最近隨著經濟的飛速發(fā)展,城市空間結構也得到了不斷的優(yōu)化。識別城市目標及其空間分布特性,對于把握整個城市空間結構以及制定科學合理的規(guī)劃具有重要意義�，F有的城市目標識別技術通�；陟o態(tài)數據或動態(tài)數據,然而,受到主觀因素的限制,很難獲得較好的識別結果。遙感圖像不僅包含了地面物體（地物）豐富的空間特征,還包含了地物精細的光譜特征�；谏疃葘W習模型的圖像識別是計算機視覺領域的一個研究熱點。深度學習模型可以用于學習遙感圖像的判別性特征表示,實現城市目標的智能識別,尤其是對功能分區(qū)和精細物目標的識別。圖像識別模型的性能依賴于提取的特征,判別性強的數據特征有助于更好地挖掘原始圖像數據中的潛在信息,進一步提升圖像識別模型的性能。因此,如何從大規(guī)模、高維度和包含遮擋、陰影等噪聲的遙感圖像數據中提取有效的數據表征,并且實現城市目標的快速精準識別,已成為遙感圖像分析與處理研究領域迫切需要解決的問題。本文以深度學習模型為基礎,提取對多源遙感數據（如航天、航空遙感數據）識別有意義且判別性強的數據特征,將低層遙感數據特征轉化為高層抽象語義特征;并借此分析隱含在原始數據中的潛在信息,實現城市目標的智能識別,為構建智慧... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數】：159 頁

【學位級別】：博士

【部分圖文】：

圖１－２高光譜遙感圖像空間維度和光譜維度，右圖中Ｘ，Ｙ為空間維度信息，Ｚ為光譜維度??信息??

?第１章緒論???輸入??．麵?ｐ－？—１??卷積操作?ｍｍ?Ｉ池化雛全請層卜］！??輸鱗?池化獅??？－?１?一＾Ｉ＾??輸入層?中間？藏層?輸出層??圖１－３卷積神經網絡模型實例示意圖??Ｆｉｇ．?１－３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｍｏｄｅｌ??Ｙａｎｇ等人［５］首先利用３Ｄ?ＣＮＮ設計了一個高光譜遙感分類的３Ｄ模型，然后結合??迭代神經網絡（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＲＮＮ），設計了個迭代３Ｄ卷積神經網??絡模型（Ｒｅｃｕｒｒｅｎｔ?３Ｄ?Ｃｏｎｖｏｌｕｔｉｏｎ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，Ｒ－３Ｄ－ＣＮＮ）進行高光譜遙感圖??像分類，并取得了不俗的分類精度。Ｃｈｅｎｇ等人［７４］設計了—個級聯(lián)卷積神經網??絡（Ｃａｓｃａｄｅｄ?ＣＮＮ）進行道路提取和中心線識別。Ｂａｓｔａｎｉ等人［７５］利用ＣＮＮ模型做??決策，設計了—個ＲｏａｄＴｒａｃｅｒ進行城市道路網提齲目前，深度學習模型被廣??泛地應用在智慧城市的建設中＾７Ｓ］。基于深度學習模型進行高光譜遙感圖像的??處理，是當前的一個研究熱點。??１．２．４基于低分辨率圖像的城市目標識別方法??雖然深度卷積神經網絡已經成功應用于解決多種現實問題，但是ＣＮＮ模型??依然存在一？些難以克服的限制條件。例如：１）深度卷積神經網絡模型中參數??的學習需要大量的訓練樣本，即需要有足夠的訓練樣本進行模型訓練；２）較??好的識別結果是基于高質量訓練樣本的。高質量的圖像訓練樣本一般指的是??高分辨率的圖像數據。圖像分辨率越高，則圖像中包含的細節(jié)

