基于卷积神经网络的遥感场景图像分类研究
发布时间：2021-01-17 01:30
随着遥感对地观测技术的发展,硬件设施日益完善,能够获取并采集分辨率越来越高的遥感图像,这些高质量的图像可提供更多的空间、形状、和纹理信息。这些丰富的地物信息在精细农业、城市规划、地籍调查、自然灾害检测等诸多领域有着广阔的应用前景。由于遥感图像包含的信息量比较多,而且数据应用情况远滞后于其数据获取能力,所以如何把这些海量的图像进行快速的分类是加快遥感图像利用效率的关键所在。传统的机器学习算法（如SVM、决策树、随机森林等）是以人工设计的特征描述子来提取特征,然后用分类器将这些特征进行分类。算法的关键步骤是将图像中包含的特征信息提取出来,然后做进一步的分类。但由于遥感图像数据的空间复杂性、多样性等特性使得人工设计的特征很难从图像中提取到准确的有价值的信息,所以这些算法达不到应用需求。虽然有的时候针对某些小样本的数据也可以取得不错的效果,但当遇到批量大、复杂的图像数据的时候,由于计算能力有限,其泛化能力和分类效果仍然难以满足应用需求。随着深度学习算法的快速发展,工业、医疗、社会、安全等很多领域的生产效率获得了大幅度的提升。卷积神经网络的优势在于它可以用数据驱动的方式来提取图像数据的特征,在所...
【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
场景分类流程
中国地质大学（北京）工程硕士学位论文7类，其关键环节在于如何获取到既能抑制不同类别场景图片纹理等细节上的特征差异又能反应同种类别场景间的结构信息相似的特征，这就需要借助卷积神经网络强大的特征提取能力来实现。2.3卷积神经网络基础理论2.3.1卷积层对于场景图像分类而言，同一类别的图像要么某些区域有着相似性，要么整体图像的纹理有着相似性。这些相似性可以转化为数学上的特征表达，卷积的实质就是提取这些相似性的特征。其流程如下图：图2-1卷积运算过程如图所示，卷积通过滑动窗口模式遍历图像来计算特征。图中蓝色区域覆盖的部分表示一个卷积核，示例的卷积核尺寸为3×3。假设步长为1，卷积核每向右移动一格，会做一次卷积计算，每次卷积计算会将卷积核的9个参数与图像上对应位置的参数相乘，然后把所有乘积累加再加上一个偏置项就是一次卷积运算的最终输出结果。图2-1经过卷积计算后会得到一个6×4的特征图，通常要对卷积输出结果做激活处理，通俗来讲就是用非线性函数来做一次映射，从而增加整个网络的表达能力。这就是卷积层的特征提取过程，作为网络中最重要的层，它也是网络命名的缘由。
第2章基本理论概述82.3.2池化层生物学中的视觉系统对输入的对象进行抽象和降维，从而大大促进了信息的传递，神经网络中引入了池化层其实就是源于这个机制。池化(Pooling)是卷积神经网络中的另一个重要概念，其本质是降低网络参数。通常池化方法有两种，第一种是平均池化(Averagepooling)，其流程是把特征图划分为若干个矩形区域，然后求出每个区域的平均值来代表各个区域。如图2-2(右)所示每个2×2的矩形区域都用其4个元素的平均值来替代。第二种是最大池化(Maxpooling)，与平均池化不同之处在于，它用每个区域的最大值来代表各个区域。如图2-2(左)所示，每个2×2的矩形区域都用其区域中的最大元素来表示。池化层的目的是为了降低神经网络的参数量，同时最大限度的保证特征信息的传播。由图可知，无论是“平均池化”还是“最大池化”，都可以减少75%的网络参数，同时又能最大程度的保证网络的信息传递，这就是池化机制之所以有效的原因。除此之外，池化图2-2两种池化方法操作使模型更加关注某些特征的存在而不是特征的具体位置，给特征的选择带来了更多的自由性。2.3.3全连接层全连接层(fullyconnectedlayers)是整个卷积神经网络中的最后一步，它主要起到确定场景分类数量和给特征加权的作用。可以认为网络中的其他所有层比如卷积、池化、激活函数等共同作用是为了提取图像的高层语义特征，然后全连接把这些高层语义特征组装成完整的图。全连接层在实际应用中共有两种实现方式，如果输入是1×1尺寸的特征图，全连接可通过1×1的卷积来实现。否者，可通过卷积核为h×w的全局卷积来实现，h和w分别是输入的特征图的宽和高。
