近些年來,空間觀測技術(shù)在衛(wèi)星傳感器、數(shù)據(jù)獲取存儲技術(shù)的進(jìn)步帶動下得到了快速發(fā)展,目前我們可以快速獲取并存儲海量的高分辨率遙感衛(wèi)星圖像,這些遙感圖像已經(jīng)成為我們?nèi)祟愑^察和研究地表生態(tài)環(huán)境和社會環(huán)境的一種重要手段。由于天氣因素的影響,云總是不可避免地出現(xiàn)在遙感圖像中,降低了圖像的質(zhì)量,極大地影響了衛(wèi)星遙感圖像的應(yīng)用與發(fā)展。面對如此海量的衛(wèi)星遙感圖像,快速、高效、準(zhǔn)確地將云識別分割出來,對提高圖像的利用率具有重要意義。而深度學(xué)習(xí)作為人工智能的一個重要分支,目前已經(jīng)在計算機(jī)視覺領(lǐng)域取得了巨大成功。針對上述問題,本文借助深度學(xué)習(xí)方法圍繞遙感圖像中的云識別和云分割技術(shù)展開研究,主要內(nèi)容如下:第二章首先闡述了深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論,詳細(xì)介紹了卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)內(nèi)容,如網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練過程和常用模型等。然后分析了云層的相關(guān)特性,從灰度特性和紋理特性兩個方面對云層和下墊面的特征進(jìn)行提取對比,為后續(xù)研究奠定了基礎(chǔ)。第三章研究了遙感圖像中的云識別問題。面對海量的圖像數(shù)據(jù),傳統(tǒng)的依靠人工進(jìn)行識別的方法需要消耗巨大的精力和時間,本文提出了一種智能化的云識別方法,借助深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)在特征提取上的技術(shù)優(yōu)勢,... 

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀和發(fā)展趨勢
        1.2.1 云識別技術(shù)
        1.2.2 云分割技術(shù)
        1.2.3 深度學(xué)習(xí)在遙感圖像處理中的發(fā)展現(xiàn)狀
    1.3 論文主要工作與組織安排
第二章 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)基本理論與云層特征研究
    2.1 引言
    2.2 深度學(xué)習(xí)簡介
        2.2.1 深度學(xué)習(xí)發(fā)展史
        2.2.2 人工神經(jīng)網(wǎng)絡(luò)
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        2.3.2 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
        2.3.3 卷積神經(jīng)網(wǎng)絡(luò)的擬合問題
        2.3.4 常用的卷積神經(jīng)網(wǎng)絡(luò)模型
    2.4 云層特性分析與特征提取
        2.4.1 云層的特性分析
        2.4.2 云層特征提取方法
    2.5 本章小結(jié)
第三章 基于卷積神經(jīng)網(wǎng)絡(luò)的Landsat-8影像云圖識別
    3.1 引言
    3.2 算法流程
    3.3 基于卷積神經(jīng)網(wǎng)絡(luò)的云圖識別方法
        3.3.1 圖像預(yù)處理
        3.3.2 基于卷積神經(jīng)網(wǎng)絡(luò)的云圖識別模型
    3.4 實(shí)驗(yàn)與分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)
        3.4.2 實(shí)驗(yàn)環(huán)境
        3.4.3 實(shí)驗(yàn)結(jié)果與分析
    3.5 本章小結(jié)
第四章 基于全卷積神經(jīng)網(wǎng)絡(luò)的Landsat-8影像云圖分割
    4.1 引言
    4.2 網(wǎng)絡(luò)模型概述
        4.2.1 全卷積神經(jīng)網(wǎng)絡(luò)模型
        4.2.2 殘差神經(jīng)網(wǎng)絡(luò)模型
    4.3 實(shí)驗(yàn)與分析
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)與環(huán)境
        4.3.2 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 后續(xù)工作展望
致謝
參考文獻(xiàn)
作者在學(xué)期間取得的學(xué)術(shù)成果


【參考文獻(xiàn)】：
期刊論文
[1]受限玻爾茲曼機(jī)的稀疏化特征學(xué)習(xí)[J]. 康麗萍,許光鑾,孫顯.  計算機(jī)科學(xué). 2016(12)
[2]基于模糊C均值隸屬度約束的圖像分割算法[J]. 胡嘉駿,侯麗麗,王志剛,俞瑾華,張怡,文穎.  計算機(jī)應(yīng)用. 2016(S1)
[3]深度卷積神經(jīng)網(wǎng)絡(luò)的顯著性檢測[J]. 李岳云,許悅雷,馬時平,史鶴歡.  中國圖象圖形學(xué)報. 2016(01)
[4]資源三號測繪衛(wèi)星自動云檢測[J]. 陳振煒,張過,寧津生,唐新明.  測繪學(xué)報. 2015(03)
[5]遙感圖像云檢測方法綜述[J]. 侯舒維,孫文方,鄭小松.  空間電子技術(shù). 2014(03)
[6]基于SVM模型參數(shù)優(yōu)化的多模態(tài)MRI圖像腫瘤分割方法[J]. 王曉春,黃靖,楊豐,羅蔓.  南方醫(yī)科大學(xué)學(xué)報. 2014(05)
[7]Kmeans聚類與多光譜閾值相結(jié)合的MODIS云檢測算法[J]. 王偉,宋衛(wèi)國,劉士興,張永明,鄭紅陽,田偉.  光譜學(xué)與光譜分析. 2011(04)
[8]基于高斯金字塔的遙感云圖多尺度特征提取[J]. 周全,張榮,尹東.  遙感技術(shù)與應(yīng)用. 2010(05)
[9]快速高準(zhǔn)確度云檢測算法及其應(yīng)用[J]. 單娜,鄭天垚,王貞松.  遙感學(xué)報. 2009(06)
[10]紋理分析在紅外目標(biāo)識別中的應(yīng)用[J]. 胡清平,張建偉.  光學(xué)與光電技術(shù). 2009(05)

碩士論文
[1]多光譜遙感圖像數(shù)據(jù)去云方法研究[D]. 沈煬.電子科技大學(xué) 2016
[2]卷積神經(jīng)網(wǎng)絡(luò)在圖像分類中的應(yīng)用研究[D]. 吳正文.電子科技大學(xué) 2015
[3]深度卷積神經(jīng)網(wǎng)絡(luò)在車牌和人臉檢測領(lǐng)域的應(yīng)用研究[D]. 張勇.鄭州大學(xué) 2015
[4]天基大氣背景測量處理系統(tǒng)總體設(shè)計與數(shù)據(jù)挖掘方法研究[D]. 于鯤.哈爾濱工業(yè)大學(xué) 2014
[5]高分辨率衛(wèi)星遙感圖像云檢測方法研究[D]. 趙曉.哈爾濱工業(yè)大學(xué) 2013
[6]基于圖像處理的云圖分析及云層面積測量[D]. 鄧集萱.太原理工大學(xué) 2012



本文編號：3726900