哈爾濱工業(yè)大學工學博±學位論文??通道上汰幻窗口內的所有像素值進行矩陣相乘操作，得到輸出圖像中的４個數??值。??Ｗ??Ｈ，」??Ｈ??Ｗ??圖２－１基于高光譜圖像的２Ｄ－ＣＮＮ分類模型。該模型包括２Ｄ卷積操作，卷積核大小為ｆｃ，每??一層輸出的特征圖數目為ｍ??Ｆｉｇ．２－１?Ｔｈｅ?２Ｄ－ＣＮＮ?ｍｏｄｅｌ?ｃｏｎｓｉｓｔｉｎｇ?２Ｄ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｏｐｅｒａｔｉｏｎ?ｗｉｔｈ?ｋｅｒｎｅｌ?ｓｉｚｅ?（ｋ）?ａｎｄ?ｎｕｍｂｅｒ??ｏｆ?ｆｅａｔｕｒｅ?ｍａｐｓ?（ｍ）?ａｔ?ｅａｃｈ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｌａｙｅｒ?ｆｏｒ?ｈｙｐｅｒｓｐｅｃｔｒａ?ｉｍａｇｅ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ??２．３．２?３Ｄ卷積核??圖２－２展示了?３Ｄ卷積操作，這里只展示了單通道的３Ｄ卷積操作。而且為了??方便解釋，假定這里只有１個濾波器，輸出的特征也是只有＾個。與２Ｄ卷積不??同的是，輸入圖像多了一個ｄｅｐｔｈ維度代表光譜維度（如果是視頻數據的話，就??是代表時間維度），即輸入圖像數據的大小為（ｌ，ＡＭ，Ａ〇，卷積核尺寸也增加了??一個維度，即為（兄瓦幻。不同于２Ｄ卷積操作，３Ｄ卷積操作是卷積核在輸入圖??像的空間維度和光譜維度上（即（ＡＭ，Ａ〇三維）進行滑窗操作，得到輸出圖像（也??是三維數據）中的一個數值。??輸入數據??Ｔ５??／?３Ｄ卷積核??ＫＲ?＾??Ｎ?Ｋ??Ｎ???光譜＇ｉｙ???今?Ｍ??圖２－２基于高光譜圖像的３Ｄ－ＣＮＮ分類模型。該模型包括３Ｄ卷積操作，卷積核大小為尤，??每一層輸出的特征圖數目為ｍ??Ｆｉｇ．?２－２?Ｔｈｅ?３Ｄ－ＣＮＮ

【參考文獻】：
期刊論文
[1]深度學習的研究進展與發(fā)展[J]. 史加榮,馬媛媛.  計算機工程與應用. 2018(10)
[2]深度學習認知計算綜述[J]. 陳偉宏,安吉堯,李仁發(fā),李萬里.  自動化學報. 2017(11)
[3]深度學習在高光譜圖像分類領域的研究現狀與展望[J]. 張?zhí)栧?李映,姜曄楠.  自動化學報. 2018(06)
[4]使用點評數據探測城市商業(yè)服務設施的發(fā)展規(guī)律[J]. 蔣波濤,王艷東,葉信岳.  測繪學報. 2015(09)
[5]多中心化下的城市商業(yè)中心空間吸引衰減率驗證——深圳市浮動車GPS時空數據挖掘[J]. 周素紅,郝新華,柳林.  地理學報. 2014(12)
[6]壓縮感知及其圖像處理應用研究進展與展望[J]. 任越美,張艷寧,李映.  自動化學報. 2014(08)
[7]超分辨率圖像重建方法綜述[J]. 蘇衡,周杰,張志浩.  自動化學報. 2013(08)
[8]一種改進的高光譜遙感數據波段選擇方法的研究[J]. 韓瑞梅,楊敏華.  測繪與空間地理信息. 2010(03)
[9]基于Gabor感知多成份字典的圖像稀疏表示算法研究[J]. 孫玉寶,肖亮,韋志輝,邵文澤.  自動化學報. 2008(11)
[10]利用高光譜遙感圖像估算小麥氮含量[J]. 張霞,劉良云,趙春江,張兵.  遙感學報. 2003(03)



本文編號：3455915