基于卷积神经网络的高分辨率遥感图像分类方法研究
发布时间：2021-02-02 15:37
随着人工智能相关技术在近几年的飞速发展,深度学习在很多领域取得了突破性成果。其中卷积神经网络依靠其局部特征提取、参数共享、全局池化等特点在图像模式识别领域取得了较为突出的成绩。在遥感影像处理领域,基于卷积神经网络的遥感影像分类是目前的研究热点之一。其分类精度较高,泛化能力较强。但同时也存在着一些问题。在模型构建方面,用于分类的卷积神经网络模型的网络层次结构很少被直接调整,而是采用经典卷积神经网络模型对分类样本进行特征提取,再结合传统遥感影像分类模型进行分类工作,对卷积神经网络结构调整及迁移学习在遥感影像分类中的相关研究及应用较少。同时,由于遥感影像的多样性,模型通常针对特定遥感影像的特征进行调整,而国产遥感影像应用广泛,却鲜有针对其特征设计的自动分类模型。卷积神经网络的超参数调整对分类精度有较大影响。大多数超参数调整都可借鉴普通图像分类任务的调整方式,但遥感影像分类中较为特殊的超参数——输入尺度的调整方式尚不明确。基于以上问题,本文主要对遥感影像分类模型构建,以及输入尺度对分类精度的影响规律两个内容进行研究。具体如下:1.针对遥感影像的特点,考虑影像的空间分辨率、波段等特征,再结合卷积...
【文章来源】：重庆邮电大学重庆市
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
经过预处理后的遥感影像
图 3.10 局部实验区域 RGB 波段合成图如图 3.10，该区域内像元数量为 × ，属于城乡结合部，各类地物要素齐备，地形较为复杂且地物较为清晰便于标注。在上图所示的遥感区域内，选取了少量训练样本，各样本数量如表 3.2 所示。表 3.2 实验区域内训练样本选择分类类别 耕地 裸地 建筑 道路 自然植被 水体训练样本数量 24721 21592 22918 22635 21735 25885上表中样本作为迁移学习中目标域训练样本。在遥感影像分类中，对每个被分类的像元进行标注以进行精度评价工作量过大。因而通常是在被分类区域内，选取较为有代表性的复杂地物区域进行采样后精度评价。采样区域如图 3.11 所示。
图 3.10 局部实验区域 RGB 波段合成图如图 3.10，该区域内像元数量为 × ，属于城乡结合部，各类地物要素齐备，地形较为复杂且地物较为清晰便于标注。在上图所示的遥感区域内，选取了少量训练样本，各样本数量如表 3.2 所示。表 3.2 实验区域内训练样本选择分类类别 耕地 裸地 建筑 道路 自然植被 水体训练样本数量 24721 21592 22918 22635 21735 25885上表中样本作为迁移学习中目标域训练样本。在遥感影像分类中，对每个被分类的像元进行标注以进行精度评价工作量过大。因而通常是在被分类区域内，选取较为有代表性的复杂地物区域进行采样后精度评价。采样区域如图 3.11 所示。
【参考文献】：
期刊论文
[1]基于条件随机场的高光谱遥感影像农作物精细分类[J]. 余铭,魏立飞,尹峰,李丹丹,黄庆彬. 中国农业信息. 2018(03)
[2]基于卷积神经网络的卫星遥感图像区域识别[J]. 张日升,朱桂斌,张燕琴. 信息技术. 2017(11)
[3]基于卷积神经网络的图像识别算法研究[J]. 张荣磊,田爱奎,谭浩,郑睿. 山东理工大学学报(自然科学版). 2018(01)
[4]基于深度学习的高光谱遥感影像分类[J]. 朱寿红,王胜利,舒帮荣. 城市勘测. 2017(04)
[5]基于卷积神经网络的光学遥感图像船只检测[J]. 欧阳颖卉,林翬,李树涛. 包装工程. 2016(15)
[6]基于深度学习的高分辨率遥感影像分类研究[J]. 刘大伟,韩玲,韩晓勇. 光学学报. 2016(04)
