信息提取[J]. 童李霞,燕琴,駱成鳳,杜英坤.  地理空間信息. 2017(05)
[6]多源遙感影像水體指數(shù)的交互對比[J]. 吳志杰,黃紹霖,傅嬌鳳.  測繪科學(xué). 2016(11)
[7]基于Canny算子與決策樹模型的水體信息提取研究[J]. 錢立輝,于成龍,徐進(jìn),王抒群.  測繪與空間地理信息. 2016(10)
[8]面向?qū)ο蟮腅TM+影像分割尺度與水體信息提取[J]. 張成才,李艷樺,姚亮亮.  人民黃河. 2014(07)
[9]基于MODIS的長江中游河段懸浮泥沙濃度反演[J]. 喬曉景,何報寅,張文,李元征,蘇振華.  長江流域資源與環(huán)境. 2013(08)
[10]一種融合PSO和Isodata的遙感圖像分割新方法[J]. 馬彩虹,戴芹,劉士彬.  武漢大學(xué)學(xué)報(信息科學(xué)版). 2012(01)



本文編號：3460182