土地覆蓋分類是地球觀測中重點和廣泛研究的領域。隨著航空航天技術的不斷發(fā)展,遙感圖像的獲取成本越來越小,推動遙感圖像分類技術快速發(fā)展。其中基于深度學習的高分辨率影像分類技術已經(jīng)在建筑物分類、水資源保護以及城市提取等實際應用中具有出色的表現(xiàn)。但是不同于建筑物、河流,類似植物、農(nóng)作物等地物的形態(tài)受季節(jié)影響,其在遙感影像上不同時期呈現(xiàn)不同形態(tài),即存在同物異譜和同譜異物問題,導致分類精度不能滿足實際需求,因此探索多時相的遙感分類技術具有重要的研究價值。循環(huán)卷積網(wǎng)絡(RNN)已經(jīng)成功應用于機器翻譯、語音識別等領域,并逐漸擴展到其他領域。本文在基于語義分割網(wǎng)絡架構上融合了RNN提取時間序列的思想,提出了一種高效的多時相語義分割網(wǎng)絡,并以此實現(xiàn)了高密地區(qū)的土地覆蓋分類任務。本文主要工作總結如下:(1)目前,經(jīng)典分類算法對高分辨率遙感影像中的空間和光譜信息利用不足,并且特征工程設計繁瑣,泛化能力較差,導致精度不足。因此本文探討了深度學習網(wǎng)絡在高分辨率遙感影像中的應用。提出了編解碼結構的語義分割網(wǎng)絡模型,該網(wǎng)絡可以有效提取遙感影像的空間和光譜信息,實現(xiàn)高精度自動化地物提取。(2)針對單時相影像,構建了一個...

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景及意義
    1.2 遙感解譯技術在土地覆蓋分類的國內外研究
        1.2.1 經(jīng)典遙感解譯技術研究進展
        1.2.2 深度學習遙感解譯技術研究進展
        1.2.3 多時相遙感解譯技術研究進展
        1.2.4 存在的問題
    1.3 論文研究思路及流程
    1.4 論文研究內容
    1.5 論文結構安排
2 數(shù)據(jù)源和實驗區(qū)
    2.1 試驗區(qū)概況
    2.2 遙感數(shù)據(jù)源
    2.3 遙感影像預處理
    2.4 數(shù)據(jù)集標注
    2.5 數(shù)據(jù)增強
    2.6 本章小結
3 遙感圖像分類方法
    3.1 基于SVM分類方法
    3.2 基于面向對象方法
        3.2.1 基于邊界分割算法
        3.2.2 基于區(qū)域分割合并算法
        3.2.3 基于遙感影像的多尺度分割面向對象方法
    3.3 深度學習方法
        3.3.1 基于U-net的分類方法
        3.3.2 基于Deeplabv3+的分類方法
        3.3.3 Long-Short Term Memory(LSTM)
    3.4 本章小結
4 基于Fast-Deeplabv3+的單時相大棚提取
    4.1 概述
    4.2 數(shù)據(jù)準備
    4.3 模型搭建及訓練
        4.3.1 深度可分離卷積的反向殘差結構
        4.3.2 空洞卷積密集預測
        4.3.3 適應多尺度的解碼器結構
        4.3.4 網(wǎng)絡訓練
    4.4 實驗結果及分析
        4.4.1 實驗準備
        4.4.2 精度評價
        4.4.3 實驗結果分析
    4.5 本章小結
5 基于FMTSN的多時相土地覆蓋分類
    5.1 概述
    5.2 數(shù)據(jù)準備
    5.3 模型搭建及網(wǎng)絡訓練
        5.3.1 Seq2seq模型
        5.3.2 Patch-LSTM提取時空特性
        5.3.3 網(wǎng)絡搭建及訓練
    5.4 實驗結果及分析
    5.5 本章小結
6 結論展望
    6.1 研究結論
    6.2 創(chuàng)新點
    6.3 研究展望
參考文獻
致謝
攻讀學位期間發(fā)表的學術論文目錄



本文編號：3982517