基于区域一致性的高分辨率遥感影像分类
发布时间：2021-03-27 10:10
随着传感器技术、空间技术和信息技术等不断进步,近年来遥感影像的地面分辨率也变得越来越高,高分辨率遥感影像在各领域得到广泛使用。高分影像语义分割是高分影像在实际应用的基础,语义分割质量直接影响实际应用效果,因此高分影像语义分割方法的研究具有重要实际应用价值。基于深度卷积网络的遥感影像语义分割方法表现出了比传统方法更为优越的性能,然而由于其基于固定感受野大小的上下文信息获取方法没有显式利用像素间约束关系,导致其不能有效克服高分影像同物异谱和异物同谱带来的挑战,出现同一地物内部语义标注结果不一致的情形。为此,本文基于同一区域内部像素属于相同类别概率较大的假定,试图引入图像区域内部语义标注一致性约束以改善现有深度卷积神经网络描述上下文信息的能力,提高卷积神经网络预测结果的空间关系一致性。具体而言,本文通过以下两种方式引入区域一致性约束信息:（1）在现有全卷积网络模型对图像进行特征提取和分类时,利用卷积神经网络最后一层特征引入一个表示区域内部像素特征一致性的损失函数,将该损失函数与softmax损失函数进行联合训练得到网络模型参数。在ISPRS（国际摄影测量与遥感学会）的Vaihingen2D语...
【文章来源】：武汉大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图１－１遥感图像在各领域的具体应用??
深度、步长、补零等控制量，深度即滤波器个数，控制输出数据单元的深度；??步长控制滤波器一次移动的大小，也就是两次卷积在图像上的重叠大小；通过??在输入图像四周补零控制输出单元整体规格。比如图２－１中，图中左侧部分是??５ｘ５ｘ１的原始输入数据，图中中间部分是一个３ｘ３ｘ１滤波器卷积核，图中右侧??是滤波器在输入数据上做卷积的输出结果。??■?２６ＴＳ－??乂，，?＇?５９?５２??５?．？？？＿??Ｘ?７７?１５７??３６?２８?／｛?７２??４３??３５?２４?２８?１２?／??图２－１卷积操作说明??二维离散卷积的公式化表示如式２．１，其中Ｉ为输入图像，Ｈ为输出图像，??Ｋ为滤波器核。??Ｚｎ?＾（ｗ，?ｎ）／（ｉ?－?ＴＯ，；＇?－?ｎ）?（２．１）??采用不同的滤波器卷积核对输入图像进行处理会产生不同的效果，比如轮??廓检测、平滑、锐化等。若要提取图像的不同特征或关于图像的某种特定信??息，如轮廓或颜色深浅等，那么可以设计不同的滤波器。如图２－２所示分别是??用于轮廓检测的拉普拉斯算子和产生３Ｄ阴影效果的浮雕滤波器对花卉图像处??理的结果。??８??
?■■画??图２－２两种卷积核对图像做滤波的效果??卷积神经网路中一般包含若干个卷积层，每个卷积层又由若干卷积滤波器??构成，且滤波器卷积核的参数都是在大量训练数据上使用反向传播算法不断调??整反复优化得到的，这也是卷积神经网络能从训练数据中自动学习到所需要的??特征的原因所在。ＣＮＮ中卷积层的目的是提取输入数据的各种不同特征，底层??的几个卷积层可能只捕捉一些低级的图像特征如角、线条和边缘等，而更高层??的卷积层则能从低级特征中组合迭代中获得更复杂更抽象的特征。??２．１．２激活层??将卷积层的输出结果做非线性变换，可以提升网络的表达能力。由于任意??多个线性映射的叠加仍然是线性映射，因此实际上只有非线性映射才能增加网??络的表达能力。激活函数的作用就是把主要特征保留下来并做非线性变换
【参考文献】：
期刊论文
[1]深度学习研究进展[J]. 郭丽丽,丁世飞. 计算机科学. 2015(05)
[2]我国高分辨率对地观测系统的商业化运营势在必行[J]. 李德仁,沈欣,马洪超,张过. 武汉大学学报(信息科学版). 2014(04)
[3]活动轮廓模型的图像分割方法综述[J]. 王相海,方玲玲. 模式识别与人工智能. 2013(08)
[4]完全基于边缘信息的快速图像分割算法[J]. 钮圣虓,王盛,杨晶晶,陈更生. 计算机辅助设计与图形学学报. 2012(11)
[5]高分辨率对地观测的若干前沿科学问题[J]. 李德仁,童庆禧,李荣兴,龚健雅,张良培. 中国科学:地球科学. 2012(06)
[6]利用多分类器集成进行遥感影像分类[J]. 郑文武,曾永年. 武汉大学学报(信息科学版). 2011(11)
[7]图像分割的新理论和新方法[J]. 许新征,丁世飞,史忠植,贾伟宽. 电子学报. 2010(S1)
[8]面向对象的高分辨率影像分类与信息提取[J]. 张俊,于庆国,侯家槐. 遥感技术与应用. 2010(01)
[9]滑坡灾害遥感解译不确定性研究[J]. 丁辉,张茂省,李林. 自然灾害学报. 2009(06)
[10]基于图论的图像分割研究进展[J]. 闫成新,桑农,张天序. 计算机工程与应用. 2006(05)
硕士论文
[1]图像语义分割研究[D]. 曹攀.江南大学 2017
[2]基于高分辨率遥感影像的土地利用/土地覆被提取研究[D]. 熊增连.重庆交通大学 2012
本文编号：3103328
【文章来源】：武汉大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图１－１遥感图像在各领域的具体应用??
