利用QA波段训练DCNN并检测Landsat影像云和云阴影的方法

发布时间：2023-04-17 02:09

　　Landsat影像具有最长的陆地遥感观测记录,覆盖全球范围,分辨率适中,是目前应用最广泛的遥感数据,其应用领域包括资源勘查、农业分析、地表变化监测等。由于Landsat影像上的云和云阴影会遮挡地物,不能实现对被遮挡地物的遥感,因此精确的云和云阴影标示是Landsat影像产品生产的重要环节。随着深度学习技术的发展和计算机性能的提升,基于深度卷积神经网络的检测方法极大地提升了Landsat影像云及其阴影的检测精度。然而,训练深度卷积神经网络模型需要大量标注图像(图像上的每个像元均需经人工方式精确标注为云、无云或云阴影)。人工标注成本高、耗时长,不利于构建大型遥感图像样本集,从而很难训练出具有实用价值的云和云阴影检测模型。本文将Landsat影像云和云阴影检测转化为图像的语义分割问题,并通过研究和剖析基于深度学习的最新云检测算法,揭示其依赖大规模人工标注数据的固有约束,受弱监督学习思想启发,提出了一种无需人工标注数据的卷积神经网络模型训练及云和云阴影检测方法。不同于现有基于深度卷积神经网络的检测方法,本文选取了没有经过人工解译标注的Landsat QA波段作为标注数据,通过迭代模型训练过程,...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
Abstract
1 引言
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 波段测试法
        1.2.2 多时相检测法
        1.2.3 传统统计学方法
        1.2.4 机器学习方法
        1.2.5 深度学习方法
    1.3 研究内容与创新点
    1.4 论文框架结构
2 深度学习理论基础
    2.1 深度学习概述
    2.2 卷积神经网络
        2.2.1 卷积层
        2.2.2 池化层
        2.2.3 激活函数
        2.2.4 网络学习
    2.3 语义分割
        2.3.1 基于卷积神经网络的语义分割
        2.3.2 Seg Net模型
    2.4 本章小结
3 基于深度学习的Landsat影像云和云阴影检测
    3.1 Landsat影像云和云阴影检测问题
    3.2 面向Landsat影像云和云阴影检测的语义分割问题
    3.3 基于Seg Net的 Landsat影像云和云阴影检测
        3.3.1 网络结构
        3.3.2 网络参数配置与模型训练
    3.4 基于QA波段的Seg Net模型训练方法
        3.4.1 检测流程
        3.4.2 QA波段
        3.4.3 网络训练迭代方案
    3.5 模型检测和结果转换
    3.6 本章小结
4 实验结果与分析
    4.1 实验环境
        4.1.1 Tensorflow框架
        4.1.2 图像处理库
    4.2 实验数据
        4.2.1 数据源
        4.2.2 波段运算
        4.2.3 影像切分
        4.2.4 样本集构建
    4.3 评估指标
    4.4 对比分析
        4.4.1 实验结果定性分析
        4.4.2 实验结果定量分析
    4.5 本章小结
5 总结与展望
    5.1 工作总结
    5.2 展望
参考文献



本文编号：3792350