基于端到端深度学习的多源遥感图像融合与分类技术

发布时间：2022-01-15 03:56

　　随着我国空间基础设施的持续推进和不断完善,在轨遥感卫星种类日趋丰富,大量多平台与多模态遥感数据得以被获取。利用高光谱数据对目标识别分类等相关研究目前已成功应用于农业监测、灾害预警以及城市规划等领域,但是如果只利用单源数据,则应用研究可能会受限于单源数据的成像特性。因此,本文设计了一种基于端到端深度学习的多源遥感图像融合框架和一种基于深度学习的多源遥感图像分类模型。多源遥感数据融合框架和多源遥感图像协同分类模型均基于端到端思想,但二者在设计上存在区别:除去编解码器卷积层深度的差异外,多源遥感协同分类模型利用端到端模型建立多源数据之间的映射关系,获取多源数据联合表征,为后续分类提供保障;而多源遥感图像融合框架在端到端模型基础上新增密集块和融合模块,目的是有效挖掘利用多源数据深层信息,最终由解码器重构融合特征输出预期融合图像。本文主要研究内容如下所示:1.基于高光谱图像光谱特征分析,使得很多不易侦测的物质,在高光谱图像中都能被识别。但是,在卫星成像条件限制下,空间分辨率的提高会伴随光谱分辨率下降。目前尚无技术可直接获取同时具备高空间、高谱间分辨率的遥感数据。而且高光谱图像的维度高,标签样本采... 

【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】：80 页

【学位级别】：硕士

【部分图文】：

图１－２图像融合层次图??Ｆｉｇ．?１－２?Ｈｉｅｒａｒｃｈｉｃａｌ?ｓｔｒｕｃｔｕｒｅ?ｍａｐ?ｏｆ?ｒｅｍｏｔｅ?ｓｅｎｓｉｎｇ?ｉｍａｇｅ?ｆｕｓｉｏｎ??

?北京化工大学硕士学位论文???１．４论文的组织结构??文章的整体脉络如图１－３所示，展示了本文所提出的基于端到端深度学习多源遥??感图像融合及多源遥感图像协同分类主要流程。??第一章＆第二章绪论及理论基础??课题研宄背景＆国内外研究现状??■??遥感图像配准基本原理及分类??暑?＃??第三章多源遥感图像融合框架?第四章多源遥感图像协同分类模型??麵量大、维細＆场景■?＇??＜ＪＢｒ??Ｉ?????—??????＾??ｉ可见光?｜?＼?＋多源遥感协！＿？?ｌ??ｊ?／ＬｉＤＡＫ?一＾?多光＋同分类翻＋全色，ｉ??⑵?＋融合结果?★?★??；红外?＿?联合多源多■?ｍ??：／￡４?．辱爹匿龍？錢结果丨??Ｌ＿＿．．？．＿．－．???????—＇?…―：Ｊ??图１－３论文整体框架图??Ｆｉｇ．１－３?Ｔｈｅ?ｏｖｅｒａｌｌ?ｆｒａｍｅｗｏｒｋ?ｏｆ?ｔｈｅ?ｐａｐｅｒ??第一章，绪论。该章节主要论述了多源遥感图像融合及分类的研宄背景和意义，??对该领域所存在的问题进行总结，同时调研了该领域基于深度学习的多源遥感数据协??同分类的相关研究工作。然后，简要概括本文主要研宄内容，并说明本文创新之处及??内容安排。??第二章，本章主要叙述了图像配准的基本原理，介绍了图像配准技术类别及研宄??现状，具体介绍了基于特征匹配相关算法内容。遥感数据配准是遥感图像处理的基础，??只有完成数据配准后，才能开展第三章和第四章融合及分类任务。??第三章，基于端到端深度学习的多源遥感数据融合框架。针对遥感图像，传统的??融合方法无法很好的解决

?北京化工大学硕士学位论文???萬＼养＼丁??，ｙ＼，ｙ＼??图２－１主动成像和被动成像示意图??Ｆｉｇ．２－１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ａｃｔｉｖｅ?ａｎｄ?ｐａｓｓｉｖｅ?ｉｍａｇｉｎｇ??相比主动成像数据，光学遥感图像虽然受到自然气候的影响，不能提供全天时、??全天候的遥感图像，但自身仍然有不可比拟的优势。常见的光学图像主要包括：全色??图像、可见光图像以及多／高光谱数据等。具备高空间分辨率特性的可见光图像和全??色图像为观测目标提供清晰的空间纹理信息。多／高光谱数据有集光谱图像于一身的??优势，可呈现地物本质特征。不同类别地物由于接收和辐射电磁波的特性不同，因而??呈现出不同的光谱曲线。光学遥感图像分类则根据像素的光谱特性进行划分，属于像??素级分类判别的范畴。??自２０１０年我国“高分专项工程”启动并稳步推进，我国自产高分遥感卫星的发??展势头迅猛，在国土监测、土地资源管理、城市建设、灾害防备、水资源环保、林牧??业等方面发挥着极大地作用。其中高分系列中各成员功能如表２－１所示。??１２??


本文编号：3589853