基于地理對象的圖像分析（Object-Based Image Analysis,GEOBIA）思想的高空間分辨率遙感影像土地覆蓋分類方法在遙感技術(shù)中興旺發(fā)展,并產(chǎn)生了許多杰出的成就。但是,由于超高空間分辨率圖像（Very High Resolution Imagery,VHSRI）存在異類相似或同類相異問題以及缺乏地形（高度）信息,一定程度上影響了高空間分辨率影像地物分類精度。此外,現(xiàn)有的遙感深度學(xué)習(xí)分類器,在面對大尺度范圍遙感數(shù)據(jù)地物分類問題時,往往采用單一處理尺度,沒有考慮到地學(xué)現(xiàn)象的分層尺度依賴性,也進一步制約了高分辨率遙感地物分類精度的提升。因此,針對上述問題,本文提出了激光雷達與光學(xué)遙感結(jié)合的新思路,以新的方式將卷積神經(jīng)網(wǎng)絡(luò)技術(shù)與面對對象的遙感影像分類相結(jié)合,開展了基于多源數(shù)據(jù)融合的多尺度分層面向?qū)ο缶矸e神經(jīng)網(wǎng)絡(luò)地物分類方法研究。本文的主要工作及成果如下:首先,本文提出了標(biāo)準(zhǔn)歸一化數(shù)字表面模型（Standard normalized-DSM,StdnDSM）,該模型實際上是從數(shù)字地形模型和數(shù)字表面模型派生的數(shù)字高程模型,能夠平滑和改善點云和VHSRI的融合,融合數(shù)據(jù)用于執(zhí)行多... 

【文章來源】：中國地質(zhì)大學(xué)(北京)北京市211工程院校教育部直屬院校

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究內(nèi)容
    1.4 章節(jié)安排
2 卷積神經(jīng)網(wǎng)絡(luò)
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與原理
        2.2.1 卷積層
        2.2.2 池化層
        2.2.3 全連接層與輸出層
    2.3 遷移學(xué)習(xí)訓(xùn)練策略
    2.4 本章小結(jié)
3 基于地理對象的圖像分析與分層多尺度分割
    3.1 引言
    3.2 面向地理對象分析方法概述
    3.3 分層多尺度分割
        3.3.1 多尺度分割
        3.3.2 灰度共生矩陣
        3.3.3 分層多尺度分割
    3.4 .激光雷達點云數(shù)據(jù)與遙感影像數(shù)據(jù)融合
    3.5 基于卷積神經(jīng)網(wǎng)絡(luò)的面向地理對象遙感影像分類方法
        3.5.1 AlexNet結(jié)構(gòu)
        3.5.2 最大值投票分類方法
        3.5.3 基于分層多尺度卷積神經(jīng)網(wǎng)絡(luò)的地物分類方法
        3.5.4 尺度參數(shù)選擇及評價方法
    3.6 .本章小結(jié)
4基于卷積神經(jīng)網(wǎng)絡(luò)的地物分類實驗
    4.1 引言
    4.2 實驗數(shù)據(jù)
        4.2.1 研究區(qū)
        4.2.2 圖像預(yù)處理
        4.2.3 訓(xùn)練與驗證數(shù)據(jù)集
    4.3 分層多尺度圖像分割
    4.4分類實驗
    4.5 實驗結(jié)果分析與討論
        4.5.1 基于卷積神經(jīng)網(wǎng)絡(luò)的面向地理對象地物分類方法的效率
        4.5.2 分類結(jié)果與準(zhǔn)確性
        4.5.3 采樣策略的影響
        4.5.4 卷積神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置的影響
        4.5.5 精度評價方法對評價結(jié)果可靠性的影響
    4.6 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻
附錄


【參考文獻】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學(xué)報. 2017(06)
[2]卷積神經(jīng)網(wǎng)絡(luò)的研究進展綜述[J]. 楊斌,鐘金英.  南華大學(xué)學(xué)報(自然科學(xué)版). 2016(03)
[3]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機應(yīng)用. 2016(09)
[4]面向地學(xué)應(yīng)用的遙感影像分割評價[J]. 張仙,明冬萍.  測繪學(xué)報. 2015(S1)
[5]遷移學(xué)習(xí)研究進展[J]. 莊福振,羅平,何清,史忠植.  軟件學(xué)報. 2015(01)
[6]三維激光掃描數(shù)據(jù)獲取高分辨率DTM試驗研究[J]. 劉正軍,錢建國,張正鵬,王堅.  測繪科學(xué). 2006(04)
[7]基于灰度共生矩陣的多波段遙感圖像紋理特征的提取[J]. 田艷琴,郭平,盧漢清.  計算機科學(xué). 2004(12)
[8]遙感數(shù)據(jù)融合方法分析與評價綜述[J]. 翁永玲,田慶久.  遙感信息. 2003(03)
[9]直接探測激光雷達模型及其性能模擬[J]. 薛國剛,孫東松,楊昭.  紅外與激光工程. 2003(03)
[10]高精度數(shù)字地面模型（DTM）的生成及應(yīng)用研究[J]. 蘇玉揚.  測繪科技動態(tài). 1997(03)

博士論文
[1]多源遙感數(shù)據(jù)測繪應(yīng)用關(guān)鍵技術(shù)研究[D]. 芮杰.中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所) 2017
[2]圖譜耦合的高分辨率城市精細不透水面提取方法研究[D]. 于新菊.中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所) 2016
[3]LiDAR點云約束下的多視影像密集匹配與融合方法研究[D]. 黃旭.武漢大學(xué) 2016
[4]融合LiDAR數(shù)據(jù)和高分辨率遙感影像的地物分類方法研究[D]. 方軍.武漢大學(xué) 2014
[5]機載LiDAR點云與遙感影像融合的地物分類技術(shù)研究[D]. 董保根.解放軍信息工程大學(xué) 2013

碩士論文
[1]基于CNN的土地覆蓋分類方法研究[D]. 呂憲偉.中國地質(zhì)大學(xué)(北京) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的面向?qū)ο筮b感影像分類方法研究[D]. 陳揚洋.中國地質(zhì)大學(xué)(北京) 2018



本文編號：3631460