基于深度学习的遥感图像的重构和分类算法研究
发布时间：2020-07-07 17:24
【摘要】：遥感图像作为人类对地观测的重要科技手段之一,是当前学术领域研究热点。遥感图像被广泛应用在众多领域,其中包括农林业,军事,城市规划,自然灾害分析等等。深度学习(DeepLearning)尤其是卷积神经网络(Convolution Neural Network,CNN)最近几年逐渐成为计算机视觉领域的研究热点和主流研究方向,在图像识别分类,图像分割,目标检测,图像理解描述等任务上都取得了巨大成功。随着研究人员对深度学习和遥感图像处理的研究,基于深度学习的方法也在遥感图像分析处理领域也取得了突出的成绩。论文以深度学习技术为基础,对遥感图像的超分辨率重构和融合分类方法进行了研究。由于光学成像机制,成像硬件条件以及大气扰动等因素,遥感图像的空间分辨率受到一定限制。特别是对于高光谱成像来说,很难获得高空间分辨率的图像。高空间分辨率的遥感图像能够更好地记录地物细节信息,得到更精确的数据分析结果。超分辨率重建技术(Super-Resolution,SR)通过信号处理和图像处理的方法将低空间分辨率的图像提升至相对于更高的空间分辨率,对图像进行细节增强,能获得更好的应用效果。高光谱遥感图像(Hyper-Spectral Imagery,HSI)作为遥感图像的一大分支因其丰富的地物光谱信息,而常常被应用在对地物的分析和分类研究任务中。遥感成像中的同物异谱,同谱异物特性,在高光谱图像分类中常常引起误分类。将高光谱数据和其他遥感数据,如雷达数据等,进行融合,能有效提高分类精度。论文主要的研究工作如下:1.分析遥感图像成像原理,在这个基础上构建分辨率降低的退化模型,并以此为依据设计深度卷积神经网络,包括SRDCN,DSRDCN和ESRDCN三种不同的网络模型,实现对低分辨率遥感图像的空间分辨率提升的任务。2.在单一高光谱数据对于不同地物具有相同光谱的分别能力弱的情况下,引入其他数据源的数据,包括激光雷达数据和多光谱数据与高光谱数据进行联合分类。并针对该任务设计双分支网络,同时对多源数据进行特征提取和融合,提升分类精度。
【学位授予单位】：北京化工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751;TP18
【图文】：
类（Ｉｍａｇｅ邋Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）领域的序幕，之后２０１３年的ＺＦＮＥＴ达到了邋１１．２％的错逡逑误率夺冠，以及２０１４年的ＶＧＧ和ＧｏｏｇｌｅＮｅｔ［１Ｇ５］［６６】［９３］，一直到２０１５年的逡逑ＲｅｓＮｅｔ正确率己经超过了人类，图２－１展示了这几个代表性网络［１Ｍ】。在计算机逡逑视觉领域比图像分类更具挑战性的任务就是图像目标识别（ＩｍａｇｅＯｂｊｅｃｔ逡逑Ｄｅｔｅｃｔｉｏｎ）。具体就是在图像中将目标的四周边界以矩形框的形式标识出来，也逡逑就是将该问题转化为寻找目标的矩形边界问题。先后发展了邋Ｒ－ＣＮＮ，邋ｆａｓｔＲ－ＣＮＮ，逡逑ｆａｓｔｅｒＲ－ＣＮＮ，邋ＹＯＬＯ，以及ＳＳＤ等方法，图２－２显示了这三个目标检测主流框逡逑架［６７］＿［７１］。