衛(wèi)星遙感影像記錄了幾十年來(lái)地球表面的各類信息及其變化情況,已經(jīng)被廣泛應(yīng)用于氣象氣候、農(nóng)林水利、城市規(guī)劃、國(guó)家安全等關(guān)鍵領(lǐng)域。如何從海量的遙感影像中自動(dòng)提取出有效信息,精確而高效地進(jìn)行遙感影像的分析和理解,是在上述領(lǐng)域中成功應(yīng)用遙感技術(shù)的關(guān)鍵。近年來(lái),人工智能,尤其是深度學(xué)習(xí)技術(shù)的蓬勃發(fā)展對(duì)遙感影像分析研究帶來(lái)巨大推動(dòng),以卷積神經(jīng)網(wǎng)絡(luò)為主的深度學(xué)習(xí)方法已經(jīng)在地表覆蓋分類、目標(biāo)識(shí)別及提取等問(wèn)題中展現(xiàn)出巨大潛力,然而在研究區(qū)域尺度、多源數(shù)據(jù)融合、模型準(zhǔn)確率等方面依然存在局限。針對(duì)上述問(wèn)題,本研究以智能化地理解遙感影像中的結(jié)構(gòu)化信息為目標(biāo),從粗尺度下的“地表覆蓋分類制圖”到精細(xì)尺度下的“油棕櫚樹(shù)識(shí)別”和“建筑輪廓提取”,以深度學(xué)習(xí)為主要方法,在數(shù)據(jù)集構(gòu)建、方法模型設(shè)計(jì)、實(shí)驗(yàn)結(jié)果分析等方面進(jìn)行了改進(jìn)和創(chuàng)新。首先,本研究提出基于圖像分類深度學(xué)習(xí)模型的中國(guó)地表覆蓋制圖方法,首次將深度學(xué)習(xí)應(yīng)用于中國(guó)尺度地表覆蓋問(wèn)題,在數(shù)據(jù)層面融合了谷歌地球高分辨率影像和Landsat等中分辨率數(shù)據(jù),在方法層面充分利用了不同數(shù)據(jù)在紋理和光譜等方面的特點(diǎn)。本研究在整個(gè)中國(guó)驗(yàn)證樣本上取得84.4%的準(zhǔn)確率,在現(xiàn)有研究最高準(zhǔn)... 

【文章來(lái)源】：清華大學(xué)北京市 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：114 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖3.85個(gè)研究區(qū)域的位置及Landsat假彩色影像，黑色框表示5個(gè)放大的子區(qū)域位置

第4章基于目標(biāo)檢測(cè)深度學(xué)習(xí)模型的油棕櫚樹(shù)識(shí)別統(tǒng)計(jì)在基于多尺度滑動(dòng)窗口的圖像預(yù)測(cè)階段中使用。圖4.4用于目標(biāo)分類的樣本數(shù)據(jù)集和CNN結(jié)構(gòu)。4.2.5面向大尺度衛(wèi)星影像的油棕識(shí)別本研究使用的QuickBird衛(wèi)星影像大小為12,188×12,576像素。為了提升大尺度油棕識(shí)別效率，我們將完整的衛(wèi)星影像劃分為若干個(gè)大小為600×600像素的子圖像，多個(gè)子圖像可以同時(shí)進(jìn)行處理。如果對(duì)衛(wèi)星影像直接進(jìn)行無(wú)重疊劃分，部分油棕樹(shù)冠將被劃分到不同的子圖像中，可能無(wú)法被正確識(shí)別出來(lái)。為了避免這種情況發(fā)生，我們?cè)O(shè)計(jì)了有重疊的圖像劃分方法，每?jī)蓚�(gè)上下或左右相鄰的子圖像包括一個(gè)指定寬度的重疊區(qū)域。在本文的研究區(qū)域中，我們將重疊寬度設(shè)置為20像素，從而保證每個(gè)油棕樹(shù)冠都能被完整劃分到至少一個(gè)子圖像中。相應(yīng)地，為了避免有重疊劃分造成的油棕重復(fù)檢測(cè)問(wèn)題，在得到每個(gè)子圖像的預(yù)測(cè)油棕坐標(biāo)后，我們采用基于最小距離濾波的后處理策略。我們將在后文中具體介紹這一策略。我們?cè)O(shè)計(jì)了一種基于多尺度滑動(dòng)窗口的圖像數(shù)據(jù)集采集和油棕坐標(biāo)預(yù)測(cè)方法，將油棕識(shí)別問(wèn)題劃分為油棕種植區(qū)判斷和油棕定位兩個(gè)階段，如圖4.5所示。對(duì)于有重疊劃分后得到的每個(gè)子圖像，我們分別采集用于油棕種植區(qū)判斷和用于油棕定位的圖像數(shù)據(jù)集。我們使用大小為65×65像素的滑動(dòng)窗口，采集用于油棕種植區(qū)判斷的圖像數(shù)據(jù)集（數(shù)據(jù)集1），樣本圖像大小與地表覆蓋分類CNN的輸入圖像大小一致。我們使用大小為17×17像素的滑動(dòng)窗口，采集用于油棕定位的圖像數(shù)據(jù)集（數(shù)據(jù)集2），樣本圖像大小與目標(biāo)分類CNN的輸入圖像大小一致。46

