發(fā)布時(shí)間：2020-12-04 08:48

　　遙感技術(shù)的日益成熟、遙感成像方法的發(fā)展完善,使得遙感影像的數(shù)量及質(zhì)量都得到了較大提升,同時(shí)遙感圖像分割是實(shí)現(xiàn)細(xì)粒度地物識(shí)別應(yīng)用、土地資源管理檢測(cè)等工作的基礎(chǔ)。高分辨率遙感影像逐漸成為科研工作中進(jìn)行地表檢測(cè)及地物數(shù)據(jù)處理的重要信息來源,具有所含細(xì)節(jié)信息豐富、地物復(fù)雜度較高、成像光譜段多等特點(diǎn),對(duì)其進(jìn)行分割難度更大。同時(shí)由于遙感圖像數(shù)量及其分辨率的增加,在包含復(fù)雜地物信息的高分辨率遙感圖像的分割上精度不高、分割效果較差且傳統(tǒng)分割方法所需人力成本較高的問題,使得傳統(tǒng)的閾值分割、人工提取等方法的分割效果無法滿足后續(xù)研究的需要。目前深度學(xué)習(xí)技術(shù)得到了長足發(fā)展,其中神經(jīng)網(wǎng)絡(luò)算法以其自動(dòng)化、智能化的優(yōu)越性能逐漸應(yīng)用到圖像處理、機(jī)器視覺等方面,包括遙感信息處理工作當(dāng)中。針對(duì)高分辨率遙感圖像中具有較為復(fù)雜的地物信息、導(dǎo)致對(duì)其進(jìn)行分割難度較大的問題,文章進(jìn)行了研究分析,重點(diǎn)工作包括以下內(nèi)容:（1）針對(duì)數(shù)據(jù)集量較小且標(biāo)簽較弱的問題,對(duì)原圖像及數(shù)據(jù)標(biāo)注圖像進(jìn)行增強(qiáng)。通過一定步長的圖像切割使數(shù)據(jù)集達(dá)到適于訓(xùn)練尺寸,并通過改變?cè)瓐D像和標(biāo)注圖像的對(duì)比度、同步鏡像翻轉(zhuǎn)、隨機(jī)旋轉(zhuǎn)以及平移變換等操作達(dá)到數(shù)據(jù)集的增廣效果,... 

【文章來源】：中國科學(xué)技術(shù)大學(xué)安徽省 211工程院校 985工程院校

【文章頁數(shù)】：80 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１遙感被動(dòng)成像??曰漸發(fā)展的遙感成像手段使高質(zhì)量遙感影像的數(shù)據(jù)量快速增長，遙感影像的處理的根本??１??

?第二章卷積神經(jīng)網(wǎng)絡(luò)與遙感圖像處理???神經(jīng)網(wǎng)絡(luò)的主要組成部分包括輸入層、輸出層和隱含層，如圖２－２所示。通過輸入層和??隱含層之間的全連接映射完成對(duì)復(fù)雜圖像的函數(shù)擬合，通常情況下網(wǎng)絡(luò)結(jié)構(gòu)及擬合計(jì)算的復(fù)??雜度和圖像數(shù)據(jù)的復(fù)雜度是成正比的。輸入神經(jīng)元和輸出神經(jīng)元的函數(shù)關(guān)系如下：??（２＿６）??／＝１??義＝／（＜）?（２．７）??其中之為第／層網(wǎng)絡(luò)的第ｗ個(gè)輸入神經(jīng)元，乂為該神經(jīng)元的輸出值，＜為偏置值，義１??為第ｗ個(gè)輸入神經(jīng)元和第／－Ｉ層網(wǎng)絡(luò)的第／？個(gè)輸入神經(jīng)元的權(quán)值。??Ｓ??輸入房?隱含層?輸出層??圖２．２神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)??作為神經(jīng)網(wǎng)絡(luò)的一種，卷積神經(jīng)網(wǎng)絡(luò)通過逐層提取圖像數(shù)據(jù)中的特征實(shí)現(xiàn)原始圖像到新??特征空間的映射并進(jìn)行分類，同樣具有較多層數(shù)且能通過多層網(wǎng)絡(luò)結(jié)構(gòu)逐層提取學(xué)習(xí)圖像的??深層特征，擴(kuò)大網(wǎng)絡(luò)感受野，加強(qiáng)對(duì)圖像目標(biāo)的識(shí)別分類性能，其本質(zhì)上為感知學(xué)習(xí)器，能??夠在去除全連接和卷積共享權(quán)值的基礎(chǔ)上降低學(xué)習(xí)到的模型參數(shù)量并保證特征抽象，尤其在??面對(duì)較復(fù)雜、圖像信息較豐富的識(shí)別任務(wù)中，更能發(fā)揮其有效性卷積神經(jīng)網(wǎng)絡(luò)主要結(jié)構(gòu)??包括卷積層、池化層、激活層、批標(biāo)準(zhǔn)化層、損失層、全連接層以及Ｄｒｏｐｏｕｔ層等。下面就??卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及其相關(guān)基礎(chǔ)原理進(jìn)行介紹。??（１）卷積層??作為卷積神經(jīng)網(wǎng)絡(luò)最重要的組成部分，卷積層通過對(duì)上一層網(wǎng)絡(luò)輸入的圖像像素值進(jìn)行??卷積運(yùn)算，通過特定數(shù)量的卷積核對(duì)輸入層或者池化層的數(shù)據(jù)信息進(jìn)行滑動(dòng)式運(yùn)算提取并將??結(jié)果作為一個(gè)抽象特征輸出到下一層級(jí)網(wǎng)絡(luò)繼續(xù)運(yùn)算針對(duì)上一層的像素?cái)?shù)據(jù)覆蓋計(jì)算，??具有概括性地對(duì)圖像特征逐層提取，再通過下一層卷積核在初步提取到的低級(jí)特征的基

