隨著航天航空技術的高速發(fā)展,當前對地觀測系統(tǒng)獲取空間數(shù)據(jù)的能力和質量不斷提高,衛(wèi)星遙感技術已經邁入亞米級時代。高分辨率遙感影像包含更加復雜的形狀、紋理、結構和空間信息,因此人們獲取高精度的遙感影像的同時,對解譯精度又有了更高的要求。作為遙感圖像處理的一個重要部分,高分辨率遙感影像變化檢測在環(huán)境監(jiān)測、地理數(shù)據(jù)庫更新、災害救援及城市規(guī)劃等領域有著重要應用。近年來,深度學習憑借其優(yōu)異的回歸性能被廣泛的應用到各個領域,它突破了傳統(tǒng)算法的約束,具有很強的泛化能力。將深度學習理論應用到高分辨率遙感影像變化檢測是遙感圖像處理的研究熱點。本文首先指出了高分辨率遙感影像變化檢測課題的研究背景和意義,并對當前國內外研究現(xiàn)狀進行闡述,分析了本課題的研究基礎——卷積神經網絡,并將卷積神經網絡語義分割的思想引入遙感影像的變化檢測中。根據(jù)ASPP提取不同感受野上下文信息的特點,結合Inception結構的多尺度特征提取融合的優(yōu)勢,將ASPP和Inception結構融入到Unet網絡模型中,提出了ASPP Inception-Unet。該模型將Unet編碼路徑中每級的第一個卷積層替換為Inception結構,加強了... 

【文章來源】：吉林大學吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【部分圖文】：

局部感知結構圖

第2章理論基礎10圖2.1局部感知結構圖3)池化池化的主要作用是過濾掉一些不重要的高頻信息，在CNN卷積操作提取特征時，會產生較大的數(shù)據(jù)量，無法適用于海量數(shù)據(jù)的計算，池化的目的是縮減圖像的大小，將圖像一定大小區(qū)域的相鄰像元用一個具有代表性的值代替。相鄰像素通常從方形矩陣中選擇，并且依據(jù)問題的不同，所合并在一起的像素的數(shù)目也不同，輸出值通常為所選像素的平均取值或者最大取值。圖2.2所示，是使用平均池化和最大池化方法進行池化的結果，在不重疊操作元素的情況下，現(xiàn)在將輸入圖像的像素合并成2×2的矩陣，在輸入圖像經過池化操作后，就被縮減為2×2像素的圖像。圖2.2池化操作示意圖4）多重結構為了克服傳統(tǒng)神經網絡單層結構在特征提取方面的局限性，CNN演進為多層結構。CNN能夠以自動的方式進行特征學習主要是因為它具有的深度的多層的非線性變換結構，每多一層就可以進一步提取圖像的特征，一定程度避免了特征提取的單一化效應，使得CNN模型學習到的特征更具全局化，提高模型對目標識別的泛化能力。

第2章理論基礎11圖2.3多重結構.2.3卷積神經網絡結構與特點CNN是一種多層的人工神經網絡，主要的結構包括輸入層、卷積層、池化層、激活函數(shù)和全連接層[43]。2.3.1輸入層輸入層的作用是將待識別或者待訓練的圖像讀取到CNN中，通常彩色圖像為3層相互疊加的2維矩陣組成，灰度圖像為1層的2維矩陣組成。在使用CNN進行圖像學習特征時，輸入為進行過歸一化的圖片數(shù)據(jù)，一張行數(shù)a，列數(shù)b，通道數(shù)c的圖片，表示為a*b*c。常規(guī)彩色圖像是由RGB三個分量構成，它的通道數(shù)為3。從計算機的識別數(shù)字圖像角度出發(fā)，a*b*c的圖片即為c個a*b的矩陣的依次疊加。


本文編號：3401316