深度卷积神经网络在湿地类型信息提取中的应用研究

发布时间：2021-03-09 10:44

　　高分辨率遥感影像能够详细的描述地面物体的细节信息和复杂程度,与中低分辨率遥感影像相比,其在地物纹理、形状、光谱特征等方面都有更出色的表现,因此被广泛应用于地物分类、地表观测、自然资源动态监测等领域。而针对中低分辨率遥感影像的基于像元的分类方法和浅层机器学习算法无法满足高分辨率遥感影像的分类需求,如何使高分辨率遥感影像的分类效率和精度得到提高,已成为当前研究的热点。随着计算机性能的不断提高与人工智能的深入发展,大批学者已将深度学习方法应用于各个领域。研究表明,深度学习方法能够有效解决海量影像分类判别等前沿问题,为基于深度学习方法对高分辨率遥感影像的分类研究提供了可靠支撑。近年来,深度卷积神经网络作为深度学习模型,在图像识别领域实现了重大突破。其核心思想是利用模型局部感受野、权值共享、池化操作等结合起来,优化网络,使其具有一定程度的平移、缩放、扭曲变形等的不变性。本文基于深度卷积神经网络模型,提取了高分辨率遥感影像的湿地类型信息,更好的表达深度特征,挖掘地物信息。本文主要研究内容包括:（1）研究遥感影像传统监督分类与非监督分类方法;对深度学习方法进行研究,从网络结构、参数设置等方面对深度卷... 

【文章来源】：哈尔滨师范大学黑龙江省

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

黑龙江公别拉河国家级自然保护区位置示意图

图 2-2 研究区真彩色影像图Fig.2-2 True color image of study area根据 2018 年 6 月野外实地采样数据，结合遥感影像目视解译结果，将，作为精度验证的依据。 遥感数据预处理

图 4-2 测试区范围Fig.4-2 Test Zone Scope试区以外的影像分割数据分别制作成标准训练集和验证集数据。和测试集样本示例如图 4-3 所示，样本被掩膜掉的部分 RGB 值均

【参考文献】：
期刊论文
[1]卷积神经网络和深度置信网络在SAR影像冰水分类的性能评估[J]. 黄冬梅,李明慧,宋巍,王建.  中国图象图形学报. 2018(11)
[2]基于集成卷积神经网络的遥感影像场景分类[J]. 张晓男,钟兴,朱瑞飞,高放,张作省,鲍松泽,李竺强.  光学学报. 2018(11)
[3]基于深度学习AlexNet的遥感影像地表覆盖分类评价研究[J]. 党宇,张继贤,邓喀中,赵有松,余凡.  地球信息科学学报. 2017(11)
[4]结合均值漂移分割与全卷积神经网络的高分辨遥感影像分类[J]. 方旭,王光辉,杨化超,刘慧杰,闫立波.  激光与光电子学进展. 2018(02)
[5]深度学习相关研究综述[J]. 张军阳,王慧丽,郭阳,扈啸.  计算机应用研究. 2018(07)
[6]卷积神经网络在高分遥感影像分类中的应用[J]. 曹林林,李海涛,韩颜顺,余凡,顾海燕.  测绘科学. 2016(09)
[7]高分辨率遥感影像多尺度分割参数优化及其在面向对象分类中的应用[J]. 郑斓,黄万里.  亚热带资源与环境学报. 2015(04)
[8]基于多尺度分割的遥感影像滨海湿地分类[J]. 费鲜芸,王婷,魏雪丽.  遥感技术与应用. 2015(02)
[9]湿地遥感研究进展[J]. 张树文,颜凤芹,于灵雪,卜坤,杨久春,常丽萍.  地理科学. 2013(11)
[10]基于最小距离法的遥感图像分类[J]. 冯登超,陈刚,肖楷乐,杜文雅,吴新颖.  北华航天工业学院学报. 2012(03)

硕士论文
[1]基于GF-2遥感影像的农田面向对象变化检测方法研究[D]. 毕晏珲.吉林大学 2018
[2]基于深度学习技术的高分辨率遥感影像建设用地信息提取研究[D]. 冯丽英.浙江大学 2017
[3]面向对象的土地利用/土地覆盖变化研究[D]. 罗一英.中南大学 2013
[4]面向对象的遥感图像分类方法在土地利用土地覆盖中的应用研究[D]. 张蓉.西南林学院 2008



本文编号：3072732