?第二章卷積神經(jīng)網(wǎng)絡(luò)與遙感圖像處理???Ｉｎｐｕｔ?Ｋｅｒｎｅｌ?Ｏｕｔｐｕｔ??（〇，?〇）Ｕ，〇：（２，０?ａ???—??????＼????（０，１）（１，１：（１，２：—?ｄ?ｅ?ｆ?（１１??（０，２１（１．２：（２，２；一?ｇ??一－二二一??Ｉ?ｔｌＩＸＬＪＪ??圖２．３卷積層工作原理??卷積核通過與前一層輸入的數(shù)據(jù)進(jìn)行滑動(dòng)卷積操作，將圖像數(shù)據(jù)的維度進(jìn)行降低，使釋??圖像參數(shù)更加概括，圖像特征更加抽象。若存在多個(gè)卷積核，卷積神經(jīng)網(wǎng)絡(luò)則將每個(gè)卷積杉??輸出的特征進(jìn)行學(xué)習(xí)，并將對(duì)應(yīng)個(gè)數(shù)的特征量輸出到下一層級(jí)的網(wǎng)絡(luò)當(dāng)中繼續(xù)卷積運(yùn)算，匕??提取到高層次特征，深化網(wǎng)絡(luò)對(duì)圖像的描述理解，提高神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效率。卷積運(yùn)算的過鴉??有如下函數(shù)表達(dá)：??Ｙｎ，ｎ，?＝／（ＺＺＷｖ，？?＋ｂ）?（２．８）??Ｖ＝１?ｕ＝＼??其中ｗｖ？表示第Ｖ行、第ｕ列卷積核的權(quán)值，ｂ為偏置值，Ｖ表示卷積核的寬度值，ＩＭ??表卷積核的高度值，ｘ，＋ｗ＋？為輸入圖像或提取所得特征圖的第ｉ＋ｖ行、ｊ＋ｕ列的參數(shù)值，ｉ為??卷積核在輸入圖像或提取所得特征圖上滑動(dòng)的行數(shù)，ｊ為卷積核在輸入圖像或提取所得特征Ｉ??上滑動(dòng)的列數(shù)。ｆ（）為激活函數(shù)的表達(dá)形式，代表非線性運(yùn)算，則為輸出的所提取特征圖白??第ｎ行，第ｍ列參數(shù)值。??卷積層的工作原理使其具有局部連接（Ｓｐａｒｓｅ?ｃｏｎｎｅｃｔｉｖｉｔｙ）和權(quán)值共享（Ｓｈａｒｅｄ?ｗｅｉｇｈｔ！??兩個(gè)基本性質(zhì)。由于圖像見相鄰像素的相關(guān)性通常較強(qiáng)，而距離較遠(yuǎn)的像素之間相關(guān)性一舟??較弱，因此只需要進(jìn)行局部連接即可保證感受野的一致，即是兩個(gè)神經(jīng)元層級(jí)之間不需要１??

【參考文獻(xiàn)】：
期刊論文
[1]基于多特征圖金字塔融合深度網(wǎng)絡(luò)的遙感圖像語義分割[J]. 趙斐,張文凱,閆志遠(yuǎn),于泓峰,刁文輝.  電子與信息學(xué)報(bào). 2019(10)
[2]基于VGG16預(yù)編碼的遙感圖像建筑物語義分割[J]. 徐昭洪,劉宇,全吉成,吳晨.  科學(xué)技術(shù)與工程. 2019(17)
[3]基于SegNet語義模型的高分辨率遙感影像農(nóng)村建設(shè)用地提取[J]. 楊建宇,周振旭,杜貞容,許全全,尹航,劉瑞.  農(nóng)業(yè)工程學(xué)報(bào). 2019(05)
[4]類別非均衡遙感圖像語義分割的全卷積網(wǎng)絡(luò)方法[J]. 吳止鍰,高永明,李磊,薛俊詩.  光學(xué)學(xué)報(bào). 2019(04)
[5]基于改進(jìn)CNN特征的場(chǎng)景識(shí)別[J]. 薄康虎,李菲菲,陳虬.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2018(12)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的低參數(shù)量實(shí)時(shí)圖像分割算法[J]. 譚光鴻,侯進(jìn),韓雁鵬,羅朔.  激光與光電子學(xué)進(jìn)展. 2019(09)
[7]基于2D-3D語義傳遞的室內(nèi)三維點(diǎn)云模型語義分割[J]. 熊漢江,鄭先偉,丁友麗,張藝,吳秀杰,周妍.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2018(12)
[8]SWAT模型校準(zhǔn)方法的對(duì)比研究——以恒河流域?yàn)槔齕J]. Nikita Shivhare,Prabhat Kumar Singh Dikshit,Shyam Bihari Dwivedi.  Engineering. 2018(05)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)[J]. 歐攀,張正,路奎,劉澤陽.  激光與光電子學(xué)進(jìn)展. 2019(05)
[10]基于粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)圖像復(fù)原算法研究[J]. 王文中,張樹生,余隋懷.  西北工業(yè)大學(xué)學(xué)報(bào). 2018(04)

碩士論文
[1]基于高分辨率可見光遙感圖像的建筑物提取技術(shù)研究[D]. 左童春.中國科學(xué)技術(shù)大學(xué) 2017



本文編號(hào)：2897309