基于神经网络的国产高分光学遥感图像云检测
发布时间：2022-01-08 13:56
随着遥感技术的迅速发展,遥感图像被广泛应用于军事目标识别、环境监测、气象分析、矿产开发、地理测绘等各个领域。然而,相关统计表明在任何时候50%地球表面都被云层覆盖。在遥感图像中,由于云的存在,给许多后续分析任务带来了挑战。遥感图像上云造成的遮挡、干扰在不同传感器、不同应用场景下的解决极为复杂,需要根据实际情况选择不同的解决策略。目前较为成熟的云检测主要集中在两类应用上,一类是以MODIS为代表的小比例尺大框幅全球云量气象监测为主的宏观应用;一类是以QucikBird、IKONOS为主的分辨率高于2m的超高分辨率下的军事、民用目标检测。然而我国的高分系列卫星空间分辨率在210米之间,在这种比例尺的图像中做一些敏感物体（例如船只、目标地物等）的检测时,常面临“看不清楚”的问题。因而云带来的目标检测干扰以及图像质量下降显得尤为明显。因此,针对这类“不太清晰”的遥感影像进行云检测非常具有实用意义。经过大量数据处理实践,本文针对这类图像上云的柔性边界特征、内部亮度非均匀性以及薄云存在的色差问题提出了自适应分割算法ASLIC与用于特征提取与分类的DCNN网络,最终实现了ASL...
【文章来源】：中国科学院大学(中国科学院西安光学精密机械研究所)陕西省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
机器学习云检测算法总结Fig1.1summaryofclouddetectionalgorithmsformachinelearning
基于神经网络的国产高分光学遥感图像云检测1.3 本文研究内容与技术路线本论文核心研究的是基于机器学习的遥感图像云检测方法，重点在于寻找一种实用性、鲁棒性、准实时的云检测算法，达到不同气象环境下、不同传感器分辨率、不同成像质量、不同地物状况下的云检测算法模型。文章中通过对前人提出的不同云检测策略进行分析，主要包括基于视觉显著性的图像分割和基于深度神经网络的云检测算法。充分利用深度学习网络的多层非线性分层结构特性，结合国产遥感影像云检测的需求，在改进 SLIC 分割算法的基础上，训练了由GF-1,GF-2,ZY-3 卫星影像组成的训练样本，并设计了 ASLIC+DCNN 网络模型用于云检测，最终完成了检测任务。图 1.2 为本文的云检测技术路线图。针对整个云检测全链路的技术路线，我们主要研究以下了四个问题。
图 2.1 支持向量机分类原理示意图[17]hematic diagram of the classification principle ofsupport vector machines神经网络（Artificial neural networks，ANN）神经网络是人工智能算法的核心，主要包括神经元模型、神经网络三部分。神经元模型是依据生物学上对人类大脑的仿生而建立的大脑思考与感知世界的计算结构，它是一种对人类神经元工作抽出来的工作模型，并非真正利用计算机技术去模仿神经元的工作元模型诞生于 1943 年由心理学家 McCulloch[23]和数学家 W·Pitts 提，该模型经过不断改进就成了如今我们在使用的神经网络模型。该础假设[25]构成,可以形象表示为图 2.2 所示：个神经元都是一个多输入单输出的信息处理单元 ；经元输入分兴奋性输入和抑制性输入两种类型；经元具有空间整合特性和阈值特性 ；
【参考文献】：
期刊论文
[1]基于模糊深度学习网络的行人检测方法[J]. 邱东,刘德雨. 计算机技术与发展. 2018(10)
[2]一种基于深度强化学习的自适应巡航控制算法[J]. 韩向敏,鲍泓,梁军,潘峰,玄祖兴. 计算机工程. 2018(07)
[3]基于生成式对抗网络的遥感影像云检测方法[J]. 朱清,侯恩兵. 地理空间信息. 2018(05)
[4]动态阈值云检测算法改进及在高分辨率卫星上的应用[J]. 王权,孙林,韦晶,周雪莹,陈婷婷,束美艳. 光学学报. 2018(10)
[5]基于深度学习的图像识别算法[J]. 邵彦宁. 电子技术与软件工程. 2018(10)
[6]深度学习研究现状分析[J]. 王菲斐. 电子技术与软件工程. 2018(10)
[7]卷积神经网络在图像处理方面的应用[J]. 董叶豪,柯宗武,熊旭辉. 福建电脑. 2018(05)
[8]深度学习在身份证号码识别中的应用[J]. 卢用煌,黄山. 应用科技. 2019(01)
[9]基于深度残差生成对抗网络的医学影像超分辨率算法[J]. 高媛,刘志,秦品乐,王丽芳. 计算机应用. 2018(09)
[10]基于深度学习技术在专利图像审查中的应用[J]. 林赞磊. 中国新技术新产品. 2018(10)
博士论文
[1]基于热带测雨卫星光谱观测的云参数反演及降水云识别研究[D]. 刘显通.中国科学技术大学 2012
硕士论文
[1]基于暗通道的遥感图像云检测算法研究[D]. 戴薇.西安电子科技大学 2017
[2]基于主动在线极限学习机的卫星云量计算[D]. 申茂阳.南京信息工程大学 2017
[3]基于深度极限学习机的卫星云图云量计算[D]. 孔维斌.南京信息工程大学 2017
[4]全球陆地高分辨率气溶胶光学厚度遥感反演研究[D]. 韦晶.山东科技大学 2017
[5]基于卷积神经网络的卫星云量计算[D]. 王舰锋.南京信息工程大学 2016