【参考文献】：
期刊论文
[1]基于CNN的高分遥感影像深度语义特征提取研究综述[J]. 董蕴雅,张倩. 遥感技术与应用. 2019(01)
[2]基于面向对象的高分辨率遥感影像分类技术研究[J]. 杜斌,张炜. 西部资源. 2016(05)
[3]基于PCAnet的高分辨率遥感影像场景分类[J]. 何小飞,邹峥嵘,陶超. 测绘与空间地理信息. 2016(10)
[4]一种多尺度时频纹理特征融合的场景分类算法[J]. 史静,朱虹,邢楠,韩勇,杜森. 仪器仪表学报. 2016(10)
[5]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)
[6]场景图像分类技术综述[J]. 李学龙,史建华,董永生,陶大程. 中国科学:信息科学. 2015(07)
[7]基于多尺度上下文语义信息的图像场景分类算法[J]. 张瑞杰,李弼程,魏福山. 电子学报. 2014(04)
[8]局部Gist特征匹配核的场景分类[J]. 杨昭,高隽,谢昭,吴克伟. 中国图象图形学报. 2013(03)
[9]AdaBoost算法研究进展与展望[J]. 曹莹,苗启广,刘家辰,高琳. 自动化学报. 2013(06)
[10]基于多维金字塔表达和AdaBoost的高分辨率SAR图像城区场景分类算法[J]. 殷慧,曹永锋,孙洪. 自动化学报. 2010(08)
博士论文
[1]基于特征学习的高分辨率遥感图像场景分类研究[D]. 胡凡.武汉大学 2017
[2]高分辨率光学遥感图像场景理解关键技术研究[D]. 姚西文.西北工业大学 2016
硕士论文
[1]基于卷积神经网络的遥感图像分类的研究[D]. 刘雨桐.湘潭大学 2018
[2]基于深度学习的场景分类[D]. 张建国.辽宁工业大学 2016
[3]场景识别技术研究[D]. 宋庆欢.中国科学院研究生院（光电技术研究所） 2015
本文编号：2981927
【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
场景分类流程
中国地质大学（北京）工程硕士学位论文7类，其关键环节在于如何获取到既能抑制不同类别场景图片纹理等细节上的特征差异又能反应同种类别场景间的结构信息相似的特征，这就需要借助卷积神经网络强大的特征提取能力来实现。2.3卷积神经网络基础理论2.3.1卷积层对于场景图像分类而言，同一类别的图像要么某些区域有着相似性，要么整体图像的纹理有着相似性。这些相似性可以转化为数学上的特征表达，卷积的实质就是提取这些相似性的特征。其流程如下图：图2-1卷积运算过程如图所示，卷积通过滑动窗口模式遍历图像来计算特征。图中蓝色区域覆盖的部分表示一个卷积核，示例的卷积核尺寸为3×3。假设步长为1，卷积核每向右移动一格，会做一次卷积计算，每次卷积计算会将卷积核的9个参数与图像上对应位置的参数相乘，然后把所有乘积累加再加上一个偏置项就是一次卷积运算的最终输出结果。图2-1经过卷积计算后会得到一个6×4的特征图，通常要对卷积输出结果做激活处理，通俗来讲就是用非线性函数来做一次映射，从而增加整个网络的表达能力。这就是卷积层的特征提取过程，作为网络中最重要的层，它也是网络命名的缘由。