第4章基于目標(biāo)檢測(cè)深度學(xué)習(xí)模型的油棕櫚樹(shù)識(shí)別統(tǒng)計(jì)圖4.6基于最小距離濾波的預(yù)測(cè)結(jié)果后處理。4.3基于二階段卷積神經(jīng)網(wǎng)絡(luò)的油棕識(shí)別結(jié)果分析4.3.1超參數(shù)設(shè)置及分類準(zhǔn)確率在本研究中，我們分別對(duì)地表覆蓋分類CNN和目標(biāo)分類CNN進(jìn)行超參數(shù)優(yōu)化，得到在驗(yàn)證集上準(zhǔn)確率最高的兩個(gè)CNN模型的超參數(shù)設(shè)置。對(duì)于兩個(gè)CNN模型，我們將卷積核大小設(shè)置為3×3，池化核大小設(shè)置為2×2，批量處理大小設(shè)置為10，最大迭代步數(shù)設(shè)置為100,000。對(duì)于地表覆蓋分類CNN，當(dāng)5個(gè)卷積層的卷積核個(gè)數(shù)和3個(gè)全連接層的隱層節(jié)點(diǎn)數(shù)依次設(shè)置為24-64-96-96-64-800-800-3時(shí)，我們?cè)?,000個(gè)3種類型的驗(yàn)證樣本上取得95.47%的最高分類準(zhǔn)確率。對(duì)于目標(biāo)分類CNN，當(dāng)5個(gè)卷積層的卷積核個(gè)數(shù)和3個(gè)全連接層的隱層節(jié)點(diǎn)數(shù)依次設(shè)置為25-60-45-45-65-800-800-4時(shí)，我們?cè)?,000個(gè)4種類型的驗(yàn)證樣本上取得91.53%的最高分類準(zhǔn)確率。此外，地表覆蓋分類CNN使用的樣本圖像大小對(duì)于識(shí)別結(jié)果具有一定影響。實(shí)驗(yàn)結(jié)果表明，當(dāng)樣本圖像大小為45×45、65×65和85×85像素時(shí)，地表覆蓋分類CNN在3,000個(gè)3種類型的驗(yàn)證樣本上分別取得92%、95%和91%的分類準(zhǔn)確率。因此，本研究使用65×65像素作為地表覆蓋分類CNN的樣本圖像大校48

【參考文獻(xiàn)】：
期刊論文
[1]高分二號(hào)衛(wèi)星的技術(shù)特點(diǎn)[J]. 潘騰.  中國(guó)航天. 2015(01)
[2]高分辨率衛(wèi)星遙感影像在土地利用變化動(dòng)態(tài)監(jiān)測(cè)中的應(yīng)用[J]. 廖克,成夕芳,吳健生,陳文惠.  測(cè)繪科學(xué). 2006(06)
[3]遙感技術(shù)在災(zāi)害監(jiān)測(cè)中的應(yīng)用[J]. 黃小雪,羅麟,程香菊.  四川環(huán)境. 2004(06)
[4]IKONOS等高分辨率遙感技術(shù)的發(fā)展與應(yīng)用分析[J]. 朱光良.  地球信息科學(xué). 2004(03)
[5]高分辨率衛(wèi)星遙感數(shù)據(jù)在土地利用動(dòng)態(tài)監(jiān)測(cè)中的應(yīng)用研究[J]. 楊清華,齊建偉,孫永軍.  國(guó)土資源遙感. 2001(04)



本文編號(hào)：3123259