[7]高光谱遥感影像分类研究进展[J]. 杜培军,夏俊士,薛朝辉,谭琨,苏红军,鲍蕊. 遥感学报. 2016(02)
博士论文
[1]基于多源夜间灯光遥感影像的多尺度城市空间形态结构分析[D]. 陈佐旗.华东师范大学 2017
硕士论文
[1]基于深度学习的人脸识别算法研究[D]. 王飞.兰州交通大学 2017
[2]基于卷积神经网络的遥感图像分类方法研究[D]. 赵爽.中国地质大学(北京) 2015
[3]基于颜色和纹理特征的图像检索[D]. 王杰.重庆大学 2012
本文编号：3014941
【文章来源】：重庆邮电大学重庆市
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
经过预处理后的遥感影像
图 3.10 局部实验区域 RGB 波段合成图如图 3.10，该区域内像元数量为 × ，属于城乡结合部，各类地物要素齐备，地形较为复杂且地物较为清晰便于标注。在上图所示的遥感区域内，选取了少量训练样本，各样本数量如表 3.2 所示。表 3.2 实验区域内训练样本选择分类类别 耕地 裸地 建筑 道路 自然植被 水体训练样本数量 24721 21592 22918 22635 21735 25885上表中样本作为迁移学习中目标域训练样本。在遥感影像分类中，对每个被分类的像元进行标注以进行精度评价工作量过大。因而通常是在被分类区域内，选取较为有代表性的复杂地物区域进行采样后精度评价。采样区域如图 3.11 所示。
图 3.10 局部实验区域 RGB 波段合成图如图 3.10，该区域内像元数量为 × ，属于城乡结合部，各类地物要素齐备，地形较为复杂且地物较为清晰便于标注。在上图所示的遥感区域内，选取了少量训练样本，各样本数量如表 3.2 所示。表 3.2 实验区域内训练样本选择分类类别 耕地 裸地 建筑 道路 自然植被 水体训练样本数量 24721 21592 22918 22635 21735 25885上表中样本作为迁移学习中目标域训练样本。在遥感影像分类中，对每个被分类的像元进行标注以进行精度评价工作量过大。因而通常是在被分类区域内，选取较为有代表性的复杂地物区域进行采样后精度评价。采样区域如图 3.11 所示。
【参考文献】：
期刊论文
[1]基于条件随机场的高光谱遥感影像农作物精细分类[J]. 余铭,魏立飞,尹峰,李丹丹,黄庆彬. 中国农业信息. 2018(03)
[2]基于卷积神经网络的卫星遥感图像区域识别[J]. 张日升,朱桂斌,张燕琴. 信息技术. 2017(11)
[3]基于卷积神经网络的图像识别算法研究[J]. 张荣磊,田爱奎,谭浩,郑睿. 山东理工大学学报(自然科学版). 2018(01)
[4]基于深度学习的高光谱遥感影像分类[J]. 朱寿红,王胜利,舒帮荣. 城市勘测. 2017(04)
[5]基于卷积神经网络的光学遥感图像船只检测[J]. 欧阳颖卉,林翬,李树涛. 包装工程. 2016(15)
[6]基于深度学习的高分辨率遥感影像分类研究[J]. 刘大伟,韩玲,韩晓勇. 光学学报. 2016(04)
[7]高光谱遥感影像分类研究进展[J]. 杜培军,夏俊士,薛朝辉,谭琨,苏红军,鲍蕊. 遥感学报. 2016(02)
博士论文
[1]基于多源夜间灯光遥感影像的多尺度城市空间形态结构分析[D]. 陈佐旗.华东师范大学 2017
硕士论文
[1]基于深度学习的人脸识别算法研究[D]. 王飞.兰州交通大学 2017
[2]基于卷积神经网络的遥感图像分类方法研究[D]. 赵爽.中国地质大学(北京) 2015
[3]基于颜色和纹理特征的图像检索[D]. 王杰.重庆大学 2012
本文编号：3014941
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3014941.html
