冬小麥?zhǔn)俏覈狈阶钪饕霓r(nóng)產(chǎn)品,及時(shí)準(zhǔn)確地獲取冬小麥生長、分布情況,有利于農(nóng)業(yè)生產(chǎn)的產(chǎn)量估值,也可以為我國的農(nóng)業(yè)政策、農(nóng)產(chǎn)品布局提供有力的依據(jù)。使用GF-2遙感圖像自動(dòng)解譯技術(shù)可以實(shí)時(shí)獲取冬小麥的空間分布情況。遙感影像解譯及語義分割的本質(zhì)都是基于像素的分類,因此本文使用深度學(xué)習(xí)中的語義分割方法,對經(jīng)典的語義分割網(wǎng)絡(luò)（U-Net）進(jìn)行改進(jìn),設(shè)計(jì)了一套基于可變形全卷積網(wǎng)絡(luò)模型（DFCN）的遙感圖像冬小麥自動(dòng)解譯方案。首先,針對遙感影像的成像誤差問題和特征不明顯問題,對原始影像進(jìn)行預(yù)處理及特征增強(qiáng),制作了2330張256×256大小的訓(xùn)練集影像和582張256×256大小的測試集影像;其次,為解決滑動(dòng)卷積造成的影像尺寸缺失問題,在卷積過程中加入了填充操作;接著,增加了網(wǎng)絡(luò)層深度,以實(shí)現(xiàn)模型對遙感影像特征的強(qiáng)表征能力;最后,在卷積過程中加入可訓(xùn)練的偏移量使卷積發(fā)生形變,得到了自適應(yīng)感受野,從而提取出冬小麥的幾何形變特征。對DFCN進(jìn)行訓(xùn)練及調(diào)參,將最優(yōu)的DFCN網(wǎng)絡(luò)與FCN網(wǎng)絡(luò)、U-Net網(wǎng)絡(luò)以及RF（隨機(jī)森林）算法進(jìn)行對比分析,結(jié)果在GF-2影像測試集上的自動(dòng)解譯精度分別為98.1%、89.... 

【文章來源】：北華航天工業(yè)學(xué)院河北省

【文章頁數(shù)】：65 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)連接方式對比

北華航天工業(yè)學(xué)院碩士學(xué)位論文11化，即取池化感受野中的最大值。池化層采用類似于卷積的滑動(dòng)窗口采樣方法，池化規(guī)模常使用步長為2的2×2大小的池化濾波器。池化過程如圖2.4所示。圖2.4池化過程圖2.4為4×4大小的輸入特征圖，池化濾波器大小為2×2，滑動(dòng)窗口步長為2，最大池化就是取池化窗口在特征圖中的感受野中的最大值，即依次取輸入特征圖大小為2×2區(qū)域內(nèi)最大值3、4、2、5作為池化層輸出的結(jié)果。平均池化則是取池化窗口在特征圖中的感受野中的平均值，即依次取輸入特征圖大小為2×2區(qū)域內(nèi)平均值（2+3+1+2）/4=2、（4+0+1+1）/4=1.5、（2+0+0+2）/4=1、（3+0+5+2）/4=2.5作為池化層輸出的結(jié)果。池化層的特征圖大小見式（2.4）、式（2.5）。1"StridekWW（2.4）1"StridekHH（2.5）其中W′和W分別表示輸出特征圖即輸入特征圖的寬度，H′和H分別表示輸出特征圖即輸入特征圖的高度，k表示滑動(dòng)窗口的大小，Stride表示每次滑動(dòng)窗口移動(dòng)的步長。池化層不改變特征圖的數(shù)量，因此池化后的特征圖的數(shù)量和池化前的特征圖數(shù)量相同，全連接層如圖2.5所示。（4）全連接層

