準確的農(nóng)作物空間分布信息對糧食估產(chǎn)、農(nóng)業(yè)政策制定、科學(xué)研究等具有重要意義。目前卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)成為從遙感影像中提取農(nóng)作物空間分布信息的主要方法之一,但僅使用卷積神經(jīng)網(wǎng)絡(luò)得到的結(jié)果大多存在邊緣粗糙的問題。農(nóng)作物種植區(qū)域邊緣處存在被錯誤分類的現(xiàn)象是利用卷積神經(jīng)網(wǎng)絡(luò)進行圖像分割時面臨的突出問題,提高邊緣像素分類的準確性成為利用卷積神經(jīng)網(wǎng)絡(luò)從遙感圖像中獲取高精度農(nóng)作物空間分布信息的關(guān)鍵。針對提取高精度農(nóng)作物空間分布信息這一需求,本文選擇冬小麥為研究對象,在充分分析卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與提取結(jié)果關(guān)系的基礎(chǔ)上,發(fā)揮語義特征和統(tǒng)計特征各自的優(yōu)勢,提出一種分步提取冬小麥空間分布信息的方法。首先對RefineNet模型進行改進,利用改進后的RefineNet模型進行初提取;其次在對初提取結(jié)果分析的基礎(chǔ)上利用置信度選擇初提取結(jié)果中需要被進一步分類的像素,選擇語義特征、統(tǒng)計特征建立特征向量,利用深度信念網(wǎng)絡(luò)(DBN)進行精提取,從而達到獲取高精度冬小麥空間分布信息的目標(biāo)。具體研究內(nèi)容如下:1.使用遙感圖像處理軟件對2018年至2019年的37幅能夠覆蓋全泰安市冬小麥區(qū)域的高分二號遙感影像進行輻射定標(biāo)、大氣校正、...

【文章來源】： 山東農(nóng)業(yè)大學(xué)山東省

【文章頁數(shù)】：58 頁

【文章目錄】：
中文摘要
Abstract
1 引言
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)的特征提取方法
        1.2.2 基于淺層機器學(xué)習(xí)的特征提取方法
        1.2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取方法
        1.2.4 深度學(xué)習(xí)在農(nóng)作物空間分布提取中的應(yīng)用
    1.3 研究內(nèi)容與技術(shù)路線
        1.3.1 研究內(nèi)容
        1.3.2 技術(shù)路線
    1.4 論文組織結(jié)構(gòu)
    1.5 本章小結(jié)
2 數(shù)據(jù)處理
    2.1 實驗區(qū)介紹
    2.2 高分二號介紹
    2.3 遙感數(shù)據(jù)預(yù)處理
        2.3.1 輻射定標(biāo)
        2.3.2 大氣校正
        2.3.3 正射校正
        2.3.4 圖像融合
    2.4 數(shù)據(jù)集的制作
    2.5 本章小結(jié)
3 基于改進RefineNet模型的初提取方法
    3.1 卷積神經(jīng)網(wǎng)絡(luò)的基本原理
        3.1.1 卷積層
        3.1.2 池化層
        3.1.3 激活層
    3.2 RefineNet模型基本結(jié)構(gòu)
        3.2.1 RefineNet基礎(chǔ)介紹
        3.2.2 RefineNet特征提取器
        3.2.3 RefineNet分類器
    3.3 改進的RefineNet模型
        3.3.1 傳統(tǒng)RefineNet模型存在的問題
        3.3.2 特征融合方法的改進
        3.3.3 分類器的改進
    3.4 改進后RefineNet模型的提取過程
    3.5 初提取結(jié)果分析
        3.5.1 置信度的提出
        3.5.2 置信度閾值的確定
    3.6 本章小結(jié)
4 基于DBN的精提取方法
    4.1 精提取思路
    4.2 特征組織
        4.2.1 語義特征
        4.2.2 紋理特征
        4.2.3 紋理統(tǒng)計量特征
        4.2.4 歐式距離特征
        4.2.5 特征向量的組織形式
    4.3 基于DBN的分類方法
    4.4 本章小結(jié)
5 對比實驗及結(jié)果分析
    5.1 分類模型的實現(xiàn)
        5.1.1 模型的實現(xiàn)環(huán)境
        5.1.2 模型的訓(xùn)練及測試過程
    5.2 實驗設(shè)計與結(jié)果對比
    5.3 結(jié)果分析與討論
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 不足
    6.3 展望
參考文獻
致謝
攻讀碩士期間發(fā)表論文與研究成果


【參考文獻】：
期刊論文
[1]地理國情監(jiān)測中高分一號衛(wèi)星數(shù)據(jù)處理關(guān)鍵要點分析 [J]. 于愛潔,李桂芬,張佳彬.  測繪與空間地理信息. 2020(S1)
[2]基于全卷積神經(jīng)網(wǎng)絡(luò)的無人機影像建筑物提取 [J]. 于洋,施國武,劉斌,李霞,邢寬平.  水利水電技術(shù). 2020(07)
[3]基于Multi-Path RefineNet的多特征高分辨率SAR圖像道路提取算法 [J]. 陳立福,劉燕芝,張鵬,袁志輝,邢學(xué)敏.  計算機科學(xué). 2020(03)
[4]基于模塊化深度卷積神經(jīng)網(wǎng)絡(luò)的煙霧識別 [J]. 程廣濤,鞏家昌,李建.  軟件導(dǎo)刊. 2020(03)
[5]基于改進卷積神經(jīng)網(wǎng)絡(luò)的極光圖像分類算法研究 [J]. 李彥枝,陳昌紅,謝曉芳.  南京郵電大學(xué)學(xué)報(自然科學(xué)版). 2019(06)
[6]一種基于深度學(xué)習(xí)的中文文本特征提取與分類方法 [J]. 曹魯慧,鄧玉香,陳通,李釗.  山東科學(xué). 2019(06)
[7]基于神經(jīng)網(wǎng)絡(luò)的二進制文本特征提取 [J]. 衡威,范磊.  通信技術(shù). 2019(12)
[8]基于光譜特征分析的城市建設(shè)用地信息提取 [J]. 樊舒迪,劉振華,胡月明.  數(shù)字通信世界. 2019(10)
[9]基于改進深度卷積神經(jīng)網(wǎng)絡(luò)的蘋果病害識別 [J]. 張善文,張晴晴,李萍.  林業(yè)工程學(xué)報. 2019(04)
[10]基于灰度共生矩陣的震后倒塌房屋遙感信息提取——以2014年云南魯?shù)?.5級地震為例 [J]. 鄧遠立,盧偉.  華南地震. 2019(02)

碩士論文
[1]基于SVM和Adaboost的多分類算法研究[D]. 張松.山東師范大學(xué) 2019
[2]基于決策樹與貝葉斯的電氣負載類型識別方法研究[D]. 侯文浩.湖南工業(yè)大學(xué) 2019
[3]基于深度學(xué)習(xí)的農(nóng)作物航拍圖像識別研究[D]. 陳小幫.廣東工業(yè)大學(xué) 2019
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感影像農(nóng)作物分類方法研究[D]. 徐安建.武漢大學(xué) 2017
[5]深度信念網(wǎng)絡(luò)（DBN）等效模型研究及應(yīng)用[D]. 馬艷梅.華北電力大學(xué) 2017
[6]卷積神經(jīng)網(wǎng)絡(luò)在車標(biāo)識別技術(shù)中的研究及其小樣本下的處理策略[D]. 張琪.安徽大學(xué) 2016



本文編號：3528750