基于多特征深度学习的高分辨率遥感影像场景分类

发布时间：2022-08-08 14:21

　　复杂地表的遥感影像场景分类一直是遥感影像分析领域研究热点,高分辨率遥感影像是地物场景识别的重要数据源。早期,遥感场景分类一般通过专职人员目视解译完成,复杂大规模的遥感场景分类耗费大量人力、财力与时间。随着计算机技术与航空航天技术的飞速发展,丰富的高分辨率遥感影像为研究者们对地观测（Earth Observation,EO）提供了大量数据来源,庞大的数据量与人工解译存在的一定主观性与局限性,科学家开始寻求自动化方法解译图像,提出了基于地物底层视觉特征及其组合的物理指标方法,例如建筑物体积、密度、排列形式等。虽然高分辨率遥感影像能够清晰反映地物信息,但光照,传感器角度等问题导致了场景类内差异性大、类间相似性高,增大了遥感影像自动化解译的难度。当进入更加精细的场景时,这种传统的基于像素级别的底层次特征分析方法不能直接迁移到其他影像场景,如果不使用自动化方法,更新此类数据库将非常耗费资源。随后出现了面向对象遥感影像场景分类,但是需要进行图像预处理,数据量庞大时,该类方法工作量大,耗时多,不便于迁移学习,并且对图像细节处理结果差。近年来,深度学习突破传统视觉算法结构的约束,为遥感影像处理带来了新... 

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
    1.3 本文研究内容与章节安排
    1.4 本章小节
第2章 深度学习及场景分类相关理论知识
    2.1 深度学习六大框架介绍
    2.2 神经网络
    2.3 卷积神经网络
    2.4 全卷积神经网络
    2.5 场景分类精度评价定量指标
    2.6 本章小结
第3章 融合多层次深度特征的高分辨率遥感影像场景分类
    3.1 融合多层次深度特征
        3.1.1 中底层次特征提取
        3.1.2 基于CNN的高层次特征
        3.1.3 多层次特征融合
    3.2 融合多层次深度特征场景分类
    3.3 实验结果与分析
        3.3.1 实验数据
        3.3.2 实验环境
        3.3.3 实验结果与分析
    3.4 本章小节
第4章 基于多特征FCN的高分辨率遥感影像场景分类
    4.1 基于Seg Net网络的高分辨率遥感影像场景分类
    4.2 基于U-Net网络的高分辨率遥感影像场景分类
    4.3 基于多特征FCN的高分辨率遥感影像场景分类
    4.4 实验结果与分析
        4.4.1 实验数据
        4.4.2 网络参数设置
        4.4.3 实验环境
        4.4.4 实验结果与分析
    4.5 本章小结
第5章 总结与展望
    5.1 总结
    5.2 进一步展望
参考文献
攻读学位期间发表的学术论文和研究成果
致谢


【参考文献】：
期刊论文
[1]遥感图像分类方法综述[J]. 张裕,杨海涛,袁春慧.  兵器装备工程学报. 2018(08)
[2]基于U型卷积神经网络的航空影像建筑物检测[J]. 伍广明,陈奇,Ryosuke SHIBASAKI,郭直灵,邵肖伟,许永伟.  测绘学报. 2018(06)
[3]一种多特征融合的场景分类方法[J]. 李志欣,李艳红,张灿龙.  小型微型计算机系统. 2018(05)
[4]“AI2.0+”专辑序言[J]. 高新波.  模式识别与人工智能. 2018(01)
[5]基于多结构卷积神经网络的高分遥感影像飞机目标检测[J]. 姚相坤,万里红,霍宏,方涛.  计算机工程. 2017(01)
[6]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[7]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)
[8]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺.  计算机学报. 2016(08)
[9]图像场景语义分类研究进展综述[J]. 顾广华,韩晰瑛,陈春霞,赵耀.  系统工程与电子技术. 2016(04)
[10]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)



本文编号：3671672