基于深度学习的遥感水体信息提取研究
发布时间：2021-10-26 20:53
地表水体是人类生存和社会发展不可或缺的资源,对其进行快速、有效地监测,全面掌握其空间分布情况具有十分重要的意义。随着空间遥感技术的不断发展及各型高分辨率卫星的相继升空,运用遥感技术开展水体识别及其动态监测已成为一种高效快捷的途径。目前遥感水体提取已有较多方法,如目视解译法、水体指数法、监督分类法、谱间关系法、决策树分类法等,以上方法各有优劣,但是较为依赖专家经验,且自动化程度、精度等方面能力有限,难以对大面积、高时相的遥感数据进行快速、有效的遥感水体信息监测。近年来,深度学习在语音识别、图像目标识别和检测、自然语言处理等方面取得了巨大成就,因此不少学者将其应用于遥感领域,典型代表为遥感影像场景分类、遥感影像目标检测、遥感影像语义分割（地物分类）等。深度学习可自动提取高维数据中的浅层特征与深层特征,自动拟合分类结果,适用于多波段遥感影像信息提取,目前已成为遥感图像信息提取的有效途径。本文针对高分六号卫星影像遥感水体信息提取问题,对比分析了 FCN-8S、U-Net两种经典全卷积神经网络的水体提取效果,并对U-Net网络进行了结构优化;在优化后的全卷积网络VGGUnet中采用了组合损失函数...
【文章来源】：河南大学河南省
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 选题背景及研究意义
1.2 国内外研究现状
1.2.1 传统的遥感水体提取方法分析
1.2.2 遥感信息提取深度学习方法现状
1.2.3 现状总结与分析
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 论文组织结构
第2章 数据源及水体样本库构建
2.1 数据介绍及预处理
2.1.1 数据介绍
2.1.2 预处理方法
2.2 水体样本库构建方法
2.2.1 水体形态特征分析
2.2.2 水体提取的有效波段分析
2.2.3 高分六号影像水体样本生成方法
2.2.4 样本示例
2.3 本章小结
第3章 基于改进的U-Net水体自动提取方法
3.1 深度学习网络
3.1.1 卷积神经网络
3.1.2 全卷积神经网络
3.1.3 U-Net及优化
3.2 损失函数
3.2.1 基于像素的交叉熵损失函数
3.2.2 损失函数优化
3.3 精度评价方法
3.4 实验软硬件支持
3.5 本章小结
第4章 实验结果与讨论
4.1 对比方法简介
4.2 水体提取结果及对比
4.2.1 基于交叉熵损失函数的网络模型优选
4.2.2 结合FD-Water loss的VGGUnet水体提取提升
4.2.3 WFV影像水体提取
4.2.4 WFV不同波段组合水体提取对比
4.3 耗时与自动化程度对比分析
4.4 本章小结
第5章 遥感影像水体自动提取应用软件设计及实现
5.1 软件开发目标及意义
5.2 开发环境介绍
5.3 工作流程
5.4 主要功能模块
5.5 软件界面
5.6 本章小结
第6章 总结与展望
6.1 研究工作总结
6.2 展望
参考文献
致谢
攻读学位期间发表的学术论文目录
【参考文献】：
期刊论文
[1]深度学习语义分割方法在遥感影像分割中的性能分析[J]. 王俊强,李建胜,丁波,蔡富. 计算机测量与控制. 2019(07)
[2]ENVI中几种监督分类方法精度比较[J]. 何予霄,周江. 科技创新与应用. 2018(13)
[3]基于GF-1遥感数据的城市水体信息提取方法研究[J]. 赵慧童,王萍,张娜,孙俊娇. 测绘与空间地理信息. 2017(10)
[4]基于深度学习的红外遥感信息自动提取[J]. 陈睿敏,孙胜利. 红外. 2017(08)
[5]基于NDWI分割与面向对象的水体信息提取[J]. 童李霞,燕琴,骆成凤,杜英坤. 地理空间信息. 2017(05)
[6]多源遥感影像水体指数的交互对比[J]. 吴志杰,黄绍霖,傅娇凤. 测绘科学. 2016(11)
[7]基于Canny算子与决策树模型的水体信息提取研究[J]. 钱立辉,于成龙,徐进,王抒群. 测绘与空间地理信息. 2016(10)
