基于深度学习的遥感图像茶叶种植区域识别研究

发布时间：2021-03-26 07:15

　　随着遥感技术的发展和深度学习在图像处理方面的进展,采用深度学习来对遥感图像进行识别的方法已被广泛应用在各个方面,如农业、林业、环境等领域。其中茶叶作为我国农业中重要经济作物之一,如何准确、及时的获取茶叶的种植面积,对于政府部门掌握茶叶生产情况制定相关调控政策具有重要意义。遥感影像中的非茶叶种植区域远远大于茶叶种植区域,为了兼顾算法效率与精度,本文将整个识别过程分为茶叶种植区域粗划分与茶叶种植区域分割两个阶段。茶叶种植区域粗划分主要为了获得种植茶叶的大范围区域,去除大量的非茶叶种植区域,从而减少后续茶叶区域分割的数据量。粗划分模型首先对大尺度遥感影像进行小区域划分,将划分后的小影像标记为茶叶种植区和非茶叶种植区两类,通过建立基于卷积神经网络的分类算法,采用迁移学习,去除了大量非茶叶种植区,获得茶叶种植区域的粗划分。由于茶叶种植多在山区、丘陵上,具有大面积、连续不规则的分布特点,为了获得更加准确地茶叶种植区,在获得分类结果后,通过孤立点分析算法去除了误分的小范围茶叶种植区,提高了算法的准确率。基于粗划分后的茶叶种植区域,通过构建图像分割训练数据集,采用全卷积神经网络,建立了茶叶种植区域分割... 

【文章来源】：青岛大学山东省

【文章页数】：45 页

【学位级别】：硕士

【部分图文】：

BP神经网络训练流程图

青岛大学硕士学位论文72.2卷积神经网络卷积神经网络[28]出现之前（convolutionneuralnetwork,CNN），基本上所有的网络都是全连接类型，包括上节中提到的BP神经网络。但是在图像领域中，用传统的神经网络并不合适。在卷积神经网络中，相较于全连接层，卷积层具有“局部连接”和“参数共享”的特点，从而提升网络泛化性，降低特征数。这些特征使得卷积神经网络在处理图像时更具优势。2.2.1卷积神经网络的结构卷积神经网络一般由输入层、卷积层，池化层、全连接层以及输出层构成，根据卷积核的大孝层数的多少等各种因素产生了许多不同的卷积神经网络，如LeNet5、AlexNet、VGGNet等，其中LeNet5[29]作为经典的卷积神经网络模型，由LeCun等在1989年提出并应用在小规模的手写数字识别上。其结构如图2.2所示：图2.2LeNet5卷积神经网络通过上图，对典型的卷积神经网络组成结构进行介绍：（1）输入层。在卷积神经网络之中，输入层一般是一幅图像的像素矩阵，其中矩阵的长度和宽度分别对应图像的大小，而深度表示的则是图像的通道数，如黑白图像的通道数为1，彩色图像（RGB）通道数为3，多光谱图像的通道数为4到8之间。（2）卷积层。作为“卷积神经网络”的名字来源，卷积层是卷积神经网络中最关键的一个层次，与全连接层相比，它的不同之处在于两个关键操作，分别是局部关联和窗口滑动，即把卷积层中每个神经元看做一个滤波器，与上一层中的神经元进行相连，滤波器的大小一般为3×3，同时在上一层中滑动这些滤波器实现对局部数据的计算。（3）池化层。池化层夹在连续的卷积层中间，其作用是减小数据和参数的两，降低过拟合，当图片作为输入时，池化层的作用就是对图片进行压缩。最常

典型FCN的结构


本文编号：3101199