光學遙感圖像解譯作為遙感地物分類、檢測的重要研究分支,從早期的單一特征挖掘、特征提取、特征級分類處理階段,研究者們將普通光學圖像解譯的手段遷移到光學遙感圖像數(shù)據(jù),一定程度上提高了分類精度、拓寬了光學遙感圖像的實際應用領域。然而,光學遙感圖像相比普通的光學圖像具有更為豐富的表征信息,單一的底層特征難以滿足現(xiàn)實場景的多樣性,傳統(tǒng)的特征挖掘分類方式存在底層特征覆蓋不全面性、特征利用率較低、高層邊緣特征捕獲缺失、特征表達不夠直觀等問題。針對以上問題提出了一種高層特征提取和可視化的算法,通過與傳統(tǒng)的底層特征處理算法和中層特征工程算法的對比分析,驗證算法的可行性。具體研究內容如下:針對傳統(tǒng)的底層特征和中層特征處理算法,本文采取改進型局部二值模式特征的編碼方式來提高特征的有效性,同時篩選最優(yōu)的特征級分類器來滿足圖像分類效果;結合流行學習算法來實現(xiàn)底層特征空間降維,捕獲具有最高分類價值的特征信息空間,一定程度上提高特征的利用效率;在融合尺度不變特征的特征空間的基礎上,結合超像素顯著性特征來突出光學遙感圖像的邊緣特征信息,一定程度上彌補特征的不完備丟失。為了引入深度學習算法中的反卷積神經(jīng)網(wǎng)絡來提取高層特... 

【文章來源】：湖北工業(yè)大學湖北省

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 引言
    1.1 課題研究背景及意義
    1.2 光學遙感圖像分類現(xiàn)狀
        1.2.1 高層特征提取研究現(xiàn)狀
        1.2.2 光學遙感圖像分類研究現(xiàn)狀
    1.3 研究的難題和挑戰(zhàn)
    1.4 論文的研究內容及組織結構
    1.5 本章小結
第2章 特征提取及處理算法
    2.1 底層特征提取概述
        2.1.1 光譜特征提取
        2.1.2 紋理特征提取
        2.1.3 形狀特征提取
    2.2 中層特征提取概述
        2.2.1 特征篩選
        2.2.2 特征融合
        2.2.3 特征重構
    2.3 高層特征提取概述
        2.3.1 全卷積特征提取
        2.3.2 反卷積特征提取
        2.3.3 特征可視化
    2.4 特征分類器原理
        2.4.1 SVM分類器
        2.4.2 KNN分類器
        2.4.3 RF分類器
    2.5 本章小結
第3章 光學遙感圖像分類算法
    3.1 基于底層特征的光學遙感圖像分類
        3.1.1 基于LBP算法的光學遙感圖像分類
        3.1.2 基于改進型LBP算法的光學遙感圖像分類
    3.2 基于中層特征的光學遙感圖像分類
        3.2.1 結合流行學習算法的光學遙感圖像分類
        3.2.2 結合超像素顯著性特征的光學遙感圖像分類
    3.3 基于高層特征的光學遙感圖像分類
        3.3.1 多層反卷積結構
        3.3.2 多層反池化
        3.3.3 MDCNN網(wǎng)絡結構構建
        3.3.4 MDCNN網(wǎng)絡的訓練與優(yōu)化
    3.4 本章小結
第4章 基于改進型MDCNN的光學遙感圖像分類算法
    4.1 空間金字塔結構
        4.1.1 空間金字塔池化
        4.1.2 多層金字塔反卷積
    4.2 基于軟概率的反池化方法
        4.2.1 池化坐標
        4.2.2 軟概率反池化
    4.3 基于改進型MDCNN的光學遙感圖像分類
        4.3.1 改進型MDCNN網(wǎng)絡結構搭建
        4.3.2 改進型MDCNN網(wǎng)絡的訓練與優(yōu)化
    4.4 本章小結
第5章 實驗結果與分析
    5.1 實驗數(shù)據(jù)
    5.2 實驗設置
    5.3 實驗結果與分析
    5.4 本章小結
第6章 總結與展望
參考文獻
致謝
附錄 攻讀碩士學位期間研究成果


【參考文獻】：
期刊論文
[1]基于多尺度特征融合的單目圖像深度估計[J]. 王泉德,張松濤.  華中科技大學學報(自然科學版). 2020(05)
[2]特征選擇算法綜述及進展研究[J]. 包芳,殷柯欣.  科技風. 2020(06)
[3]基于灰度圖像特征的電選粉煤灰燒失量預測[J]. 陳師杰,李海生,陳英華,溫曉龍,鄭誠,王文平.  礦業(yè)研究與開發(fā). 2020(02)
[4]改進LBP和HSV顏色直方圖相結合的地表狀態(tài)識別[J]. 孫藝珊,李曉潔,趙凱.  測繪通報. 2020(02)
[5]無人機遙感技術在精量灌溉中應用的研究進展[J]. 韓文霆,張立元,牛亞曉,史翔.  農業(yè)機械學報. 2020(02)
[6]基于支持向量機和邏輯回歸的半監(jiān)督空譜加權的高光譜圖像分類（英文）[J]. 趙春暉,高冰,趙晨.  黑龍江大學工程學報. 2019(04)
[7]基于形狀紋理特征的食管癌和肝包蟲病圖像分類[J]. 娜迪亞·阿卜杜迪克依木,姚娟,劉志華,嚴傳波.  中國醫(yī)學物理學雜志. 2019(12)
[8]融合多特征與隨機森林的紋理圖像分類方法[J]. 陳靜,張艷新,姜媛媛.  傳感器與微系統(tǒng). 2019(12)
[9]基于K近鄰字典的協(xié)同表示高光譜圖像分類方法[J]. 鄭鮮艷,陳湘,汪芝城,江帆.  湖北大學學報(自然科學版). 2019(06)
[10]基于高層特征圖組合及池化的高分辨率遙感圖像檢索[J]. 葛蕓,馬琳,江順亮,葉發(fā)茂.  電子與信息學報. 2019(10)

博士論文
[1]紋理圖像特征提取與分類研究[D]. 許文韜.華東師范大學 2017
[2]圖象檢索中高層語義和低層可視特征的提取研究[D]. 萬華林.中國科學院研究生院（計算技術研究所） 2002

碩士論文
[1]基于LBP和深度學習的SAR圖像變化檢測方法研究[D]. 馮春鳳.中國礦業(yè)大學 2019
[2]基于空間金字塔池化的卷積神經(jīng)網(wǎng)絡圖像分類算法[D]. 侯明偉.武漢大學 2018
[3]圖像紋理特征提取及分類研究[D]. 王龍.中國海洋大學 2014
[4]基于顏色和形狀特征的圖像檢索技術及其應用[D]. 潘永勝.太原理工大學 2014
[5]基于高層語義特征的圖像檢索關鍵技術研究[D]. 王繼宗.吉林大學 2013
[6]光譜與紋理特征融合的遙感圖像分類方法[D]. 張海濤.西安電子科技大學 2010



本文編號：3021907