基于端到端深度学习的遥感影像林地检测研究
发布时间:2021-07-11 01:15
森林资源在社会经济发展中占有举足轻重的地位,然而中国林地广袤辽阔,普通的观测方式难以实时掌握林地内部状况。航天遥感影像具有覆盖范围广、数据获取快、影像信息丰富等特点,相比其他方式更适合对林地进行观测。将深度学习方法与卫星遥感影像技术相结合进行观测,可为林地资源的调查与规划提供及时信息,从而进一步加强环境监测、推动区域生态建设。本文提出基于端到端深度学习技术的遥感影像林地检测策略,通过图像分割的方式,透过不同角度解决因林地类内差异较大、分布不均、形状各异造成的检测正确率低的现象:1、设计最确定融合策略,从充分利用现有端到端深度学习模型的角度出发,对多个现有模型的检测结果按像元预测概率值进行比较,确定最终类别。通过这种策略保留不同模型的优点,进一步提高遥感影像的林地检测正确率。2、设计多分支回归级联融合网络,从优化网络的角度,利用多尺度输出对多个损失函数进行回归,并设计级联融合上采样块,增强不同类型的特征传递,加快网络拟合速度,提高林地检测正确率。3、针对宽视场影像的林地检测任务进行优化,通过分割输入减少运行内存、数学形态学优化“接边”现象,提高端到端深度学习模型在宽视场影像上的检测效率与...
【文章来源】:北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】:76 页
【学位级别】:硕士
【部分图文】:
图2-1神经元结构??Fig.2-1?Neuron?structure??
经元之间的连接权重会发生变化并确定网络的功??能。??神经元通过互相连接,构成了神经网络。传统的全连接会将所有神经元与其它所??有神经元相连接,此时虽然函数表达能力得到增强,但连接数量会随着神经元个数的??增加呈指数级增长。因此,为减轻计算压力,将神经网络分解成了不同的神经网络层。??神经网络分成不同的层,每一层有一群互不连接的神经元,它们只与其它神经网络层??中的神经元相连接,而不与本层祌经元连接,形成拓扑结构。全连接层中,每个神经??元的输出会输入到下一层的所有神经元中。??图2-2神经网络结构??Fig.2-2?Neural?network?structure??深度学习所使用的深度网络结构符合神经网络的特征,故也被称为深度祌经网络??(DeepNeuralNetwork)?[45]。深度网络由多个神经网络层叠加而成,与传统的单层祌??经网络相比网络层数大大增加。按不同层的位置划分,深度网络可分为输入层,隐藏??层和输出层。输入层一般作为网络的开始,接收待学习目标,可以是影像或语音,网??络最后一层一般为输出层,其余为隐藏层,各个层中的神经元互不连接,但一定与前??10??
工大学硕士学位论文???高分六号宽视场相机的分辨率为16m,在谱段上除了红谱段、绿谱段、蓝谱段与??近红外谱段外,增加了紫谱段(0.404?0.457pm)、黄谱段(0.585?0.636nm)、红边??谱段?1?(0.681?0.742pm)和红边谱段?2?(0.724 ̄0.782nm)。???nr?e?ur?e??N??Hands??__?0?12.5?25?50??■■■■■KZZZZriaHHHHHHHHHi?krn??118"?15?nr?fi??图3-1高分六号宽视场影像示例一一黄山市(假彩色图像)??Fig.?3-1?GF-6?wide?field?of?view?image?for?Huangshan?City?(false?color?image)??本课题收集了东北辽宁本溪市、东北内蒙古根河市、华北河北承德市、华南广西??防城港市、西南云南普洱市、西北甘肃天水市、华中安徽黄山市、华东湖北宜昌市八??个测试应用区的高分六号宽视场影像数据进行分析、处理,主要选取植被的茂盛季进??行观察,影像拍摄时间集中在四到九月份间。获取影像数据后,需要对影像进行正射??校正、辐射定标,利用各市矢量图裁剪,得到各市辐射亮度值图像。??通过对各市影像进行观察、分析,统计植被和非植被、林地与非林地样本均值。??在植被与非植被一组中,植被的近红外和红边2波段的辐射亮度均值显著高于非植被,??是区分植被非植被的主要波段。在林地与非林地一组中,非林地的近红外辐射亮度均??值均高于林地。??使用人工目视解译的方式获取样本工作量大,且对地物的判读及勾绘具有主观性,??在获取到高分六号宽视场遥感影像数据后,本课
【参考文献】:
期刊论文
[1]林地资源保护管理与生态林业的建设探究[J]. 陈亮. 农家参谋. 2020(12)
[2]基于高分二号遥感影像的树种分类方法[J]. 李哲,张沁雨,彭道黎. 遥感技术与应用. 2019(05)
[3]采用深度学习的遥感图像花生种植区域分类技术研究[J]. 黄云,唐林波,李震,龙腾. 信号处理. 2019(04)
[4]GF-6卫星WFV数据在林地类型监测中的应用潜力[J]. 刘晋阳,辛存林,武红敢,曾庆伟,史京京. 航天返回与遥感. 2019(02)
[5]3S技术在林业中的应用[J]. 苏卫静,尹惠妍,杨小林,张志伟. 西藏科技. 2019(01)
[6]基于无人机和决策树算法的榆树疏林草原植被类型划分和覆盖度生长季动态估计[J]. 韩东,王浩舟,郑邦友,王锋. 生态学报. 2018(18)
[7]深度学习在遥感影像分类中的研究进展[J]. 付伟锋,邹维宝. 计算机应用研究. 2018(12)
[8]基于像元二分模型的林地变化检测研究[J]. 祝国祥,何铁祥. 四川林业科技. 2017(05)
[9]多源数据林地类型的精细分类方法[J]. 任冲,鞠洪波,张怀清,黄建文,郑应选. 林业科学. 2016(06)
[10]基于随机森林的地理要素面向对象自动解译方法[J]. 顾海燕,闫利,李海涛,贾莹. 武汉大学学报(信息科学版). 2016(02)
硕士论文
[1]基于多源遥感数据的林地类型精细识别与变化监测研究[D]. 张兆鹏.西安科技大学 2018
[2]半监督学习若干问题的研究[D]. 易星.清华大学 2004
本文编号:3277031
【文章来源】:北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】:76 页
【学位级别】:硕士
【部分图文】:
图2-1神经元结构??Fig.2-1?Neuron?structure??
