林地資源對于生態(tài)平衡、氣候變化、生物多樣性、人類的生產(chǎn)生活等都具有重大的影響作用。精準(zhǔn)的掌握林地資源的分布和范圍,對國家進(jìn)一步制定相關(guān)經(jīng)濟(jì)和環(huán)境效益政策有著重要的指導(dǎo)作用。隨著我國高分辨率對地觀測系統(tǒng)重大專項的開展,利用高分遙感影像進(jìn)行自然資源管理逐漸成為主要的技術(shù)手段之一。然而,包含豐富空間細(xì)節(jié)信息和結(jié)構(gòu)信息的高分影像同時擁有更加復(fù)雜的光譜特征,光譜異構(gòu)性的變化、類別之間與類內(nèi)之間的差異化、使得高分影像中的信息提取難度顯著增加。基于低層特征學(xué)習(xí)的傳統(tǒng)機(jī)器學(xué)習(xí)算法在處理高分影像數(shù)據(jù)時,由于其分類器自身的原因,在面對豐富的細(xì)節(jié)信息時,無法準(zhǔn)確的對其進(jìn)行抽象化表達(dá),使得分類的效果和分類精度顯著的降低。如何精確高效的利用高分影像中包含的豐富信息成為遙感影像信息提取的關(guān)鍵。在自然狀態(tài)下,林地類型的分布相對比較復(fù)雜,同一片區(qū)域存在不同的林地類型,呈現(xiàn)在高分影像中的光譜特征將會更具差異化�；谙裨牧值仡愋团卸▌荼�?zé)o法擺脫椒鹽現(xiàn)象帶來的影響。因此,針對高分遙感影像林地信息提取所面臨的挑戰(zhàn),本文提出合分層分類策略及面向?qū)ο窬矸e神經(jīng)網(wǎng)路的特征學(xué)習(xí)及分類方法用于林地類型的判定。本文的工作和成果如下:（1... 

【文章來源】：中國地質(zhì)大學(xué)(北京)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：52 頁

【學(xué)位級別】：碩士

【部分圖文】：

實驗流程圖

說牟問?槍蠶淼模?問?蠶砑饒芄?大大減少卷積核中參數(shù)的數(shù)量，又能降低網(wǎng)絡(luò)的復(fù)雜度。對比傳統(tǒng)的機(jī)器學(xué)習(xí)算法，卷積核可以自動的進(jìn)行特征的學(xué)習(xí)和抽取，減少了特征預(yù)處理的不確定因素。濾波器是卷積神經(jīng)網(wǎng)絡(luò)中卷積層的重要組成部分。同時，濾波器中包含了成百上千的參數(shù)，但這些參數(shù)并不是提前設(shè)置好的，而是通過不斷的迭代訓(xùn)練學(xué)習(xí)獲齲不同的層具有不同的作用，較低層會檢查圖像的基本特征，而較高層可以檢測到圖像更加復(fù)雜的特征。卷積神經(jīng)網(wǎng)絡(luò)主要就是利用這些濾波器并根據(jù)大量的輸入數(shù)據(jù)來完成參數(shù)的學(xué)習(xí)[68,69]。圖2-1卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)圖

142.1.1卷積層卷積運(yùn)算具有平移不變性和線性的特征。卷積層作為深度卷積神經(jīng)網(wǎng)絡(luò)的核心，根據(jù)輸入數(shù)據(jù)進(jìn)行局部信息的加權(quán)操作，不同的權(quán)重函數(shù)表示輸入信息特征的不同性質(zhì)，而這些權(quán)重函數(shù)是由點(diǎn)擴(kuò)散函數(shù)確定的。卷積神經(jīng)網(wǎng)絡(luò)中的卷積層由眾多的卷積單元所構(gòu)成。卷積單元中的參數(shù)根據(jù)反向傳播算法在多次迭代學(xué)習(xí)中獲得。多層卷積層的疊加可以挖掘出輸入數(shù)據(jù)中包含的多層特征信息。卷積就是根據(jù)局部感受野和特定的權(quán)重進(jìn)行卷積運(yùn)算的過程。[70,71]。卷積運(yùn)算可以表達(dá)如下：=,(2-1)其中，,是輸入影像，,代表像素的空間位置，表示第k層卷積核的l位置處。基于像素塊的影像信息提取可以更好的提取像素的局部相關(guān)性。圖2-2卷積層基本原理圖例2.1.2池化層池化操作的目的是為了抽取區(qū)域位置特征的變化并將這些變化的特征進(jìn)行聚合處理。緊隨卷積層之后的池化層不僅能夠?qū)?fù)雜的信息進(jìn)行簡化處理，同時能夠更好的聚合重要的特征。池化操作能夠使網(wǎng)絡(luò)模型擁有更大的感受野，從而能夠接受到更大的輸入，隨著感受野的增大，網(wǎng)絡(luò)將會學(xué)習(xí)到更加抽象的深層特征。池化過程可以表示為：

【參考文獻(xiàn)】：
期刊論文
[1]高分一號遙感衛(wèi)星數(shù)據(jù)林地信息快速提取方法的研究[J]. 周日平.  中國煤炭地質(zhì). 2019(02)
[2]基于高分辨率遙感影像的林地資源信息提取方法研究[J]. 王曉麗.  信息記錄材料. 2018(10)
[3]扎實推進(jìn)高分專項實施 助力“一帶一路”建設(shè)[J]. 童旭東.  航天返回與遙感. 2018(04)
[4]綜合應(yīng)用多源遙感數(shù)據(jù)的面向?qū)ο笸恋馗采w分類方法[J]. 李曉紅,陳爾學(xué),李增元,李世明.  林業(yè)科學(xué). 2018(02)
[5]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機(jī)學(xué)報. 2017(06)
[6]高分辨率遙感影像林地邊界提取方法[J]. 胡華龍,吳冰,秦志遠(yuǎn),賴廣陵.  測繪科學(xué)技術(shù)學(xué)報. 2016(04)
[7]中國高分辨率對地觀測系統(tǒng)重大專項建設(shè)進(jìn)展[J]. 童旭東.  遙感學(xué)報. 2016(05)
[8]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機(jī)應(yīng)用. 2016(09)
[9]中國高分辨率對地觀測系統(tǒng)[J].   衛(wèi)星應(yīng)用. 2015(08)
[10]融合像素—多尺度區(qū)域特征的高分辨率遙感影像分類算法[J]. 劉純,洪亮,陳杰,楚森森,鄧敏.  遙感學(xué)報. 2015(02)

博士論文
[1]高分辨率遙感影像多尺度紋理、形狀特征提取與面向?qū)ο蠓诸愌芯縖D]. 黃昕.武漢大學(xué) 2009

碩士論文
[1]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]. 張萌.云南師范大學(xué) 2019
[2]基于多類特征深度學(xué)習(xí)的高分辨率遙感影像分類[D]. 劉威.北京建筑大學(xué) 2019
[3]高分辨率影像空頻域分析與建筑物提取[D]. 高東陽.北京建筑大學(xué) 2018
[4]高分辨率遙感影像土地利用信息提取技術(shù)研究[D]. 李周.西安科技大學(xué) 2018
[5]基于深度特征學(xué)習(xí)的高分辨率遙感影像分類[D]. 楊惠雯.中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所) 2018
[6]面向?qū)ο蟮母叻直媛蔬b感影像土地覆蓋信息提取技術(shù)研究[D]. 王娜.昆明理工大學(xué) 2016
[7]高分辨率遙感影像林地資源信息提取方法研究[D]. 胡湛晗.北華航天工業(yè)學(xué)院 2015



本文編號：3503390