基于卷积神经网络的遥感图像分类研究
发布时间：2020-07-18 17:48
【摘要】：遥感图像分类的精确度和效率是遥感图像解析的重要研究内容之一。随着人工智能日渐显示出来处理信息的优势,利用神经网络处理遥感图像成为更高效的一种方法。相比于传统的神经网络,深度神经网络具有更多运算层级,能够在海量数据上应用统计学习的方法,从计算机视觉的角度提取遥感图像信息,更充分且更精确的挖掘海量数据的潜在信息,提高信息的利用价值。遥感图像通过像素值的不同或亮度差异以及空间布局变化来区分不同的地物,这也是对遥感图像分类的物理依据。通过提取遥感信息中所包含各地物的光谱信息,识别图像中的地物进行分类处理。本文以宁夏地区荒漠化监测为应用背景,首先统计2000-2015年宁夏地区的归一化差值植被指数NDVI,分析宁夏地区近16年来植被覆盖的时空变化,再进一步通过深度神经网络解译遥感图像的方法观测宁夏地区的植被覆盖情况。本文重点研究深度神经网络中的卷积神经网络模型,卷积神经网络对于图像分类能够表现出很强的特征提取能力。其实质是输入到输出的映射关系,含有两层基本结构,一层是特征提取层,另一层是特征映射层。它具有局部感受野和共享权值的特点,可以有效减少训练过程中的参数的数量并降低训练难度。实验围绕UNet、SegNet和DeconvNet三种对称结构的卷积神经网络模型对遥感图像进行分类,分别计算三种模型的jaccard系数作为精度评价指标。本次实验在keras和theano的深度学习开发框架基础上构建神经网络模型,训练集采用WorldView卫星多光谱遥感图像,测试集采用Landsat宁夏地区遥感图像。从实验结果可以得出:(1)UNet网络模型对遥感图像的分类精度结果和效率优于SegNet和DeconvNet网络模型,UNet网络的平均jaccard系数为0.765,高于SegNet网络的0.732和DeconvNet网络的0.706,且网络训练时间最短。SegNet网络模型的分类精度高于DeconvNet网络模型,且SegNet网络的训练时间远少于DeconvNet网络。三种模型对水体类和车辆类的分类精度较高,均在0.95左右。而对大型建筑的分类结果明显高于其他人工建筑,公路的分类结果优于小道类。(2)利用三种卷积神经网络对宁夏地区遥感图像分类,并分别提取宁夏地区的树木和农作物区域,分类结果显示:UNet卷积神经网络对植被覆盖区域的分类效果最好。相较于NDVI统计的植被覆盖信息,卷积神经网络的提取到的植被区域的边缘更加细化。
【学位授予单位】：宁夏大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751;TP183
【图文】：
图３－１堆叠的ＲＢＭ及ＤＢＮ结构逡逑由
训练一个ＲＢＭ后作为下一个ＲＢＭ的输入，连续学习得到砬的ＤＢＮ，每层之间的神经元具有极高的关联性。训练方训练过程分为两步，首先每次仅训练一层的ＢＲＭ神经元，最后当所有层都训练完后，使用ｗａｋｅ－ｓｌｅｅｐ算法进行调优ＮＮ）是由神经网络方面的专家学者ｊｏｒｄａｎ、Ｐｉｎｅｄａ．Ｗｉｌｌｉａｍｓ的一种网络模型。ＲＮＮ是指各人工神经元之间存在多种反馈的原因，是因为某层神经元的输出不仅与上一层神经元的入，即第ｎ层神经元在ｔ时刻的输入，除了包含（ｎ－１）层神－１）时刻的输出。ＲＮＮ包含三层结构：输入Ｍ、隐藏展、输构如图３所示：逡逑