基于可變形全卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)遙感圖像冬小麥自動(dòng)解譯12圖2.5全連接層如圖2.5所示，全連接層是卷積層的特殊形式，卷積層以稀疏連接為主要方式，全連接層則將每個(gè)前層神經(jīng)元與每個(gè)后層神經(jīng)元全部相聯(lián)，類似于神經(jīng)網(wǎng)絡(luò)的連接方式。全連接層見式（2.6）。bWyx（2.6）其中，y表示神經(jīng)網(wǎng)絡(luò)最終的輸出，可用向量pRy表示，p為輸出向量大校x表示輸入向量，可用qRx表示，q為輸入向量大校表示所需訓(xùn)練的權(quán)值系數(shù)，x是矩陣的點(diǎn)乘運(yùn)算。由于全連接層所有神經(jīng)元是緊密相連的，參數(shù)數(shù)量為ppq，所以所需要訓(xùn)練的參數(shù)量會(huì)大大提高。但是全連接層的緊密連接，會(huì)讓三維的圖像輸入變成了二維的向量輸出，從而使圖的特征坐標(biāo)信息丟失。2.1.2基于深度學(xué)習(xí)的遙感影像自動(dòng)解譯算法傳統(tǒng)的遙感影像解譯采用人工目視解譯，即具有遙感知識(shí)背景的專家通過人工觀察或利用協(xié)助工具對遙感影像上所包含的地物進(jìn)行判別，但是基于專家經(jīng)驗(yàn)式的識(shí)別方法給影像解譯帶來了主觀因素，使識(shí)別效果不夠穩(wěn)定且魯棒性不強(qiáng)。再者，GF-2遙感影像具有多波段光譜信息，僅依靠人為視覺很難對其特征進(jìn)行全面的提齲針對傳統(tǒng)遙感影像解譯方法的主觀性及特征復(fù)雜性，出現(xiàn)了如感知機(jī)（Perceptron）、支持向量機(jī)（SupportVectorMachine）、隨機(jī)森林（RandomForest）等使用計(jì)算機(jī)代替人腦進(jìn)行處理及運(yùn)算的遙感圖像自動(dòng)解譯方法。遙感圖像自動(dòng)解譯方法使用計(jì)算機(jī)視覺算法，對GF-2影像的豐富特征進(jìn)行提取，從而得到了更好的識(shí)別效果。隨著計(jì)算機(jī)運(yùn)算處理速度的提升，深度學(xué)習(xí)方法可以處理分析數(shù)據(jù)屬性復(fù)雜、格式特殊的遙感影像，使其在遙感影像自動(dòng)解譯領(lǐng)域的應(yīng)用得到了發(fā)展。深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)模型，通過非線性的特征提取器對原始數(shù)據(jù)中的目標(biāo)對象信息進(jìn)行更為全面地表達(dá)�；谏疃葘W(xué)習(xí)的遙感?

【參考文獻(xiàn)】：
期刊論文
[1]一種多源遙感影像非監(jiān)督分類方法中的欠分割對象檢測與拆分算法[J]. 毛婷,唐宏.  遙感信息. 2019(06)
[2]基于Sentinel-2時(shí)序多特征的植被分類[J]. 郭文婷,張曉麗.  浙江農(nóng)林大學(xué)學(xué)報(bào). 2019(05)
[3]基于神經(jīng)網(wǎng)絡(luò)的遙感圖像語義分割方法[J]. 王恩德,齊凱,李學(xué)鵬,彭良玉.  光學(xué)學(xué)報(bào). 2019(12)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的中國北方冬小麥遙感估產(chǎn)[J]. 周亮,慕號(hào)偉,馬海姣,陳高星.  農(nóng)業(yè)工程學(xué)報(bào). 2019(15)
[5]京津冀MODIS長時(shí)序增強(qiáng)型植被指數(shù)擬合重建方法適用性研究[J]. 程琳琳,李玉虎,孫海元,張也,詹佳琪,劉梅.  農(nóng)業(yè)工程學(xué)報(bào). 2019(11)
[6]田間作物NDVI測量儀可靠性分析及標(biāo)定環(huán)境研究[J]. 楊鈞森,楊貴軍,徐波,張凱選,楊小冬,李振海,李賀麗,楊浩,韓亮.  農(nóng)業(yè)工程學(xué)報(bào). 2019(08)
[7]基于多尺度形變特征卷積網(wǎng)絡(luò)的高分辨率遙感影像目標(biāo)檢測[J]. 鄧志鵬,孫浩,雷琳,周石琳,鄒煥新.  測繪學(xué)報(bào). 2018(09)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)和改進(jìn)模糊C均值的遙感圖像檢索[J]. 彭晏飛,宋曉男,訾玲玲,王偉.  激光與光電子學(xué)進(jìn)展. 2018(09)
[9]基于MODIS-EVI及物候差異免閾值提取黃淮海平原冬小麥面積[J]. 張莎,張佳華,白雲(yún),姚鳳梅.  農(nóng)業(yè)工程學(xué)報(bào). 2018(11)
[10]基于多時(shí)相MODIS-RVI的玉米遙感估產(chǎn)研究[J]. 安秦,陳圣波,孫士超.  地理空間信息. 2018(03)

博士論文
[1]面向?qū)ο蟮母叻直媛蔬b感影像特征選擇與分類研究[D]. 史蕾.武漢大學(xué) 2018

碩士論文
[1]基于距中植被指數(shù)的黑龍江省農(nóng)業(yè)災(zāi)害遙感監(jiān)測[D]. 趙博文.東北農(nóng)業(yè)大學(xué) 2019
[2]基于深度學(xué)習(xí)的船只光學(xué)遙感圖像檢測和分割[D]. 馮冬青.電子科技大學(xué) 2019
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的雙源遙感數(shù)據(jù)語義分割的方法研究[D]. 張悅.哈爾濱工業(yè)大學(xué) 2018
[4]基于深度學(xué)習(xí)的農(nóng)業(yè)遙感圖像耕地提取技術(shù)研究[D]. 李昌俊.中國科學(xué)技術(shù)大學(xué) 2018
[5]基于海量解譯標(biāo)志的遙感影像卷積神經(jīng)網(wǎng)絡(luò)分類研究[D]. 婁亞晴.中國地質(zhì)大學(xué)(北京) 2017
[6]高分遙感影像的語義理解[D]. 屈博.中國科學(xué)院大學(xué)(中國科學(xué)院西安光學(xué)精密機(jī)械研究所) 2017



本文編號(hào)：3315751