基于优化卷积神经网络的遥感场景分类

发布时间：2021-03-28 13:14

　　随着卫星传感技术的迅速发展,获取到的遥感图像的分辨率越来越高。如何在高分辨率遥感图像中提取有价值的信息是一项巨大的挑战,其中对遥感场景进行准确分类成为了目前高分辨率遥感图像研究的重点和难点。近些年,国内外展开了大量的关于遥感场景分类研究,提出了一系列遥感场景分类的方法,其中包括基于低级、中级特征及卷积神经网络提取特征的方法,有效地提取了遥感场景中的特征信息。然而,现有的分类方法中仍存在以下问题:（1）目前采取的分类方法中没有考虑到遥感图像的特点,限制了分类的性能;（2）对于小型高分辨率遥感数据集训练困难的问题,导致使用深度网络模型训练效果受到限制。针对所存在的问题,本文主要的研究工作概括如下:（1）提出了一种基于随机子图像模型的遥感场景分类的方法。针对遥感图像多具备临近单元格相似的特点,该特点使得遥感图像的局部信息便可以做为整张图像的信息表达。利用遥感图像的临近单元格相似特点,将其通过柯西分布随机剪切大小不同的子图像,用这些子图像的预测分布图做为原始图像的分类判别依据,提高了在目标数据集上的分类精度。（2）针对小型高分辨率遥感图像数据集训练困难的问题,提出优化的卷积神经网络场景分类方法... 

【文章来源】：哈尔滨师范大学黑龙江省

【文章页数】：53 页

【学位级别】：硕士

【部分图文】：

卷积神经网络模型

网络

第3章基于随机子图像模型的遥感场景分类16第3章基于随机子图像模型的遥感场景分类3.1基于柯西分布的随机子图像提取由于目前公开的高分辨率遥感图像数据集的图像局部信息可以作为整张场景表达的特性，本章采用对输入的原图像进行随机大小剪切的方式，从而获取一组标签相同而大小尺寸不同的子图像，在进行随机剪切时对图像的大小通过阈值进行限制，并采用基于柯西分布的方式对图像进行随机剪切。如图3-1展现了遥感图像与自然图像的区别。图3-1遥感图像与自然图像区别Fig3-1Thedifferencebetweenremotesensingimageandnaturalimage由于柯西分布的两端分布较长，使得剪切获得的图像与原图像尺寸相差较大，更能提升训练模型的鲁棒性；另外柯西分布的位于中心的峰值较为紧凑，使得这一部分剪切得到的图像更易与原图像吻合，能够保证训练模型的稳定性。柯西分布与正态分布的比较如图3-2。图3-2两种分布比较图Fig3-2Comparisonchartoftwodistributions所以只需采用一个服从柯西分布的变量X，对原数据集的图像进行随机剪切，15

【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[2]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植.  软件学报. 2015(01)
[3]遥感图像分类方法研究综述[J]. 李石华,王金亮,毕艳,陈姚,朱妙园,杨帅,朱佳.  国土资源遥感. 2005(02)

博士论文
[1]基于主题模型的高空间分辨率遥感影像分类研究[D]. 徐盛.上海交通大学 2012
[2]高分辨率遥感图像分类技术研究[D]. 陈忠.中国科学院研究生院（遥感应用研究所） 2006



本文编号：3105621