發(fā)布時間：2020-11-03 13:14

　　 準(zhǔn)確、快速地提取耕地面積和分布信息是農(nóng)業(yè)生產(chǎn)的基礎(chǔ),對于農(nóng)業(yè)資源監(jiān)測和國家糧食安全具有重要的意義,隨著遙感技術(shù)的發(fā)展,通過遙感影像分類方法來提取耕地信息成為了一種非常高效的方式。遙感影像中耕地的光譜、紋理等特征類內(nèi)差異大,同物異譜現(xiàn)象嚴(yán)重,特征提取難度大,使得耕地提取成為難點問題。傳統(tǒng)的遙感影像分類方法采用淺層特征提取結(jié)構(gòu)且需要人工參與參數(shù)選擇和特征選取,無法有效提取出分類所需特征,不能準(zhǔn)確提取出各種類型的耕地。本文期望利用深度學(xué)習(xí)方法強(qiáng)大的特征提取能力解決這個問題,進(jìn)行了將深度學(xué)習(xí)方法遷移應(yīng)用于遙感影像耕地提取的探索。在遷移學(xué)習(xí)時,遙感影像除了含有自然圖像常用的紅,綠,藍(lán)波段數(shù)據(jù)外,還包含近紅外等更多的波段數(shù)據(jù)。探索各波段數(shù)據(jù)對改善耕地提取結(jié)果的有效性對于充分利用遙感影像豐富的信息具有重要意義。因此,本文對來自Landsat和高分二號衛(wèi)星的遙感影像進(jìn)行了波段選取,構(gòu)建了四個不同波段組合的數(shù)據(jù)集。同時,為了規(guī)避在大型自然圖像數(shù)據(jù)集上得到的預(yù)訓(xùn)練模型只適用于三波段圖像數(shù)據(jù)的問題,本文對深度學(xué)習(xí)方法進(jìn)行了篩選,選用輕量級深度全卷積網(wǎng)絡(luò)UNet,在具有不同波段的數(shù)據(jù)集上采用了從頭訓(xùn)練U-Net模型的方法進(jìn)行耕地提取實驗。除此之外,針對因U-Net網(wǎng)絡(luò)結(jié)構(gòu)中的下采樣操作導(dǎo)致的影像高分辨率的細(xì)節(jié)信息丟失、耕地提取結(jié)果邊緣平滑等問題,本文對U-Net算法的跳躍連接結(jié)構(gòu)和損失函數(shù)的輸入部分進(jìn)行了改進(jìn),提出了高分辨率U-Net(HRU-Net)算法。通過實驗驗證,HRU-Net和U-Net均解決了傳統(tǒng)遙感影像分類方法存在的同物異譜問題。同時,HRU-Net相比U-Net保留了更多影像中的高分辨率的細(xì)節(jié)信息,提高了耕地提取結(jié)果的細(xì)節(jié)準(zhǔn)確度和豐富度,并且進(jìn)一步提升了耕地提取精度。
【學(xué)位單位】：中國科學(xué)院大學(xué)(中國科學(xué)院深圳先進(jìn)技術(shù)研究院)
【學(xué)位級別】：碩士
【學(xué)位年份】：2020
【中圖分類】：S127;TP183;TP751
【部分圖文】：

基于高分辨率全卷積網(wǎng)絡(luò)的遙感影像耕地提取方法研究8第2章遙感影像分類理論與分類方法本章將詳細(xì)介紹遙感影像分類理論與分類方法，分析其原理，優(yōu)缺點與適用范圍，為本文的方法選擇和方法改進(jìn)提供理論基礎(chǔ)和資料支持。2.1遙感影像分類概述遙感影像分類的目的是通過各種分類方法自動地識別出遙感影像上的各種不同的地物[32]。在遙感影像中，某一種特定的地物在環(huán)境條件相同或相似時，其具有的光譜、紋理、空間等特征也應(yīng)該具有一致性[33]。遙感影像的這個特點是能進(jìn)行遙感影像分類的前提，遙感影像分類方法要做到的就是高效提取出各種地物區(qū)別于其他地物的特征，將這些特征輸入分類器，通過訓(xùn)練得到分類器的參數(shù)模型，然后把用做測試樣本的待分類圖像輸入之前訓(xùn)練好的參數(shù)模型，得到分類結(jié)果，最后評價分類結(jié)果的精度和準(zhǔn)確度以及分類方法的性能。對上述內(nèi)容歸納總結(jié)后，可以將遙感影像分類概括地描述為預(yù)處理、特征提取與選擇、分類器分類、分類效果評價四個步驟，如圖2.1所示。圖2.1遙感圖像分類框架圖目前，遙感影像分類方法可以分為基于深度學(xué)習(xí)的分類方法和不用深度學(xué)習(xí)的傳統(tǒng)分類方法，這兩類方法在遙感影像預(yù)處理和分類效果評價兩部分是互通的，但傳統(tǒng)分類方法需要先進(jìn)行特征提取與選擇，再選擇分類器方法（如支持向量機(jī)，

