基于遙感影像的鐵路沿線(xiàn)建筑物變化監(jiān)測(cè)研究
發(fā)布時(shí)間:2023-10-15 15:41
隨著我國(guó)鐵路事業(yè)的發(fā)展,鐵路在社會(huì)經(jīng)濟(jì)中發(fā)揮著越來(lái)越重要的作用。鐵路的建設(shè)能夠推動(dòng)當(dāng)?shù)貐^(qū)域各方面快速地發(fā)展與變遷,其中,建筑用地的使用變化是最明顯的體現(xiàn),鐵路建設(shè)前后的建筑物數(shù)量、分布等,都會(huì)發(fā)生一定程度的改變。建筑物信息作為土地利用統(tǒng)計(jì)、城市發(fā)展的重要參考因素,在鐵路建設(shè)前后及時(shí)獲取,可以對(duì)土地利用、城市規(guī)劃的相關(guān)決策起到參考作用。另外,遙感技術(shù)的發(fā)展,使得地物信息監(jiān)測(cè)向高精度、實(shí)時(shí)性、低成本的方向發(fā)展,利用遙感影像對(duì)鐵路沿線(xiàn)建筑物的變化進(jìn)行監(jiān)測(cè)研究,無(wú)論在影像解譯方法還是在實(shí)際應(yīng)用上均具有重要的研究意義。本文基于遙感影像數(shù)據(jù)研究了鐵路沿線(xiàn)建筑物的變化監(jiān)測(cè)技術(shù),并以某地鐵路沿線(xiàn)的建筑物變化影像作為數(shù)據(jù)支持。論文的研究工作主要有以下幾點(diǎn):首先將U-net神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到遙感影像建筑物變化檢測(cè)任務(wù),并根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)與檢測(cè)任務(wù)構(gòu)造了數(shù)據(jù)集,以保證訓(xùn)練之后得到良好的網(wǎng)絡(luò)模型。對(duì)U型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的缺陷進(jìn)行了改進(jìn):針對(duì)U-net神經(jīng)網(wǎng)絡(luò)算法無(wú)法準(zhǔn)確提取特征復(fù)雜的遙感影像中建筑物的問(wèn)題,提出低維特征增強(qiáng)的改進(jìn),使得在網(wǎng)絡(luò)向后傳播過(guò)程中的低維特征信息的丟失減少,從而提升建筑物邊緣提取的精度。在網(wǎng)絡(luò)中...
【文章頁(yè)數(shù)】:57 頁(yè)
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 研究背景及意義
1.2 國(guó)內(nèi)外研究現(xiàn)狀
1.3 論文的研究?jī)?nèi)容及結(jié)構(gòu)
1.3.1 研究?jī)?nèi)容
1.3.2 論文結(jié)構(gòu)
2 遙感影像變化檢測(cè)方法與技術(shù)
2.1 數(shù)據(jù)源選取分析
2.2 遙感影像變化檢測(cè)方法
2.2.1 遙感影像變化檢測(cè)流程
2.2.2 指標(biāo)評(píng)價(jià)
2.3 深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks,DNN)
2.3.1 DNN基本結(jié)構(gòu)
2.3.2 前向與后向傳播算法
2.3.3 卷積神經(jīng)網(wǎng)絡(luò)
2.4 本章小結(jié)
3 基于改進(jìn)U-net的遙感影像變化檢測(cè)方法
3.1 全卷積神經(jīng)網(wǎng)絡(luò)與U型神經(jīng)網(wǎng)絡(luò)
3.2 數(shù)據(jù)集構(gòu)建
3.3 低維特征增強(qiáng)的改進(jìn)U-net神經(jīng)網(wǎng)絡(luò)
3.4 建筑物變化檢測(cè)實(shí)驗(yàn)
3.5 本章小結(jié)
