基于深度学习的多时相遥感图像分类研究

发布时间：2024-05-27 00:34

　　土地覆盖分类是地球观测中重点和广泛研究的领域。随着航空航天技术的不断发展,遥感图像的获取成本越来越小,推动遥感图像分类技术快速发展。其中基于深度学习的高分辨率影像分类技术已经在建筑物分类、水资源保护以及城市提取等实际应用中具有出色的表现。但是不同于建筑物、河流,类似植物、农作物等地物的形态受季节影响,其在遥感影像上不同时期呈现不同形态,即存在同物异谱和同谱异物问题,导致分类精度不能满足实际需求,因此探索多时相的遥感分类技术具有重要的研究价值。循环卷积网络(RNN)已经成功应用于机器翻译、语音识别等领域,并逐渐扩展到其他领域。本文在基于语义分割网络架构上融合了RNN提取时间序列的思想,提出了一种高效的多时相语义分割网络,并以此实现了高密地区的土地覆盖分类任务。本文主要工作总结如下:(1)目前,经典分类算法对高分辨率遥感影像中的空间和光谱信息利用不足,并且特征工程设计繁琐,泛化能力较差,导致精度不足。因此本文探讨了深度学习网络在高分辨率遥感影像中的应用。提出了编解码结构的语义分割网络模型,该网络可以有效提取遥感影像的空间和光谱信息,实现高精度自动化地物提取。(2)针对单时相影像,构建了一个...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景及意义
    1.2 遥感解译技术在土地覆盖分类的国内外研究
        1.2.1 经典遥感解译技术研究进展
        1.2.2 深度学习遥感解译技术研究进展
        1.2.3 多时相遥感解译技术研究进展
        1.2.4 存在的问题
    1.3 论文研究思路及流程
    1.4 论文研究内容
    1.5 论文结构安排
2 数据源和实验区
    2.1 试验区概况
    2.2 遥感数据源
    2.3 遥感影像预处理
    2.4 数据集标注
    2.5 数据增强
    2.6 本章小结
3 遥感图像分类方法
    3.1 基于SVM分类方法
    3.2 基于面向对象方法
        3.2.1 基于边界分割算法
        3.2.2 基于区域分割合并算法
        3.2.3 基于遥感影像的多尺度分割面向对象方法
    3.3 深度学习方法
        3.3.1 基于U-net的分类方法
        3.3.2 基于Deeplabv3+的分类方法
        3.3.3 Long-Short Term Memory(LSTM)
    3.4 本章小结
4 基于Fast-Deeplabv3+的单时相大棚提取
    4.1 概述
    4.2 数据准备
    4.3 模型搭建及训练
        4.3.1 深度可分离卷积的反向残差结构
        4.3.2 空洞卷积密集预测
        4.3.3 适应多尺度的解码器结构
        4.3.4 网络训练
    4.4 实验结果及分析
        4.4.1 实验准备
        4.4.2 精度评价
        4.4.3 实验结果分析
    4.5 本章小结
5 基于FMTSN的多时相土地覆盖分类
    5.1 概述
    5.2 数据准备
    5.3 模型搭建及网络训练
        5.3.1 Seq2seq模型
        5.3.2 Patch-LSTM提取时空特性
        5.3.3 网络搭建及训练
    5.4 实验结果及分析
    5.5 本章小结
6 结论展望
    6.1 研究结论
    6.2 创新点
    6.3 研究展望
参考文献
致谢
攻读学位期间发表的学术论文目录



本文编号：3982517