第2章遙感影像分類理論與分類方法13接下來，將對典型的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行介紹，以圖2.2所示的LeNet[41]模型結(jié)構(gòu)為例。卷積神經(jīng)網(wǎng)絡(luò)主要包括輸入層、卷積層、下采樣層、全連接層和輸出層幾個部分。圖中，32*32大小的圖像進(jìn)入輸入層，在經(jīng)過兩個重復(fù)的卷積核為3*3的卷積層和一個卷積核為2*2的池化層后，可以生成5*5*16大小的特征圖。接下來特征圖被展開成一維向量，并輸入全連接層，最后輸出一個n維的特征向量，其中，n為分類的類別數(shù)。接下來，將對卷積神經(jīng)網(wǎng)絡(luò)的各個部分進(jìn)行介紹。圖2.2LeNet的網(wǎng)絡(luò)結(jié)構(gòu)圖[41]（1）卷積層卷積層可以被認(rèn)為是卷積神經(jīng)網(wǎng)絡(luò)的核心。卷積層的具體操作是對卷積核和網(wǎng)絡(luò)結(jié)構(gòu)中上一層特征圖進(jìn)行卷積運算，并且輸出相應(yīng)的運算結(jié)果。圖2.3圖像卷積操作示意圖資料來源：http://www.retui8.com/article/2498133.html卷積運算如圖2.3所示，該例子中，以一個3*3大小的圖像作為輸入圖像，然后通過邊界填充（Padding）過程進(jìn)行補0操作得到5*5的圖像。然后，用一個3*3大小的卷積核（KernelSize），采用1的步距（Stride），在輸入圖像中按照

第2章遙感影像分類理論與分類方法13接下來，將對典型的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行介紹，以圖2.2所示的LeNet[41]模型結(jié)構(gòu)為例。卷積神經(jīng)網(wǎng)絡(luò)主要包括輸入層、卷積層、下采樣層、全連接層和輸出層幾個部分。圖中，32*32大小的圖像進(jìn)入輸入層，在經(jīng)過兩個重復(fù)的卷積核為3*3的卷積層和一個卷積核為2*2的池化層后，可以生成5*5*16大小的特征圖。接下來特征圖被展開成一維向量，并輸入全連接層，最后輸出一個n維的特征向量，其中，n為分類的類別數(shù)。接下來，將對卷積神經(jīng)網(wǎng)絡(luò)的各個部分進(jìn)行介紹。圖2.2LeNet的網(wǎng)絡(luò)結(jié)構(gòu)圖[41]（1）卷積層卷積層可以被認(rèn)為是卷積神經(jīng)網(wǎng)絡(luò)的核心。卷積層的具體操作是對卷積核和網(wǎng)絡(luò)結(jié)構(gòu)中上一層特征圖進(jìn)行卷積運算，并且輸出相應(yīng)的運算結(jié)果。圖2.3圖像卷積操作示意圖資料來源：http://www.retui8.com/article/2498133.html卷積運算如圖2.3所示，該例子中，以一個3*3大小的圖像作為輸入圖像，然后通過邊界填充（Padding）過程進(jìn)行補0操作得到5*5的圖像。然后，用一個3*3大小的卷積核（KernelSize），采用1的步距（Stride），在輸入圖像中按照
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王寶鋒;;高分辨率航空影像在第三次國土調(diào)查中的應(yīng)用優(yōu)勢[J];科技與創(chuàng)新;2020年08期

2 Masaaki Baba;Ayumi Kanaoka;Akiko Nishiyama;Masatoshi Misono;Takayoshi Ishimoto;Taro Udagawa;;利用高分辨率光譜和從頭算理論研究9-甲基蔥的大振幅運動（英文）[J];Chinese Journal of Chemical Physics;2020年01期