深度、步长、补零等控制量，深度即滤波器个数，控制输出数据单元的深度；??步长控制滤波器一次移动的大小，也就是两次卷积在图像上的重叠大小；通过??在输入图像四周补零控制输出单元整体规格。比如图２－１中，图中左侧部分是??５ｘ５ｘ１的原始输入数据，图中中间部分是一个３ｘ３ｘ１滤波器卷积核，图中右侧??是滤波器在输入数据上做卷积的输出结果。??■?２６ＴＳ－??乂，，?＇?５９?５２??５?．？？？＿??Ｘ?７７?１５７??３６?２８?／｛?７２??４３??３５?２４?２８?１２?／??图２－１卷积操作说明??二维离散卷积的公式化表示如式２．１，其中Ｉ为输入图像，Ｈ为输出图像，??Ｋ为滤波器核。??Ｚｎ?＾（ｗ，?ｎ）／（ｉ?－?ＴＯ，；＇?－?ｎ）?（２．１）??采用不同的滤波器卷积核对输入图像进行处理会产生不同的效果，比如轮??廓检测、平滑、锐化等。若要提取图像的不同特征或关于图像的某种特定信??息，如轮廓或颜色深浅等，那么可以设计不同的滤波器。如图２－２所示分别是??用于轮廓检测的拉普拉斯算子和产生３Ｄ阴影效果的浮雕滤波器对花卉图像处??理的结果。??８??
?■■画??图２－２两种卷积核对图像做滤波的效果??卷积神经网路中一般包含若干个卷积层，每个卷积层又由若干卷积滤波器??构成，且滤波器卷积核的参数都是在大量训练数据上使用反向传播算法不断调??整反复优化得到的，这也是卷积神经网络能从训练数据中自动学习到所需要的??特征的原因所在。ＣＮＮ中卷积层的目的是提取输入数据的各种不同特征，底层??的几个卷积层可能只捕捉一些低级的图像特征如角、线条和边缘等，而更高层??的卷积层则能从低级特征中组合迭代中获得更复杂更抽象的特征。??２．１．２激活层??将卷积层的输出结果做非线性变换，可以提升网络的表达能力。由于任意??多个线性映射的叠加仍然是线性映射，因此实际上只有非线性映射才能增加网??络的表达能力。激活函数的作用就是把主要特征保留下来并做非线性变换
【参考文献】：
期刊论文
[1]深度学习研究进展[J]. 郭丽丽,丁世飞. 计算机科学. 2015(05)
[2]我国高分辨率对地观测系统的商业化运营势在必行[J]. 李德仁,沈欣,马洪超,张过. 武汉大学学报(信息科学版). 2014(04)
[3]活动轮廓模型的图像分割方法综述[J]. 王相海,方玲玲. 模式识别与人工智能. 2013(08)
[4]完全基于边缘信息的快速图像分割算法[J]. 钮圣虓,王盛,杨晶晶,陈更生. 计算机辅助设计与图形学学报. 2012(11)
[5]高分辨率对地观测的若干前沿科学问题[J]. 李德仁,童庆禧,李荣兴,龚健雅,张良培. 中国科学:地球科学. 2012(06)
[6]利用多分类器集成进行遥感影像分类[J]. 郑文武,曾永年. 武汉大学学报(信息科学版). 2011(11)
[7]图像分割的新理论和新方法[J]. 许新征,丁世飞,史忠植,贾伟宽. 电子学报. 2010(S1)
[8]面向对象的高分辨率影像分类与信息提取[J]. 张俊,于庆国,侯家槐. 遥感技术与应用. 2010(01)
[9]滑坡灾害遥感解译不确定性研究[J]. 丁辉,张茂省,李林. 自然灾害学报. 2009(06)
[10]基于图论的图像分割研究进展[J]. 闫成新,桑农,张天序. 计算机工程与应用. 2006(05)
硕士论文
[1]图像语义分割研究[D]. 曹攀.江南大学 2017
[2]基于高分辨率遥感影像的土地利用/土地覆被提取研究[D]. 熊增连.重庆交通大学 2012
本文编号：3103328
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3103328.html
