基于全卷积网络的小块农田识别方法研究

发布时间：2023-04-23 01:44

　　近年来,随着遥感技术的发展,遥感影像的空间分辨率不断提升,不仅具有丰富的空间、纹理特征,而且包含了大量的细节信息,这也使得影像中小块农田识别的难度大大增加。传统的基于光谱统计特性的极大似然法、K最近邻算法等识别分类方法,由于仅利用影像的光谱信息缺乏对丰富的细节信息的充分利用,不能满足当前对小块农田信息提取的需求。针对以上问题,本文以高分一号遥感影像为数据源,基于深度学习中流行的全卷积神经网络算法,进行高分辨率遥感影像小块农田识别方法的研究,并将其应用到遥感影像小块农田的识别中,主要研究内容如下:针对图像中小块农田包含的有效信息较少、表达不足,传统方法识别困难等问题,基于稀疏降噪自动编码器SDA(Sparse Denosing Auto-encoder),提出一种训练样本图像目标增强算法。该算法首先将多个稀疏降噪自动编码器SDAs进行堆叠,得到一种堆叠式稀疏降噪自动编码器,采用L-BFGS算法进行训练,得到输入图像的高层抽象表示,作为原始信号的初级滤波,并加入到原有的特征中,得到增强后的样本图像,为后续训练更精确的小块农田识别模型提供高质量的数据支持。基于全卷积网络算法,在Tensor ...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
1 引言
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 深度学习研究现状
        1.2.2 图像目标识别研究现状
    1.3 主要研究内容
    1.4 论文结构
2 相关理论与数据概述
    2.1 相关理论
        2.1.1 全卷积神经网络
        2.1.2 贝叶斯判别理论
    2.2 数据概况
        2.2.1 研究区概况
        2.2.2 高分一号卫星数据
        2.2.3 数据预处理
        2.2.4 实验数据集
    2.3 本章小结
3 基于降噪自动编码器的小块农田增强方法
    3.1 小块农田目标的图像特性
    3.2 降噪自动编码器
    3.3 SSDA-E算法描述
    3.4 本章小结
4 基于全卷积网络的小块农田识别模型
    4.1 传统的目标识别方法
    4.2 TensorFlow框架
    4.3 网络模型的搭建与训练
        4.3.1 基于VGGNet的模型搭建
        4.3.2 改进的激活函数
        4.3.3 改进的Softmax回归分类器
    4.4 实验结果与分析
        4.4.1 实验环境
        4.4.2 评判指标
        4.4.3 实验结果与对比分析
    4.5 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读硕士期间取得的成果



本文编号：3798828