基于改进UNet网络的高分二号遥感影像分类研究

发布时间：2021-05-11 13:11

　　高分辨率遥感影像包含信息更丰富,传统的基于像元分类方法不适用于高分影像。目前,面向对象分类方法是提取高分辨率遥感影像信息的主要手段,它能够综合利用各个对象的几何、纹理、光谱等多种特征提取所需信息。但就目前来说面向对象分类方法还不够成熟,在最优分割参数获取和特征优选方面需要较多的人为参与,因此,仍需探索智能化和自动化程度高的影像分类方法,得以快速高效的提取土地利用信息。近年来,深度学习在视觉分析、语言和图像识别方面发挥重要作用。由于它更多的内部层次结构,所以可从图像已知信息分析推理到更为抽象的信息。本文将深度学习应用于高分辨率遥感影像分类,选取了UNet模型,此模型最开始用于医疗影像分割,且解决的是二分类问题,仍存在难以提取复杂遥感影像像元信息、模型训练速度慢和难以收敛等不足。对于以上问题,本文研究如下:（1）总结传统方法和深度学习法在高分辨率遥感影像分类上的发展现状,分析整理出深度神经网络在多分类上存在的优势和不足,依此提出基于深度神经网络的高分辨率遥感影像分类方法。（2）了解研究区概况,制定本区的分类系统,收集影像、矢量和野外实测数据。针对高分二号影像数据,进行预处理工作。对比多种影... 

【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】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1.引言
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 土地利用分类的发展
        1.2.2 传统方法在遥感影像分类的发展
        1.2.3 深度神经网络在遥感影像分类的发展
        1.2.4 目前遥感影像分类存在问题
    1.3 研究内容和技术路线
        1.3.1 研究内容
        1.3.2 技术路线
    1.4 论文主要创新点
    1.5 本章小结
2.研究区与数据概况
    2.1 研究区概况
    2.2 分类系统制定
    2.3 研究数据概况
        2.3.1 影像数据源
        2.3.2 野外实测数据
        2.3.3 前期矢量数据
    2.4 遥感数据预处理
        2.4.1 辐射校正
        2.4.2 正射校正
        2.4.3 影像融合
    2.5 本章小结
3.基于改进UNet网络图像分类技术
    3.1 深度神经网络
        3.1.1 神经网络结构
        3.1.2 卷积神经网络结构
        3.1.3 全卷积神经网络结构
    3.2 深度学习框架选取
    3.3 分类模型选取
    3.4 改进UNet模型
        3.4.1 基础UNet网络架构
        3.4.2 改进UNet网络架构
        3.4.3 采用深度可分离卷积
        3.4.4 增加Dropout层
    3.5 训练样本制作
    3.6 本章小结
4.实验与分析
    4.1 实验环境
    4.2 样本数据增强
    4.3 模型训练
    4.4 模型预测
    4.5 精度评价
        4.5.1 混淆矩阵评价
        4.5.2 野外验证数据评价
    4.6 与其他分类方法对比分析
        4.6.1 多尺度分割
        4.6.2 最近邻分类
        4.6.3 决策树分类
        4.6.4 精度对比分析
    4.7 本章小结
5.结论与展望
    5.1 结论
    5.2 不足与展望
参考文献
致谢
附录


【参考文献】：
期刊论文
[1]一种改进深度卷积神经网络的海岛识别方法[J]. 王振华,曲念毅,钟元芾,何婉雯,宋巍,黄冬梅.  上海海洋大学学报. 2020(03)
[2]基于改进GoogLeNet的遥感图像分类方法[J]. 韩要昌,王洁,史通,蔡启航.  弹箭与制导学报. 2019(05)
[3]基于改进的AlexNet网络模型的遥感图像分类方法研究[J]. 周天顺,党鹏飞,谢辉.  北京测绘. 2018(11)
[4]基于深度卷积神经网络的图像去噪研究[J]. 李传朋,秦品乐,张晋京.  计算机工程. 2017(03)
[5]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)
[6]机器学习法在面向对象影像分类中的对比分析[J]. 赵丹平,顾海燕,贾莹.  测绘科学. 2016(10)
[7]SVM和ANN在多光谱遥感影像分类中的比较研究[J]. 李颖,李耀辉,王金鑫,张成才.  海洋测绘. 2016(05)
[8]基于深度学习的高分辨率遥感影像分类研究[J]. 刘大伟,韩玲,韩晓勇.  光学学报. 2016(04)
[9]高分二号卫星的技术特点[J]. 潘腾.  中国航天. 2015(01)
[10]高分辨率影像分类的最优分割尺度计算[J]. 朱红春,蔡丽杰,刘海英,江涛.  测绘科学. 2015(03)

硕士论文
[1]融合显著性与深度学习的遥感影像建筑物提取[D]. 杨帅.北京建筑大学 2019
[2]基于EO-1 Hyperion高光谱遥感图像的地表物分类研究[D]. 段俊杰.内蒙古农业大学 2019
[3]基于改进Unet的遥感影像语义分割在地表水体变迁中的应用[D]. 许玥.重庆师范大学 2019
[4]基于卷积神经网络的道路场景分割方法研究[D]. 林银辉.中国地质大学(北京) 2019
[5]基于卷积神经网络的高分辨率遥感影像土地利用分类[D]. 门计林.中国地质大学 2019
[6]基于深度学习的遥感图像建筑物检测及其变化检测研究[D]. 顾炼.浙江工商大学 2018
[7]基于ZY-3影像的土地利用变化检测研究[D]. 余健.东华理工大学 2018
[8]基于高分二号影像的面向对象分类技术研究[D]. 何志强.安徽理工大学 2018
[9]基于全卷积神经网络的遥感图像语义分割及变化检测方法研究[D]. 王朵.西安电子科技大学 2018
[10]基于深度学习U-Net模型的高分辨率遥感影像分类方法研究[D]. 许慧敏.西南交通大学 2018



本文编号：3181461