堆叠效果如下图所示：逡逑W~栧义贤迹常倍训模遥拢图埃模拢谓峁瑰义嫌赏迹钡慕峁梗盗芬桓觯遥拢秃笞魑乱桓觯遥拢偷氖淙耄暗玫揭蛔椋遥拢汀Ｓ彝际清义弦桓觯遥拢偷雍蠖皂堑模模拢危坎阒涞纳窬哂屑叩墓亓浴Ｑ盗贩椒ú捎玫氖谴酉碌藉义仙现鸩阊盗返姆椒ǎ盗饭谭治讲剑紫让看谓鲅盗芬徊愕模拢遥蜕窬鼻安愕氖涑隽义辖拥较拢愕氖淙耄詈蟮彼胁愣佳盗吠旰螅褂茫鳎幔耄澹螅欤澹澹鹚惴ń械饔胚稿义希常保车莨樯窬珏义系莨樯窬纾ǎ遥危危┦怯缮窬绶矫娴淖已д撸辏铮颍洌幔睢ⅲ校椋睿澹洌幔祝椋欤欤椋幔恚蠛停牛欤恚幔畹扔冢玻板义鲜兰停梗澳甏跆岢龅囊恢滞缒Ｐ汀＃遥危问侵父魅斯ど窬浯嬖诙嘀址蠢」叵档耐纭＃遥危五义媳怀莆莨樯窬绲脑颍且蛭巢闵窬氖涑霾唤鲇肷弦徊闵窬氖涑鱿喙兀够嶙麇义衔乱皇笨套陨淼氖淙耄吹冢畈闵窬冢羰笨痰氖淙耄税ǎ睿保┎闵窬谑笨蹋舻氖溴义铣鐾猓褂凶陨碓冢ǎ簦保┦笨痰氖涑觥＃遥危伟憬峁梗菏淙耄汀⒁卣埂⑹涑觯停钪匾墓ゅ义献髟谝夭阃瓿
本文编号：2761226
【学位授予单位】：宁夏大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751;TP183
【图文】：
图３－１堆叠的ＲＢＭ及ＤＢＮ结构逡逑由
训练一个ＲＢＭ后作为下一个ＲＢＭ的输入，连续学习得到砬的ＤＢＮ，每层之间的神经元具有极高的关联性。训练方训练过程分为两步，首先每次仅训练一层的ＢＲＭ神经元，最后当所有层都训练完后，使用ｗａｋｅ－ｓｌｅｅｐ算法进行调优ＮＮ）是由神经网络方面的专家学者ｊｏｒｄａｎ、Ｐｉｎｅｄａ．Ｗｉｌｌｉａｍｓ的一种网络模型。ＲＮＮ是指各人工神经元之间存在多种反馈的原因，是因为某层神经元的输出不仅与上一层神经元的入，即第ｎ层神经元在ｔ时刻的输入，除了包含（ｎ－１）层神－１）时刻的输出。ＲＮＮ包含三层结构：输入Ｍ、隐藏展、输构如图３所示：逡逑
堆叠效果如下图所示：逡逑W~栧义贤迹常倍训模遥拢图埃模拢谓峁瑰义嫌赏迹钡慕峁梗盗芬桓觯遥拢秃笞魑乱桓觯遥拢偷氖淙耄暗玫揭蛔椋遥拢汀Ｓ彝际清义弦桓觯遥拢偷雍蠖皂堑模模拢危坎阒涞纳窬哂屑叩墓亓浴Ｑ盗贩椒ú捎玫氖谴酉碌藉义仙现鸩阊盗返姆椒ǎ盗饭谭治讲剑紫让看谓鲅盗芬徊愕模拢遥蜕窬鼻安愕氖涑隽义辖拥较拢愕氖淙耄詈蟮彼胁愣佳盗吠旰螅褂茫鳎幔耄澹螅欤澹澹鹚惴ń械饔胚稿义希常保车莨樯窬珏义系莨樯窬纾ǎ遥危危┦怯缮窬绶矫娴淖已д撸辏铮颍洌幔睢ⅲ校椋睿澹洌幔祝椋欤欤椋幔恚蠛停牛欤恚幔畹扔冢玻板义鲜兰停梗澳甏跆岢龅囊恢滞缒Ｐ汀＃遥危问侵父魅斯ど窬浯嬖诙嘀址蠢」叵档耐纭＃遥危五义媳怀莆莨樯窬绲脑颍且蛭巢闵窬氖涑霾唤鲇肷弦徊闵窬氖涑鱿喙兀够嶙麇义衔乱皇笨套陨淼氖淙耄吹冢畈闵窬冢羰笨痰氖淙耄税ǎ睿保┎闵窬谑笨蹋舻氖溴义铣鐾猓褂凶陨碓冢ǎ簦保┦笨痰氖涑觥＃遥危伟憬峁梗菏淙耄汀⒁卣埂⑹涑觯停钪匾墓ゅ义献髟谝夭阃瓿
本文编号：2761226
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/2761226.html