3 陳宏志;馬宜傳;;高分辨率CT診斷兒童閉塞性毛細(xì)支氣管炎的價值[J];河北北方學(xué)院學(xué)報(自然科學(xué)版);2018年12期

4 李計;孫禮;于艷紅;;高分辨率CT在診斷特發(fā)性肺間質(zhì)纖維化中的應(yīng)用價值[J];影像研究與醫(yī)學(xué)應(yīng)用;2019年08期

5 付連山;;高分辨率CT掃描在特發(fā)性肺間質(zhì)纖維化診斷中的價值[J];基層醫(yī)學(xué)論壇;2018年19期

6 天聰;小型高分辨率AMLCDs[J];光電子技術(shù);1997年03期

7 饒國寶;;斯波特衛(wèi)星高分辨率可見光相機(jī)設(shè)計綜述[J];國外空間動態(tài);1987年07期

8 莊永芳;馮偉明;;一種高分辨率接觸式電容測微裝置[J];磨床與磨削;1987年02期

9 本刊記者;;彩色高分辨率顯示器在北京東風(fēng)電視機(jī)廠大批量投產(chǎn)[J];電視技術(shù);1987年09期

10 ;信息與服務(wù)[J];化學(xué)通報;1987年07期

相關(guān)博士學(xué)位論文 前10條

1 胡堃;高分辨率光學(xué)衛(wèi)星影像幾何精準(zhǔn)處理方法研究[D];武漢大學(xué);2016年

2 朱映;高分辨率光學(xué)遙感衛(wèi)星影像平臺震顫處理方法研究[D];武漢大學(xué);2016年

3 閔雷;平面復(fù)眼空間高分辨率技術(shù)研究[D];電子科技大學(xué);2019年

4 王偉;高分辨率立體測繪衛(wèi)星影像質(zhì)量提升和典型要素提取[D];武漢大學(xué);2017年

5 單昌功;基于地基高分辨率傅里葉變換紅外光譜技術(shù)研究大氣CO_2時空分布和變化特征[D];中國科學(xué)技術(shù)大學(xué);2019年

6 郭思;高分辨率三維地震薄儲層精細(xì)預(yù)測研究[D];成都理工大學(xué);2015年

7 張曉博;基于高分辨率SAR影像的城市二維時序形變建模與應(yīng)用[D];中國礦業(yè)大學(xué)(北京);2018年

8 朱俊杰;高分辨率光學(xué)和SAR遙感數(shù)據(jù)融合及典型目標(biāo)提取方法研究[D];中國科學(xué)院研究生院（遙感應(yīng)用研究所）;2005年

9 龍輝;高分辨率光學(xué)衛(wèi)星影像城市道路識別方法研究[D];中國科學(xué)院研究生院（遙感應(yīng)用研究所）;2006年

10 熊宸;高分辨率離面位移檢測中的若干問題研究[D];中國科學(xué)技術(shù)大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 徐文娜;基于高分辨率全卷積網(wǎng)絡(luò)的遙感影像耕地提取方法研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院深圳先進(jìn)技術(shù)研究院);2020年

2 張萌;面向?qū)ο罂蚣芟禄谏疃葘W(xué)習(xí)的高分辨率遙感影像分類[D];云南師范大學(xué);2019年

3 鄧偉澤;示波記錄儀頻率與溫度模塊研究與設(shè)計[D];電子科技大學(xué);2019年

4 周楠;5GSPS高分辨率數(shù)據(jù)采集與處理關(guān)鍵技術(shù)研究[D];電子科技大學(xué);2019年

5 何海迅;高分辨率高速DA轉(zhuǎn)換電路的研究與實現(xiàn)[D];電子科技大學(xué);2019年

6 張松;高分辨率寬測繪帶一站固定式雙站合成孔徑雷達(dá)成像算法研究[D];杭州電子科技大學(xué);2018年

7 楊海賓;基于光學(xué)相干層析成像技術(shù)的三維輪廓測量系統(tǒng)[D];廣東工業(yè)大學(xué);2019年

8 姜瑞;基于序列降雨采樣器的高分辨率雨水化學(xué)成份研究[D];哈爾濱工業(yè)大學(xué);2019年

9 周莉莎;高分辨率的微顯示驅(qū)動算法的設(shè)計和實現(xiàn)[D];湘潭大學(xué);2019年

10 秦婷婷;基于高分辨率距離像的穿墻雷達(dá)目標(biāo)定位算法[D];南京郵電大學(xué);2019年

本文編號：2868622