遙感技術(shù)為人們探索世界提供了便利的技術(shù),這一門技術(shù)可以針對不同的目標(biāo)和任務(wù)選用不同的探測波段,從太空中快速地對目標(biāo)區(qū)域進行大范圍的監(jiān)測,獲取實時信息從而擴展人類的視覺范圍。因此它被廣泛應(yīng)用到很多領(lǐng)域例如醫(yī)學(xué)、農(nóng)學(xué)、地質(zhì)和軍事等領(lǐng)域。然而在遙感圖像分類領(lǐng)域仍存在一些問題:如可用于分類器訓(xùn)練的有標(biāo)記數(shù)據(jù)數(shù)量少且樣本類別不均衡,這對分類器性能提出了很高的要求;另外,由于遙感圖像的特殊成像機制使得它擁有不同于自然圖像的特征,因此在設(shè)計分類器時如果完全套用深度神經(jīng)網(wǎng)絡(luò)而不結(jié)合數(shù)據(jù)特性,則可能導(dǎo)致遙感圖像信息的浪費和濫用。本文基于此難題,對遙感圖像分類問題進行了深入研究,取得的主要成果有:1.提出了一種基于多尺度全卷積神經(jīng)網(wǎng)絡(luò)的極化SAR圖像分類方法。該方法結(jié)合多尺度波和深度語義分割網(wǎng)絡(luò),提出了一種新的分類網(wǎng)絡(luò)非下采樣輪廓波全卷積神經(jīng)網(wǎng)絡(luò)。另外,針對小場景的極化SAR圖像數(shù)據(jù)量少的問題,我們也相應(yīng)地設(shè)計了輕量級的非下采樣輪廓波全卷積神經(jīng)網(wǎng)絡(luò)。在三組公開數(shù)據(jù)集上,與多種方法進行對比得到的實驗結(jié)果證明本章提出的模型可以提取極化SAR圖像多尺度的深度特征,從而提升分類精度;同時,這些模型無需像傳統(tǒng)CNN... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：107 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景和意義
    1.2 遙感圖像分類研究現(xiàn)狀分析
        1.2.1 極化SAR圖像研究現(xiàn)狀
        1.2.2 高光譜圖像研究現(xiàn)狀
    1.3 理論基礎(chǔ)
        1.3.1 極化SAR圖像理論基礎(chǔ)
        1.3.2 高光譜圖像理論基礎(chǔ)
        1.3.3 圖像分類評價指標(biāo)
    1.4 本文研究內(nèi)容與創(chuàng)新
第二章 基于多尺度全卷積神經(jīng)網(wǎng)絡(luò)的極化SAR圖像分類
    2.1 非下采樣輪廓波理論基礎(chǔ)
    2.2 全卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 網(wǎng)絡(luò)概述
        2.2.2 網(wǎng)絡(luò)特點
    2.3 基于多尺度全卷積神經(jīng)網(wǎng)絡(luò)的極化SAR圖像分類
        2.3.1 非下采樣輪廓波全卷積神經(jīng)網(wǎng)絡(luò)
        2.3.2 基于NSCT-FCN的極化SAR圖像分類步驟
    2.4 實驗結(jié)果及分析
        2.4.1 數(shù)據(jù)介紹
        2.4.2 結(jié)果分析
    2.5 本章小結(jié)
第三章 基于雙通道網(wǎng)絡(luò)的高光譜圖像空-譜特征融合分類
    3.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
    3.2 卷積神經(jīng)網(wǎng)絡(luò)
    3.3 多核學(xué)習(xí)
    3.4 基于雙通道網(wǎng)絡(luò)的高光譜圖像空-譜特征融合分類
        3.4.1 基于RNN的光譜特征提取
        3.4.2 基于NSCT-CNN的多尺度空間特征提取
        3.4.3 基于多核學(xué)習(xí)的空-譜特征融合分類
        3.4.4 基于MSDCN的高光譜圖像分類步驟
    3.5 實驗結(jié)果及分析
        3.5.1 數(shù)據(jù)介紹
        3.5.2 結(jié)果分析
    3.6 本章小結(jié)
第四章 基于MDCPE協(xié)同訓(xùn)練算法的高光譜圖像分類
    4.1 協(xié)同訓(xùn)練理論基礎(chǔ)
        4.1.1 協(xié)同訓(xùn)練概述
        4.1.2 類概率估計多樣性算法
    4.2 改進類概率估計多樣性算法
    4.3 基于MDCPE的高光譜圖像分類步驟
    4.4 實驗結(jié)果及分析
        4.4.1 數(shù)據(jù)介紹
        4.4.2 參數(shù)設(shè)置
        4.4.3 分類結(jié)果
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
致謝
作者簡介


【參考文獻】：
期刊論文
[1]高光譜遙感技術(shù)的發(fā)展與應(yīng)用現(xiàn)狀[J]. 楊國鵬,余旭初,馮伍法,劉偉,陳偉.  測繪通報. 2008(10)

博士論文
[1]極化SAR圖像分類技術(shù)研究[D]. 吳永輝.國防科學(xué)技術(shù)大學(xué) 2007

碩士論文
[1]基于散射特征的全卷積網(wǎng)絡(luò)極化SAR圖像地物分類[D]. 高麗麗.西安電子科技大學(xué) 2018
[2]高光譜圖像的特征提取與分類識別方法研究[D]. 吉春蕊.西安電子科技大學(xué) 2018
[3]基于輪廓波DCGAN的極化SAR圖像地物分類[D]. 張婷.西安電子科技大學(xué) 2018
[4]基于深度卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類[D]. 徐敏.西安電子科技大學(xué) 2017
[5]基于語義特征和遞歸神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類[D]. 姜凱.西安電子科技大學(xué) 2017
[6]基于深度輪廓波卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像地物分類[D]. 馬麗媛.西安電子科技大學(xué) 2017
[7]基于稀疏表示的半監(jiān)督高光譜圖像分類算法[D]. 王靜靜.西安電子科技大學(xué) 2017
[8]結(jié)合協(xié)同訓(xùn)練的深度圖像分類網(wǎng)絡(luò)[D]. 吳秦龍.南京郵電大學(xué) 2016
[9]高光譜圖像流形學(xué)習(xí)算法研究[D]. 盧雨風(fēng).電子科技大學(xué) 2016
[10]極化SAR圖像分類研究[D]. 呂宏昌.西安電子科技大學(xué) 2015



本文編號：3586781