图像语义分割（Ｉｍａｇｅ邋Ｓｅｍａｎｔｉｃ邋Ｓｅｇｍｅｎｔａｔｉｏｎ）就是根据图像的纹理和形逡逑状和目标分成几个不相交的区域，也是计算机视觉领域中一大研宄方向。一系逡逑列基于深度学习的图像语义分割算法提出，例如ＦＣＮ，邋ＤｅｅｐＬａｂ系列，ＳｅｇＮｅｔ以逡逑及１１以６１等［７２］４７５］。另一个更深层次的方向就是图像描述（Ｉｍａｇｅ邋Ｃａｐｔｉｏｎ），也可逡逑以理解为看图说话。图像描述融合了计算机视觉和自然语言处理的综合问题，逡逑难点就在于如何将图像中内容如何通顺有语义的生成一句话。这个任务对计算逡逑机来说非常具有挑战性
像矩阵大小，这样能够使卷积核的每个神经元都与输入的神经元产生连接。避免逡逑了神经节点之间的稠密连接，大幅度减少了参数量，也是一个减少算力需求的途逡逑径。图２－３解释了卷积操作的稀疏性。从输入层角度看，当选择卷积核大小为３逡逑的时候ｘ２只对隐含层产生影响，而不影响所有的隐含层。当相同大小的逡逑卷积核对输出层来说，直接影响ｓ４的值得隐含层节点为ｐ３，ｉ４Ｊｓ｝，被称为卷积层逡逑的感受野（Ｒｅｃ印ｔｉｖｅＨｅｌｄ）。关于感受野的讨论，处在网络深处的卷积层相对于输逡逑入的感受野更大，如图所示ｓ３在隐含层和输出层的感受野分别为和逡逑１５逡逑
（Ｒｅｃｔｉｆｉｅｄ邋Ｌｉｎｅａｒ邋Ｕｎｉｔ，邋ＲｅＬＵ）构成，可视为稀疏自动编码神经网络（Ｓｐａｒｓｅ逡逑Ａｕｔｏｅｎｃｏｄｅｒ，ＳＡＥ）的扩展版本。逡逑为了验证我们提出的方法，图３－１的流程图中显示了主要步骤。其中主要逡逑包括两个步骤：①按照公式（３－１）所示模拟图像分辨率退化的过程；②对高分逡逑辨率图像Ｉ—的重建过程。下面的流程图中的Ｓ表示图像退化过程中的下采逡逑样尺度。逡逑ＩQ婂危辏剩垮危辏危族五危危婂义希危澹簦鳎铮颍脲义贤迹常贝拥头直媛释枷竦礁叻直媛实闹亟ü体义希疲椋纾常卞澹樱酰穑澹颍颍澹螅铮欤酰簦椋铮铄澹颍澹悖铮睿螅簦颍酰悖簦椋铮铄澹妫颍铮礤澹蹋义澹觯椋徨澹茫危五义衔朔抡嫱枷裢嘶墓蹋颐窍榷韵钟械母叻直娼懈咚孤瞬ㄊ迪侄藻义贤枷衲：男Ч缓蠼幸猿叨龋咏邢虏裳Ｕ庖徊街枋迪至送枷竦耐隋义匣獭Ｈ缓笤俣缘头直媛释枷瘢桑徒猩喜裳渌醴胖勘甏笮。隋义鲜钡耐枷褚谰墒堑头直媛释枷瘢涠ㄒ逦义希常保插澹樱遥模茫五义贤迹常蚕晗副砻髁颂岢龅牡谝恢只诰砘窬绲囊８型枷癯直媛叔义希ǎ樱遥模茫危┑耐缃峁埂Ｓ捎谕枷癯叽缧∮谀勘晔涑觯桑浚虼耸紫冉淙氲腻义希桑屯枷裢ü咝圆逯蛋幢壤醴胖聊勘甏笮。郏梗玻荨Ｊ淙胪绲牡头直媛释枷皴义媳恢亟ㄎ叻直媛释枷竦模桑＃庹龉瘫欢ㄒ逦
本文编号：2745394
【学位授予单位】：北京化工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751;TP18
【图文】：
