基于深度网络的无人机地貌图像分类算法研究

发布时间：2021-01-25 10:54

　　无人机自然地貌图像分类是无人机在未知区域自主着陆的基础,是无人机领域的研究热点问题。然而,自然场景图像具有类间相似度高、场景复杂、纹理信息丰富等特点,且易受光照、天气条件等因素影响,传统的图像分类算法分类效果较差,因此,如何提高自然地貌场景分类算法的性能具有极其重要的研究意义。近年来,深度学习成为机器学习领域的研究热点,被广泛的应用于图像分类领域,深度网络结构比较适合提取图像的特征,通过逐层特征学习得到高层次语义特征,特别适合处理无人机自然地貌场景的分类问题。因此,本文基于深度学习方法,针对自然地貌场景类间相似度高、场景复杂、易受干扰等特点,对无人机自然地貌场景分类问题进行研究,为无人机自主着陆奠定基础。本文主要研究内容如下:（1）针对地貌场景图像中类间相似度高导致错分率较高的问题,提出一种基于稀疏自动编码器（Sparse AutoEncoder,SAE）和支持向量机（Support Vector Machine,SVM）的无人机相似地貌图像分类算法。首先构建深度稀疏自动编码器（DSAE）对图像进行特征学习,然后提出特征重组法得到每层调整因子以及重组的特征集,最后针对无人机地貌图像的多... 

【文章来源】：北京工业大学北京市 211工程院校

【文章页数】：101 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题的研究背景及意义
    1.2 国内外研究现状
        1.2.1 无人机着陆研究现状
        1.2.2 无人机地貌图像分类的研究现状
        1.2.3 图像分类方法的研究现状
        1.2.4 深度学习在图像分类中的研究现状
    1.3 论文结构安排
第2章 相关理论基础
    2.1 无人机地貌图像分类概述
    2.2 深度学习
        2.2.1 深度学习简介
        2.2.2 深度学习训练过程
    2.3 深度学习常用模型
        2.3.1 自动编码器
        2.3.2 稀疏自动编码器
        2.3.3 卷积神经网络
    2.4 支持向量机
    2.5 本章小结
第3章 基于SAE和GASVM 的无人机相似地貌场景分类算法
    3.1 引言
    3.2 基于SAE和GASVM的无人机相似地貌场景分类算法
        3.2.1 深度稀疏自动编码器网络
        3.2.2 特征学习
        3.2.3 GA-SVM算法
        3.2.4 算法流程
    3.3 实验结果与分析
        3.3.1 实验数据集
        3.3.2 GA-SVM算法性能分析
        3.3.3 特征重组法对分类率的影响
        3.3.4 分类性能比较
    3.4 本章小结
第4章 基于DCT和CNN的自适应无人机地貌场景分类算法
    4.1 引言
    4.2 基于DCT和CNN的自适应无人机地貌场景分类算法
        4.2.1 自适应DCT系数的选择
        4.2.2 DCT-CNN算法模型
        4.2.3 算法流程
    4.3 实验结果与分析
        4.3.1 实验数据集
        4.3.2 DCT系数个数对图像分类性能的影响
        4.3.3 分类性能比较
    4.4 本章小结
第5章 基于SC预训练的卷积神经网络着陆地貌分类算法
    5.1 引言
    5.2 基于SC预训练的卷积神经网络着陆地貌分类算法
        5.2.1 基于非下采样Contourlet变换的多尺度分解
        5.2.2 SC非监督预训练
        5.2.3 SC预训练的卷积神经网络
        5.2.4 算法流程
    5.3 基于自然地貌图像的无人机着陆地貌分类
    5.4 实验结果与分析
        5.4.1 实验数据集
        5.4.2 稀疏编码非监督特征学习分析
        5.4.3 SC预训练的卷积神经网络训练收敛性能分析
        5.4.4 分类性能比较
        5.4.5 自然地貌图像的无人机着陆地貌分类
    5.5 本章小结
结论与展望
参考文献
攻读硕士期间所发表的学术论文
致谢


【参考文献】：
期刊论文
[1]低小慢无人机降落野外场景识别方法[J]. 叶利华,王磊,赵利平.  计算机应用. 2017(07)
[2]基于YOLO v2的无人机航拍图像定位研究[J]. 魏湧明,全吉成,侯宇青阳.  激光与光电子学进展. 2017(11)
[3]联合显著性和多层卷积神经网络的高分影像场景分类[J]. 何小飞,邹峥嵘,陶超,张佳兴.  测绘学报. 2016(09)
[4]利用多尺度特征与深度网络对遥感影像进行场景分类[J]. 许夙晖,慕晓冬,赵鹏,马骥.  测绘学报. 2016(07)
[5]基于灰度平均梯度和粒子群优化的散焦图像模糊参数估计[J]. 吴章平,刘本永.  计算机应用. 2016(04)
[6]基于多尺度分块卷积神经网络的图像目标识别算法[J]. 张文达,许悦雷,倪嘉成,马时平,史鹤欢.  计算机应用. 2016(04)
[7]基于自动编码器组合的深度学习优化方法[J]. 邓俊锋,张晓龙.  计算机应用. 2016(03)
[8]基于离散余弦变换的图像压缩编码方法及改进[J]. 严珍珍,刘建军.  计算机技术与发展. 2016(01)
[9]基于多级金字塔卷积神经网络的快速特征表示方法[J]. 王冠皓,徐军.  计算机应用研究. 2015(08)
[10]PCA预训练的卷积神经网络目标识别算法[J]. 史鹤欢,许悦雷,马时平,李岳云,李帅.  西安电子科技大学学报. 2016(03)

硕士论文
[1]基于多特征融合的无人机航拍图像识别研究[D]. 王建荣.成都理工大学 2015
[2]基于视觉的无人机着陆跑道识别与实现[D]. 董淑德.电子科技大学 2013
[3]无人机视觉着陆关键技术研究[D]. 李宇.南京航空航天大学 2012
[4]无人机着陆点的地貌分类特征识别技术研究[D]. 李南南.沈阳航空工业学院 2010
[5]基于视觉的无人机着陆姿态检测和跑道识别[D]. 刘新华.南京航空航天大学 2004



本文编号：2999107