第2章基本理论概述82.3.2池化层生物学中的视觉系统对输入的对象进行抽象和降维，从而大大促进了信息的传递，神经网络中引入了池化层其实就是源于这个机制。池化(Pooling)是卷积神经网络中的另一个重要概念，其本质是降低网络参数。通常池化方法有两种，第一种是平均池化(Averagepooling)，其流程是把特征图划分为若干个矩形区域，然后求出每个区域的平均值来代表各个区域。如图2-2(右)所示每个2×2的矩形区域都用其4个元素的平均值来替代。第二种是最大池化(Maxpooling)，与平均池化不同之处在于，它用每个区域的最大值来代表各个区域。如图2-2(左)所示，每个2×2的矩形区域都用其区域中的最大元素来表示。池化层的目的是为了降低神经网络的参数量，同时最大限度的保证特征信息的传播。由图可知，无论是“平均池化”还是“最大池化”，都可以减少75%的网络参数，同时又能最大程度的保证网络的信息传递，这就是池化机制之所以有效的原因。除此之外，池化图2-2两种池化方法操作使模型更加关注某些特征的存在而不是特征的具体位置，给特征的选择带来了更多的自由性。2.3.3全连接层全连接层(fullyconnectedlayers)是整个卷积神经网络中的最后一步，它主要起到确定场景分类数量和给特征加权的作用。可以认为网络中的其他所有层比如卷积、池化、激活函数等共同作用是为了提取图像的高层语义特征，然后全连接把这些高层语义特征组装成完整的图。全连接层在实际应用中共有两种实现方式，如果输入是1×1尺寸的特征图，全连接可通过1×1的卷积来实现。否者，可通过卷积核为h×w的全局卷积来实现，h和w分别是输入的特征图的宽和高。
【参考文献】：
期刊论文
[1]基于CNN的高分遥感影像深度语义特征提取研究综述[J]. 董蕴雅,张倩. 遥感技术与应用. 2019(01)
[2]基于面向对象的高分辨率遥感影像分类技术研究[J]. 杜斌,张炜. 西部资源. 2016(05)
[3]基于PCAnet的高分辨率遥感影像场景分类[J]. 何小飞,邹峥嵘,陶超. 测绘与空间地理信息. 2016(10)
[4]一种多尺度时频纹理特征融合的场景分类算法[J]. 史静,朱虹,邢楠,韩勇,杜森. 仪器仪表学报. 2016(10)
[5]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)
[6]场景图像分类技术综述[J]. 李学龙,史建华,董永生,陶大程. 中国科学:信息科学. 2015(07)
[7]基于多尺度上下文语义信息的图像场景分类算法[J]. 张瑞杰,李弼程,魏福山. 电子学报. 2014(04)
[8]局部Gist特征匹配核的场景分类[J]. 杨昭,高隽,谢昭,吴克伟. 中国图象图形学报. 2013(03)
[9]AdaBoost算法研究进展与展望[J]. 曹莹,苗启广,刘家辰,高琳. 自动化学报. 2013(06)
[10]基于多维金字塔表达和AdaBoost的高分辨率SAR图像城区场景分类算法[J]. 殷慧,曹永锋,孙洪. 自动化学报. 2010(08)
博士论文
[1]基于特征学习的高分辨率遥感图像场景分类研究[D]. 胡凡.武汉大学 2017
[2]高分辨率光学遥感图像场景理解关键技术研究[D]. 姚西文.西北工业大学 2016
硕士论文
[1]基于卷积神经网络的遥感图像分类的研究[D]. 刘雨桐.湘潭大学 2018
[2]基于深度学习的场景分类[D]. 张建国.辽宁工业大学 2016
[3]场景识别技术研究[D]. 宋庆欢.中国科学院研究生院（光电技术研究所） 2015
本文编号：2981927
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2981927.html
