基于面向对象分类和CNN的土地覆盖遥感提取

发布时间：2023-12-23 20:27

　　土地资源是人类赖以生存和发展的基石,无节制不合理的土地利用方式已经对土地资源造成巨大的破坏,加剧了自然环境的恶化,影响社会经济的可持续发展。了解土地覆盖状况是保护土地资源的前提,因此如何快速准确地获取土地覆盖信息,已经成为遥感领域的一个热点问题。传统的基于像素的地物提取方法不能充分利用高分影像的特征信息,而面向对象分类基于分割对象提取特征信息,能够综合利用高分影像的光谱、纹理、形状特征。影像分割是面向对象分类的第一步也是至关重要的一步,分割质量的高低直接影响到分类的精度。高分影像为面向对象分类提供了丰富的特征信息,但并不是特征数目越多越好,高度相关的冗余特征反而会影响分类的精度和效率,所以分类时必须优化特征空间。卷积神经网络Convolutional neural network(CNN)作为深度学习中应用最广泛的网络,其“卷积—池化”结构赋予了它强大的学习能力,能够自动提取遥感影像的特征信息,无需人工提取特征和优化,避免了人为主观上的误差,提高了分类效率,因此CNN逐渐被应用到遥感影像分类。本文以国产高分二号(GF-2)“亚米级”影像为数据源,分别采用面向对象技术和CNN对安徽省巢湖...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外分类方法的研究进展
        1.2.1 基于像元的分类方法
        1.2.2 面向对象的分类方法
        1.2.3 基于深度学习的高分辨率遥感影像的分类
    1.3 研究内容与技术路线
        1.3.1 研究目标
        1.3.2 研究内容
    1.4 论文组织框架
    1.5 技术路线
第二章 研究区概况和数据预处理
    2.1 研究区概况
    2.2 高分二号遥感影像
    2.3 高分二号遥感影像预处理
        2.3.1 辐射定标
        2.3.2 大气校正
        2.3.3 正射校正
        2.3.4 影像融合
        2.3.5 影像裁剪
    2.4 精度评价
    2.5 本章小结
第三章 基于最邻近的面向对象土地覆盖分类
    3.1 分类体系的建立
    3.2 多层次影像分割
        3.2.1 影像分割
        3.2.2 影像分割参数优化
    3.3 面向对象的土地覆盖分类
        3.3.1 最邻近分类原理
        3.3.2 特征空间构建
        3.3.3 基于单一分割层面向对象分类
        3.3.4 基于多层次面向对象分类
    3.4 精度评价与结果分析
    3.5 本章小结
第四章 基于卷积神经网络模型的土地覆盖分类
    4.1 卷积神经网络
        4.1.1 卷积神经网络的基本结构
        4.1.2 卷积神经网络的特征
    4.2 本章所设计的CNN模型
    4.3 实验与分析
        4.3.1 实验环境
        4.3.2 数据集获取与增强
        4.3.3 CNN模型参数优化
    4.4 分类结果
        4.4.1 支持向量机分类
        4.4.2 CNN分类
    4.5 精度评价
    4.6 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读硕士学位期间取得的学术成果
致谢



本文编号：3874260