[6]基于支持向量机的Landsat多光谱影像云检测算法研究[D]. 陈长春.安徽大学 2014
[7]面向MODIS数据的云检测方法研究[D]. 丁玉叶.哈尔滨工业大学 2013
[8]高分辨率卫星遥感图像云检测方法研究[D]. 赵晓.哈尔滨工业大学 2013
[9]基于多核学习的云检测及分析技术研究[D]. 王师哲.哈尔滨工业大学 2012
[10]MODIS卫星遥感数据云检测软件设计[D]. 丁蕊.成都理工大学 2012
本文编号：3576678
【文章来源】：中国科学院大学(中国科学院西安光学精密机械研究所)陕西省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
机器学习云检测算法总结Fig1.1summaryofclouddetectionalgorithmsformachinelearning
基于神经网络的国产高分光学遥感图像云检测1.3 本文研究内容与技术路线本论文核心研究的是基于机器学习的遥感图像云检测方法，重点在于寻找一种实用性、鲁棒性、准实时的云检测算法，达到不同气象环境下、不同传感器分辨率、不同成像质量、不同地物状况下的云检测算法模型。文章中通过对前人提出的不同云检测策略进行分析，主要包括基于视觉显著性的图像分割和基于深度神经网络的云检测算法。充分利用深度学习网络的多层非线性分层结构特性，结合国产遥感影像云检测的需求，在改进 SLIC 分割算法的基础上，训练了由GF-1,GF-2,ZY-3 卫星影像组成的训练样本，并设计了 ASLIC+DCNN 网络模型用于云检测，最终完成了检测任务。图 1.2 为本文的云检测技术路线图。针对整个云检测全链路的技术路线，我们主要研究以下了四个问题。
图 2.1 支持向量机分类原理示意图[17]hematic diagram of the classification principle ofsupport vector machines神经网络（Artificial neural networks，ANN）神经网络是人工智能算法的核心，主要包括神经元模型、神经网络三部分。神经元模型是依据生物学上对人类大脑的仿生而建立的大脑思考与感知世界的计算结构，它是一种对人类神经元工作抽出来的工作模型，并非真正利用计算机技术去模仿神经元的工作元模型诞生于 1943 年由心理学家 McCulloch[23]和数学家 W·Pitts 提，该模型经过不断改进就成了如今我们在使用的神经网络模型。该础假设[25]构成,可以形象表示为图 2.2 所示：个神经元都是一个多输入单输出的信息处理单元 ；经元输入分兴奋性输入和抑制性输入两种类型；经元具有空间整合特性和阈值特性 ；
【参考文献】：
期刊论文
[1]基于模糊深度学习网络的行人检测方法[J]. 邱东,刘德雨. 计算机技术与发展. 2018(10)
[2]一种基于深度强化学习的自适应巡航控制算法[J]. 韩向敏,鲍泓,梁军,潘峰,玄祖兴. 计算机工程. 2018(07)
[3]基于生成式对抗网络的遥感影像云检测方法[J]. 朱清,侯恩兵. 地理空间信息. 2018(05)
[4]动态阈值云检测算法改进及在高分辨率卫星上的应用[J]. 王权,孙林,韦晶,周雪莹,陈婷婷,束美艳. 光学学报. 2018(10)
[5]基于深度学习的图像识别算法[J]. 邵彦宁. 电子技术与软件工程. 2018(10)
[6]深度学习研究现状分析[J]. 王菲斐. 电子技术与软件工程. 2018(10)
[7]卷积神经网络在图像处理方面的应用[J]. 董叶豪,柯宗武,熊旭辉. 福建电脑. 2018(05)
[8]深度学习在身份证号码识别中的应用[J]. 卢用煌,黄山. 应用科技. 2019(01)
[9]基于深度残差生成对抗网络的医学影像超分辨率算法[J]. 高媛,刘志,秦品乐,王丽芳. 计算机应用. 2018(09)
[10]基于深度学习技术在专利图像审查中的应用[J]. 林赞磊. 中国新技术新产品. 2018(10)
博士论文
[1]基于热带测雨卫星光谱观测的云参数反演及降水云识别研究[D]. 刘显通.中国科学技术大学 2012
硕士论文
[1]基于暗通道的遥感图像云检测算法研究[D]. 戴薇.西安电子科技大学 2017
[2]基于主动在线极限学习机的卫星云量计算[D]. 申茂阳.南京信息工程大学 2017
[3]基于深度极限学习机的卫星云图云量计算[D]. 孔维斌.南京信息工程大学 2017
[4]全球陆地高分辨率气溶胶光学厚度遥感反演研究[D]. 韦晶.山东科技大学 2017
[5]基于卷积神经网络的卫星云量计算[D]. 王舰锋.南京信息工程大学 2016
[6]基于支持向量机的Landsat多光谱影像云检测算法研究[D]. 陈长春.安徽大学 2014
[7]面向MODIS数据的云检测方法研究[D]. 丁玉叶.哈尔滨工业大学 2013
[8]高分辨率卫星遥感图像云检测方法研究[D]. 赵晓.哈尔滨工业大学 2013
[9]基于多核学习的云检测及分析技术研究[D]. 王师哲.哈尔滨工业大学 2012
[10]MODIS卫星遥感数据云检测软件设计[D]. 丁蕊.成都理工大学 2012
本文编号：3576678
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3576678.html
