鑒于不透水面里面有著錯綜復(fù)雜的信息,另外在衛(wèi)星拍攝過程中大氣、云層也會對此有所影響,所以造成遙感影像中的不透水面的識別和提取過程有一定的錯分。用傳統(tǒng)的方法提取精度較高,但是在識別的過程中是依靠人工手動去判斷,明顯降低了工作效率。本文針對不透水面識別與提取時的低效率問題,提出了基于深度卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感圖像不透水面提取方法:以云南省昆明市高空間分辨率Google earth遙感影像為數(shù)據(jù)源（分辨率為2m）,利用14700張切片數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)和5041張切片作為驗證數(shù)據(jù),選取Deeplabv3模型、U-Net模型、CS-Net模型、PSPNet模型、SegNet模型等5種深度卷積神經(jīng)網(wǎng)絡(luò)算法對高分辨率遙感圖像進行不透水面信息提取,并對5種卷積神經(jīng)網(wǎng)絡(luò)算法提取結(jié)果進行對比分析。根據(jù)分析結(jié)果,找出最優(yōu)方法并進行參數(shù)調(diào)優(yōu),提升不透水面提取效果。研究結(jié)果表明:（1）通過Deeplabv3模型、U-Net模型、CS-Net模型、PSPNet模型、SegNet模型等5種基于深度卷積神經(jīng)網(wǎng)絡(luò)算法對不透水面提取結(jié)果的分析,得到結(jié)果表明:U-Net模型的精度最高,其總體精度達到了76.80%,Ka... 

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 引言
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 不透水面的國內(nèi)外研究現(xiàn)狀
        1.2.1 不透水面提取現(xiàn)狀
        1.2.2 深度學(xué)習(xí)關(guān)于不透水面信息提取的應(yīng)用
    1.3 論文技術(shù)路線及組織結(jié)構(gòu)
        1.3.1 技術(shù)路線
        1.3.2 組織結(jié)構(gòu)
    1.4 本章小結(jié)
第2章 相關(guān)概念和模型介紹
    2.1 深度學(xué)習(xí)的框架
        2.1.1 深度學(xué)習(xí)背景
        2.1.2 TensorFlow深度學(xué)習(xí)框架
        2.1.3 Pytorch深度學(xué)習(xí)框架
        2.1.4 TensorFlow和 Pytorch深度學(xué)習(xí)框架的比較
        2.1.5 TensorBoard的介紹
    2.2 常見的基于深度學(xué)習(xí)的語義分割模型
        2.2.1 FCN系列的卷積神經(jīng)網(wǎng)絡(luò)模型
        2.2.2 SegNet神經(jīng)網(wǎng)絡(luò)模型
        2.2.3 U-Net神經(jīng)網(wǎng)絡(luò)模型
        2.2.4 Deeplab系列的神經(jīng)網(wǎng)絡(luò)模型
        2.2.5 PSPNet金字塔場景解析神經(jīng)網(wǎng)絡(luò)模型
        2.2.6 CS-Net神經(jīng)網(wǎng)絡(luò)模型
    2.3 本章小結(jié)
第3章 基于多個模型的不透水面提取實驗
    3.1 研究區(qū)域概況
    3.2 數(shù)據(jù)來源與數(shù)據(jù)預(yù)處理
        3.2.1 數(shù)據(jù)來源
        3.2.2 數(shù)據(jù)預(yù)處理
    3.3 數(shù)據(jù)集構(gòu)建和實驗環(huán)境搭建
        3.3.1 數(shù)據(jù)集構(gòu)建
        3.3.2 實驗環(huán)境搭建
    3.4多個模型的不透水面信息提取實驗
        3.4.1 基于Deeplabv3 網(wǎng)絡(luò)模型提取不透水面
        3.4.2 基于U-Net網(wǎng)絡(luò)模型提取不透水面
        3.4.3 基于CS-Net網(wǎng)絡(luò)模型提取不透水面
        3.4.4 基于PSPNet網(wǎng)絡(luò)模型提取不透水面
        3.4.5 基于SegNet網(wǎng)絡(luò)模型提取不透水面
    3.5 實驗結(jié)果分析
        3.5.1 實驗樣本選取
        3.5.2 實驗結(jié)果對比
        3.5.3 實驗結(jié)果總結(jié)
    3.6 本章小結(jié)
第4章 深度卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)分析
    4.1 U-Net模型訓(xùn)練結(jié)果分析
        4.1.1 U-Net卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)分析
        4.1.2 Dilated Convolutions(空洞卷積)
    4.2 改進的U-Net卷積神經(jīng)網(wǎng)絡(luò)模型常見參數(shù)介紹及設(shè)置
        4.2.1 參數(shù)batch_size
        4.2.2 參數(shù)iterations
        4.2.3 參數(shù)epochs
        4.2.4 參數(shù)weight decay
        4.2.5 參數(shù)學(xué)習(xí)率衰減(learning rate decay)
    4.3 Resnet結(jié)構(gòu)
    4.4 改進的U-Net網(wǎng)絡(luò)
    4.5 實驗訓(xùn)練結(jié)果與分析
        4.5.1 修改參數(shù)
        4.5.2 改進前后的U-Net模型的實驗結(jié)果對比
    4.6 本章小結(jié)
第5章 監(jiān)督分類與非監(jiān)督分類提取不透水面信息
    5.1 監(jiān)督分類提取不透水面信息
        5.1.1 平行六面體分類算法
        5.1.2 最小距離分類算法
        5.1.3 最大似然分類算法
        5.1.4 BP神經(jīng)網(wǎng)絡(luò)分類算法
    5.2 非監(jiān)督分類提取不透水面信息
        5.2.1 IsoData分類算法
        5.2.2 K-Means分類算法
    5.3 實驗結(jié)果分析
    5.4 本章小結(jié)
第6章 總結(jié)和展望
    6.1 總結(jié)
    6.2 展望
參考文獻
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文及獲獎
致謝


