基于深度卷积神经网络的遥感影像场景分类研究

发布时间：2021-09-28 02:02

　　遥感卫星影像能够对地球表面提供高精度、大范围、周期性观测数据,已被广泛应用于全球气候变化研究、环境监测、国土资源调查、城市规划等领域。如何快速、高效、自动地进行遥感数据分析与解译,成为急需解决的问题。遥感影像分类是遥感数据处理的重要步骤,是根据感兴趣目标在遥感影像上的特征差异,判断并标识其类别属性和空间分布特征（如空间位置、面积大小）等信息的过程。传统的基于手工特征的分类方法,难以捕获遥感影像中包含的丰富语义信息,在实际应用中受到很大程度的限制,所能区分的场景类别相对有限,泛化能力较差,很难用于处理训练集以外的图像。基于中层特征对场景语义建模描述的方法虽然在一定程度上提高了分类准确率,但是效率较低,且仍然需要手工特征提取方面的先验知识,缺乏发现高层复杂结构特征的灵活性。近年来,深度学习在计算机视觉领域取得了显著的成果,如图像分类、人脸识别、图像检索等。本文借鉴深度卷积神经网络在计算机视觉图像领域的相关理论和实践经验,将其应用到遥感影像场景分类中,利用深度卷积神经网络模型的学习数据本质特征表示的能力,以减少遥感影像分类工作对人工的依赖,达到满足遥感影像分类精度和处理速度要求的、端到端的、... 

【文章来源】：上海师范大学上海市

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

卷积神经网络结构图

第2章相关理论与技术上海师范大学硕士学位论文10图2-1遥感影像自动分类处理的一般过程2.2深度卷积神经网络2.2.1原理与结构CNN本质上是一个多层感知机，但是由于它的局部连接、权值共享以及空间或时间上的次采样特性，驱使卷积神经网络能够在处理二维图形时具有一定范围内的平移、缩放和扭曲不变性。典型的卷积神经网络模型结构通常由输入层、若干层卷积层和池化层、若干层全连接层以及输出层组成。卷积神经网络基本组成结构如图2-2所示，详细可参考文献[35]。图2-2卷积神经网络结构图卷积过程：图2-2中的iC层表示卷积神经网络的卷积层（ConvolutionalLayer），将输入特征与卷积核进行卷积操作，接着在激活函数的作用下即可得到输出特征[54]。卷积运算示例如图2-3所示：图2-3卷积操作其输入为5*5大小的图像，卷积核尺寸设置为3*3，卷积步长设置为1，从图像的左上角位置开始，按照向右向下的顺序以卷积步长大小依次滑动卷积核

池化操作


本文编号：3411031