基于深度学习的遥感图像处理系统的设计与实现

发布时间：2020-06-13 16:58

【摘要】：遥感图像目标识别技术被广泛应用于对地观测、矿物资源管理、测绘以及军事目标探测等领域。目前已提出的遥感图像目标识别算法针对性太强、算法准确率有待提高的问题,因此遥感图像目标识别算法还需进一步的研究。本文从高分辨遥感图像数据出发,运用深度学习图像处理技术,将实例分割技术引入遥感图像目标识别中,构建基于卷积神经网络的遥感图像目标分割识别网络。同时,实现基于深度学习的遥感图像处理系统。本文的具体工作包含以下三点:(1)构建一种基于Mask R-CNN的深度学习网络,用于遥感图像目标的识别与分割。该方法利用密集卷积网络和特征金字塔网络对图像进行特征提取,将得到的不同尺度的特征图输入区域生成网络得到各个包含目标的候选框,通过RoIAlign将候选框进行尺度统一,然后在每个候选区域上进行类别判定、矩形框修正以及实例分割。对于网络中的分割任务,构建了基于SegNet模型的18层网络结构,分割效果得到了提升。最后利用公开的遥感图像房屋数据集和手动标注的飞机数据集对构建的网络模型进行训练与测试,测试结果表明,本文所使用的方法能够有效提高遥感图像目标识别的准确率,可被用于遥感图像目标的识别与分割领域。(2)设计并实现了基于深度学习的遥感图像处理系统。利用构建的深度学习模型,结合Django、RabbitMQ和Celery等技术实现的系统主要包括数据集管理、模型管理、任务管理和用户管理四个模块,分别实现了数据集上传、数据集展示、模型上传、模型展示、模型删除、模型下载、模型训练、对上传的遥感图像进行识别和用户管理等功能。(3)对遥感图像处理系统进行了测试。通过使用黑盒测试的方法,模拟用户的操作行为,对系统进行功能性测试。根据测试结果对系统进行性能分析。测试结果表明,本系统达到了预期效果,可对遥感图像目标进行识别与分割。
【图文】：

金字塔结构,卷积

图像中每一个类别的概率。不同于图像分类的神经网络，全卷积神经网络将传统逡逑卷积神经网络中的全连接层转化卷积层，整个网络由卷积层和反卷积层构成，全逡逑卷积神经网络的结构如图２＿６所示。逡逑１３逡逑

全卷,神经网络结构,图像语义,步骤

（ｃ）层次特征金字塔逦（ｄ）特征金字塔网络逡逑图２－５特征金字塔结构逡逑２．４深度学习图像语义分割逡逑图像语义分割是计算机视觉的关键技术，随机森林分类和纹理基元森林分类逡逑是图像语义分割的传统方法。近年来，随着深度学习算法被成功引入到机器视觉逡逑领域，语义分割问题有了突破性进展。逡逑２．４．１全卷积神经网络图像语义分割模型逡逑全卷积神经网络（ＦｕｌｌｙＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｔｗｏｒｋｓ，ＦＣＮ）是目前图像语义分割逡逑最常用的网络之一，也是深度学习在图像语义分割任务上的开创性成果［２３］。深度逡逑卷积神经网络是图像级别语义理解的有效工具，全卷积神经网络则是基于卷积神逡逑经网络实现的用于像素级别语义理解的网络，适用于图像语义分割、边缘检测等逡逑应用场景。全卷积神经网络可以接收任意尺寸的输入图像
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751;TP181

【相似文献】