[8]面向对象的ETM+影像分割尺度与水体信息提取[J]. 张成才,李艳桦,姚亮亮. 人民黄河. 2014(07)
[9]基于MODIS的长江中游河段悬浮泥沙浓度反演[J]. 乔晓景,何报寅,张文,李元征,苏振华. 长江流域资源与环境. 2013(08)
[10]一种融合PSO和Isodata的遥感图像分割新方法[J]. 马彩虹,戴芹,刘士彬. 武汉大学学报(信息科学版). 2012(01)
本文编号：3460182
【文章来源】：河南大学河南省
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 选题背景及研究意义
1.2 国内外研究现状
1.2.1 传统的遥感水体提取方法分析
1.2.2 遥感信息提取深度学习方法现状
1.2.3 现状总结与分析
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 论文组织结构
第2章 数据源及水体样本库构建
2.1 数据介绍及预处理
2.1.1 数据介绍
2.1.2 预处理方法
2.2 水体样本库构建方法
2.2.1 水体形态特征分析
2.2.2 水体提取的有效波段分析
2.2.3 高分六号影像水体样本生成方法
2.2.4 样本示例
2.3 本章小结
第3章 基于改进的U-Net水体自动提取方法
3.1 深度学习网络
3.1.1 卷积神经网络
3.1.2 全卷积神经网络
3.1.3 U-Net及优化
3.2 损失函数
3.2.1 基于像素的交叉熵损失函数
3.2.2 损失函数优化
3.3 精度评价方法
3.4 实验软硬件支持
3.5 本章小结
第4章 实验结果与讨论
4.1 对比方法简介
4.2 水体提取结果及对比
4.2.1 基于交叉熵损失函数的网络模型优选
4.2.2 结合FD-Water loss的VGGUnet水体提取提升
4.2.3 WFV影像水体提取
4.2.4 WFV不同波段组合水体提取对比
4.3 耗时与自动化程度对比分析
4.4 本章小结
第5章 遥感影像水体自动提取应用软件设计及实现
5.1 软件开发目标及意义
5.2 开发环境介绍
5.3 工作流程
5.4 主要功能模块
5.5 软件界面
5.6 本章小结
第6章 总结与展望
6.1 研究工作总结
6.2 展望
参考文献
致谢
攻读学位期间发表的学术论文目录
【参考文献】：
期刊论文
[1]深度学习语义分割方法在遥感影像分割中的性能分析[J]. 王俊强,李建胜,丁波,蔡富. 计算机测量与控制. 2019(07)
[2]ENVI中几种监督分类方法精度比较[J]. 何予霄,周江. 科技创新与应用. 2018(13)
[3]基于GF-1遥感数据的城市水体信息提取方法研究[J]. 赵慧童,王萍,张娜,孙俊娇. 测绘与空间地理信息. 2017(10)
[4]基于深度学习的红外遥感信息自动提取[J]. 陈睿敏,孙胜利. 红外. 2017(08)
[5]基于NDWI分割与面向对象的水体信息提取[J]. 童李霞,燕琴,骆成凤,杜英坤. 地理空间信息. 2017(05)
[6]多源遥感影像水体指数的交互对比[J]. 吴志杰,黄绍霖,傅娇凤. 测绘科学. 2016(11)
[7]基于Canny算子与决策树模型的水体信息提取研究[J]. 钱立辉,于成龙,徐进,王抒群. 测绘与空间地理信息. 2016(10)
[8]面向对象的ETM+影像分割尺度与水体信息提取[J]. 张成才,李艳桦,姚亮亮. 人民黄河. 2014(07)
[9]基于MODIS的长江中游河段悬浮泥沙浓度反演[J]. 乔晓景,何报寅,张文,李元征,苏振华. 长江流域资源与环境. 2013(08)
[10]一种融合PSO和Isodata的遥感图像分割新方法[J]. 马彩虹,戴芹,刘士彬. 武汉大学学报(信息科学版). 2012(01)
本文编号：3460182
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3460182.html