经元之间的连接权重会发生变化并确定网络的功??能。??神经元通过互相连接,构成了神经网络。传统的全连接会将所有神经元与其它所??有神经元相连接,此时虽然函数表达能力得到增强,但连接数量会随着神经元个数的??增加呈指数级增长。因此,为减轻计算压力,将神经网络分解成了不同的神经网络层。??神经网络分成不同的层,每一层有一群互不连接的神经元,它们只与其它神经网络层??中的神经元相连接,而不与本层祌经元连接,形成拓扑结构。全连接层中,每个神经??元的输出会输入到下一层的所有神经元中。??图2-2神经网络结构??Fig.2-2?Neural?network?structure??深度学习所使用的深度网络结构符合神经网络的特征,故也被称为深度祌经网络??(DeepNeuralNetwork)?[45]。深度网络由多个神经网络层叠加而成,与传统的单层祌??经网络相比网络层数大大增加。按不同层的位置划分,深度网络可分为输入层,隐藏??层和输出层。输入层一般作为网络的开始,接收待学习目标,可以是影像或语音,网??络最后一层一般为输出层,其余为隐藏层,各个层中的神经元互不连接,但一定与前??10??
工大学硕士学位论文???高分六号宽视场相机的分辨率为16m,在谱段上除了红谱段、绿谱段、蓝谱段与??近红外谱段外,增加了紫谱段(0.404?0.457pm)、黄谱段(0.585?0.636nm)、红边??谱段?1?(0.681?0.742pm)和红边谱段?2?(0.724 ̄0.782nm)。???nr?e?ur?e??N??Hands??__?0?12.5?25?50??■■■■■KZZZZriaHHHHHHHHHi?krn??118"?15?nr?fi??图3-1高分六号宽视场影像示例一一黄山市(假彩色图像)??Fig.?3-1?GF-6?wide?field?of?view?image?for?Huangshan?City?(false?color?image)??本课题收集了东北辽宁本溪市、东北内蒙古根河市、华北河北承德市、华南广西??防城港市、西南云南普洱市、西北甘肃天水市、华中安徽黄山市、华东湖北宜昌市八??个测试应用区的高分六号宽视场影像数据进行分析、处理,主要选取植被的茂盛季进??行观察,影像拍摄时间集中在四到九月份间。获取影像数据后,需要对影像进行正射??校正、辐射定标,利用各市矢量图裁剪,得到各市辐射亮度值图像。??通过对各市影像进行观察、分析,统计植被和非植被、林地与非林地样本均值。??在植被与非植被一组中,植被的近红外和红边2波段的辐射亮度均值显著高于非植被,??是区分植被非植被的主要波段。在林地与非林地一组中,非林地的近红外辐射亮度均??值均高于林地。??使用人工目视解译的方式获取样本工作量大,且对地物的判读及勾绘具有主观性,??在获取到高分六号宽视场遥感影像数据后,本课
【参考文献】:
期刊论文
[1]林地资源保护管理与生态林业的建设探究[J]. 陈亮. 农家参谋. 2020(12)
[2]基于高分二号遥感影像的树种分类方法[J]. 李哲,张沁雨,彭道黎. 遥感技术与应用. 2019(05)
[3]采用深度学习的遥感图像花生种植区域分类技术研究[J]. 黄云,唐林波,李震,龙腾. 信号处理. 2019(04)
[4]GF-6卫星WFV数据在林地类型监测中的应用潜力[J]. 刘晋阳,辛存林,武红敢,曾庆伟,史京京. 航天返回与遥感. 2019(02)
[5]3S技术在林业中的应用[J]. 苏卫静,尹惠妍,杨小林,张志伟. 西藏科技. 2019(01)
[6]基于无人机和决策树算法的榆树疏林草原植被类型划分和覆盖度生长季动态估计[J]. 韩东,王浩舟,郑邦友,王锋. 生态学报. 2018(18)
[7]深度学习在遥感影像分类中的研究进展[J]. 付伟锋,邹维宝. 计算机应用研究. 2018(12)
[8]基于像元二分模型的林地变化检测研究[J]. 祝国祥,何铁祥. 四川林业科技. 2017(05)
[9]多源数据林地类型的精细分类方法[J]. 任冲,鞠洪波,张怀清,黄建文,郑应选. 林业科学. 2016(06)
[10]基于随机森林的地理要素面向对象自动解译方法[J]. 顾海燕,闫利,李海涛,贾莹. 武汉大学学报(信息科学版). 2016(02)
硕士论文
[1]基于多源遥感数据的林地类型精细识别与变化监测研究[D]. 张兆鹏.西安科技大学 2018
[2]半监督学习若干问题的研究[D]. 易星.清华大学 2004
本文编号:3277031
本文链接:https://www.wllwen.com/guanlilunwen/gongchengguanli/3277031.html