4 基于改進(jìn)SLIC算法的遙感影像超像素分割
4.1 超像素分割算法
4.2 SLIC超像素分割算法
4.3 基于改進(jìn)的SLIC算法超像素分割
4.3.1 初始聚類(lèi)中心
4.3.2 均值計(jì)算公式
4.4 超像素分割實(shí)驗(yàn)
4.4.1 超像素分割結(jié)果
4.4.2 算法運(yùn)行時(shí)間
4.4.3 邊緣擬合能力
4.5 本章小結(jié)
5 結(jié)合U-net和超像素分割的鐵路沿線(xiàn)建筑物變化檢測(cè)
5.1 結(jié)合的變化檢測(cè)方法
5.2 實(shí)驗(yàn)區(qū)域
5.3 鐵路沿線(xiàn)建筑物變化檢測(cè)及評(píng)價(jià)
5.3.1 車(chē)站區(qū)域建筑物變化檢測(cè)結(jié)果及評(píng)價(jià)
5.3.2 鐵軌沿線(xiàn)建筑物變化檢測(cè)結(jié)果及評(píng)價(jià)
5.4 本章小結(jié)
結(jié)論
致謝
參考文獻(xiàn)
攻讀學(xué)位期間的研究成果
本文編號(hào):3854189
【文章頁(yè)數(shù)】:57 頁(yè)
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 研究背景及意義
1.2 國(guó)內(nèi)外研究現(xiàn)狀
1.3 論文的研究?jī)?nèi)容及結(jié)構(gòu)
1.3.1 研究?jī)?nèi)容
1.3.2 論文結(jié)構(gòu)
2 遙感影像變化檢測(cè)方法與技術(shù)
2.1 數(shù)據(jù)源選取分析
2.2 遙感影像變化檢測(cè)方法
2.2.1 遙感影像變化檢測(cè)流程
2.2.2 指標(biāo)評(píng)價(jià)
2.3 深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks,DNN)
2.3.1 DNN基本結(jié)構(gòu)
2.3.2 前向與后向傳播算法
2.3.3 卷積神經(jīng)網(wǎng)絡(luò)
2.4 本章小結(jié)
3 基于改進(jìn)U-net的遙感影像變化檢測(cè)方法
3.1 全卷積神經(jīng)網(wǎng)絡(luò)與U型神經(jīng)網(wǎng)絡(luò)
3.2 數(shù)據(jù)集構(gòu)建
3.3 低維特征增強(qiáng)的改進(jìn)U-net神經(jīng)網(wǎng)絡(luò)
3.4 建筑物變化檢測(cè)實(shí)驗(yàn)
3.5 本章小結(jié)
4 基于改進(jìn)SLIC算法的遙感影像超像素分割
4.1 超像素分割算法
4.2 SLIC超像素分割算法
4.3 基于改進(jìn)的SLIC算法超像素分割
4.3.1 初始聚類(lèi)中心
4.3.2 均值計(jì)算公式
4.4 超像素分割實(shí)驗(yàn)
4.4.1 超像素分割結(jié)果
4.4.2 算法運(yùn)行時(shí)間
4.4.3 邊緣擬合能力
4.5 本章小結(jié)
5 結(jié)合U-net和超像素分割的鐵路沿線(xiàn)建筑物變化檢測(cè)
5.1 結(jié)合的變化檢測(cè)方法
5.2 實(shí)驗(yàn)區(qū)域
5.3 鐵路沿線(xiàn)建筑物變化檢測(cè)及評(píng)價(jià)
5.3.1 車(chē)站區(qū)域建筑物變化檢測(cè)結(jié)果及評(píng)價(jià)
5.3.2 鐵軌沿線(xiàn)建筑物變化檢測(cè)結(jié)果及評(píng)價(jià)
5.4 本章小結(jié)
結(jié)論
致謝
參考文獻(xiàn)
攻讀學(xué)位期間的研究成果
本文編號(hào):3854189
本文鏈接:http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3854189.html
最近更新
教材專(zhuān)著