类（Ｉｍａｇｅ邋Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）领域的序幕，之后２０１３年的ＺＦＮＥＴ达到了邋１１．２％的错逡逑误率夺冠，以及２０１４年的ＶＧＧ和ＧｏｏｇｌｅＮｅｔ［１Ｇ５］［６６】［９３］，一直到２０１５年的逡逑ＲｅｓＮｅｔ正确率己经超过了人类，图２－１展示了这几个代表性网络［１Ｍ】。在计算机逡逑视觉领域比图像分类更具挑战性的任务就是图像目标识别（ＩｍａｇｅＯｂｊｅｃｔ逡逑Ｄｅｔｅｃｔｉｏｎ）。具体就是在图像中将目标的四周边界以矩形框的形式标识出来，也逡逑就是将该问题转化为寻找目标的矩形边界问题。先后发展了邋Ｒ－ＣＮＮ，邋ｆａｓｔＲ－ＣＮＮ，逡逑ｆａｓｔｅｒＲ－ＣＮＮ，邋ＹＯＬＯ，以及ＳＳＤ等方法，图２－２显示了这三个目标检测主流框逡逑架［６７］＿［７１］。图像语义分割（Ｉｍａｇｅ邋Ｓｅｍａｎｔｉｃ邋Ｓｅｇｍｅｎｔａｔｉｏｎ）就是根据图像的纹理和形逡逑状和目标分成几个不相交的区域，也是计算机视觉领域中一大研宄方向。一系逡逑列基于深度学习的图像语义分割算法提出，例如ＦＣＮ，邋ＤｅｅｐＬａｂ系列，ＳｅｇＮｅｔ以逡逑及１１以６１等［７２］４７５］。另一个更深层次的方向就是图像描述（Ｉｍａｇｅ邋Ｃａｐｔｉｏｎ），也可逡逑以理解为看图说话。图像描述融合了计算机视觉和自然语言处理的综合问题，逡逑难点就在于如何将图像中内容如何通顺有语义的生成一句话。这个任务对计算逡逑机来说非常具有挑战性
像矩阵大小，这样能够使卷积核的每个神经元都与输入的神经元产生连接。避免逡逑了神经节点之间的稠密连接，大幅度减少了参数量，也是一个减少算力需求的途逡逑径。图２－３解释了卷积操作的稀疏性。从输入层角度看，当选择卷积核大小为３逡逑的时候ｘ２只对隐含层产生影响，而不影响所有的隐含层。当相同大小的逡逑卷积核对输出层来说，直接影响ｓ４的值得隐含层节点为ｐ３，ｉ４Ｊｓ｝，被称为卷积层逡逑的感受野（Ｒｅｃ印ｔｉｖｅＨｅｌｄ）。关于感受野的讨论，处在网络深处的卷积层相对于输逡逑入的感受野更大，如图所示ｓ３在隐含层和输出层的感受野分别为和逡逑１５逡逑
（Ｒｅｃｔｉｆｉｅｄ邋Ｌｉｎｅａｒ邋Ｕｎｉｔ，邋ＲｅＬＵ）构成，可视为稀疏自动编码神经网络（Ｓｐａｒｓｅ逡逑Ａｕｔｏｅｎｃｏｄｅｒ，ＳＡＥ）的扩展版本。逡逑为了验证我们提出的方法，图３－１的流程图中显示了主要步骤。其中主要逡逑包括两个步骤：①按照公式（３－１）所示模拟图像分辨率退化的过程；②对高分逡逑辨率图像Ｉ—的重建过程。下面的流程图中的Ｓ表示图像退化过程中的下采逡逑样尺度。逡逑ＩQ婂危辏剩垮危辏危族五危危婂义希危澹簦鳎铮颍脲义贤迹常贝拥头直媛释枷竦礁叻直媛实闹亟ü体义希疲椋纾常卞澹樱酰穑澹颍颍澹螅铮欤酰簦椋铮铄澹颍澹悖铮睿螅簦颍酰悖簦椋铮铄澹妫颍铮礤澹蹋义澹觯椋徨澹茫危五义衔朔抡嫱枷裢嘶墓蹋颐窍榷韵钟械母叻直娼懈咚孤瞬ㄊ迪侄藻义贤枷衲：男Ч缓蠼幸猿叨龋咏邢虏裳Ｕ庖徊街枋迪至送枷竦耐隋义匣獭Ｈ缓笤俣缘头直媛释枷瘢桑徒猩喜裳渌醴胖勘甏笮。隋义鲜钡耐枷褚谰墒堑头直媛释枷瘢涠ㄒ逦义希常保插澹樱遥模茫五义贤迹常蚕晗副砻髁颂岢龅牡谝恢只诰砘窬绲囊８型枷癯直媛叔义希ǎ樱遥模茫危┑耐缃峁埂Ｓ捎谕枷癯叽缧∮谀勘晔涑觯桑浚虼耸紫冉淙氲腻义希桑屯枷裢ü咝圆逯蛋幢壤醴胖聊勘甏笮。郏梗玻荨Ｊ淙胪绲牡头直媛释枷皴义媳恢亟ㄎ叻直媛释枷竦模桑＃庹龉瘫欢ㄒ逦
本文编号：2745394
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/2745394.html