【參考文獻】：
期刊論文
[1]Landsat8不透水面遙感信息提取方法對比[J]. 劉暢,楊康,程亮,李滿春,郭紫燕.  國土資源遙感. 2019(03)
[2]基于PUL算法及高分辨率WorldView影像的城市不透水面提取[J]. 劉冉,李文楷,劉小平,陳逸敏,劉珍環(huán).  地理與地理信息科學(xué). 2018(01)
[3]基于Landsat年際序列影像的武漢市不透水面遙感監(jiān)測[J]. 邵振峰,潘銀,蔡燕寧,舒陽,王浩.  地理空間信息. 2018(01)
[4]基于遙感的高精度城市不透水面信息提取方法研究[J]. 高玉斌,黃津輝,周飛祥.  中國給水排水. 2017(09)
[5]基于高分二號衛(wèi)星影像的城市不透水面提取[J]. 劉波,張源,程濤,宋楊.  地理信息世界. 2017(02)
[6]基于測繪衛(wèi)星影像的城市不透水面提取[J]. 邵振峰,張源,周偉琪,宋楊.  地理空間信息. 2016(07)
[7]基于多源多時相數(shù)據(jù)集的喀什市近70a城區(qū)空間擴展遙感研究[J]. 侯博展,陳蜀江,侯建楠,黃鐵成,賈翔.  冰川凍土. 2016(03)
[8]基于夜間燈光的1992-2012年甘肅省城市空間擴展研究[J]. 李俊峰,潘竟虎.  冰川凍土. 2016(03)
[9]遙感技術(shù)在不透水層提取中的應(yīng)用與展望[J]. 李德仁,羅暉,邵振峰.  武漢大學(xué)學(xué)報(信息科學(xué)版). 2016(05)
[10]三亞生態(tài)現(xiàn)狀及規(guī)劃對策[J]. 盧夢哲,黃險峰.  中國名城. 2014(09)

碩士論文
[1]LiDAR結(jié)合高分辨率影像的城市不透水地表提取研究[D]. 賈娜娜.新疆大學(xué) 2017
[2]城市不透水面信息提取方法及應(yīng)用研究[D]. 林婉晴.福建師范大學(xué) 2015



本文編號：3681232