基于多类特征深度学习的高分辨率遥感影像分类

发布时间：2020-12-12 01:25

　　伴随我国高分辨率对地观测系统的启动,高空间分辨率（下文简称“高分辨率”）遥感影像数据也呈现海量增长。高分辨率遥感影像具有空间分辨率高、影像复杂程度高、光谱信息欠缺、类内差异大以及几何纹理等特征丰富的特点,利用传统的遥感影像分类方法对其进行分类效果不理想,亟须寻找一种高精度、快速高效的影像分类方法。而近年来深度学习技术迅猛发展,针对这一问题,本文将深度学习技术用于了高分辨率遥感影像分类,考虑到高分影像光谱信息欠缺,所以构建了多类影像特征作为其补充,提出了一种基于多类特征深度学习的高分辨率遥感影像分类方法,共完成了以下几点工作:第一,阐述了国内外对于深度学习技术以及遥感影像分类的研究现状。介绍了常用的遥感影像分类方法,并指出了深度学习方法在高分辨率遥感影像分类中的优势。第二,介绍了高分辨率遥感影像的深度学习分类方法。对几种常见的影像分类深度模型进行了阐述,通过具体的比较和分析,选取了较优的U-Net模型进行后续的高分辨率遥感影像分类研究。第三,介绍了高分辨率遥感影像的多类特征构建。考虑到高分辨率遥感影像的光谱信息较为欠缺,但包含丰富的空间、纹理等信息,所以文中分别构建了四种影像特征,即影像... 

【文章来源】：北京建筑大学北京市

【文章页数】：104 页

【学位级别】：硕士

【部分图文】：

人工智能、机器学习和深度学习的区别与联系Fig.1-1Thedifferenceandconnectionbetweenartificialintelligence,machinelearninganddeeplearning

图 2-1 深度学习模型中的卷积过程图Fig.2-1 The convolution procedure diagram in deep learning model在图 2-1 中，输入图像的大小为（7×7×3），卷积核尺寸为（3×3×3），核个数为2，其移动步长为 2。W0 卷积核的第 0 通道元素与输入图像对应窗口的第 0 通道元素相乘再求和得到值 0；W0 卷积核的第 1 通道元素与图像对应窗口的第 1 通道元素相乘再求和得到值 2；W0 卷积核的第 2 通道元素与输入图像对应窗口的第 2 通道元素相乘再求和得到值 0。将得到的 3 个值相加，再加上 W0 卷积核对应的偏置参数，则有 0+2+0+1=3，即求得了右边特征图的第 1 个元素值，滑动卷积核以此类推方可求得特征图的其它元素值。在使用卷积核滑动遍历图像时，对于图像的边界像素有两种处理方式，一是采取“舍弃”的方式，二是采取“补全”的方式。“舍弃”的方式就是说当卷积核在进行遍历操作时，最后剩余了一个或几个像素，无法与卷积核进行卷积操作，这时候可以将多余的这一个或几个像素直接舍弃掉。当使用这种方式进行卷积操作时，输出的特征图尺寸大小可用式（2-2）计算得到。out_height ceilin_height filter_height strides hout_width ceilin_width filter_width

的是指当卷积核滑动到图像的边缘，，这时候可以在边界处补充一个或几进行卷积运算操作。当采用这种方式out_height ceilin_heightstrides hout_width ceilin_widthstrides[w]2-2）式中相同。卷积层具有局部连接都是与图像的局部窗口相连[57]，这个与卷积核的尺寸相同，卷积核在深度部连接的具体示意图。


本文编号：2911592