基于卷积神经网络的高空间分辨率遥感影像和点云数据融合地物分类
发布时间：2022-02-18 20:00
基于地理对象的图像分析（Object-Based Image Analysis,GEOBIA）思想的高空间分辨率遥感影像土地覆盖分类方法在遥感技术中兴旺发展,并产生了许多杰出的成就。但是,由于超高空间分辨率图像（Very High Resolution Imagery,VHSRI）存在异类相似或同类相异问题以及缺乏地形（高度）信息,一定程度上影响了高空间分辨率影像地物分类精度。此外,现有的遥感深度学习分类器,在面对大尺度范围遥感数据地物分类问题时,往往采用单一处理尺度,没有考虑到地学现象的分层尺度依赖性,也进一步制约了高分辨率遥感地物分类精度的提升。因此,针对上述问题,本文提出了激光雷达与光学遥感结合的新思路,以新的方式将卷积神经网络技术与面对对象的遥感影像分类相结合,开展了基于多源数据融合的多尺度分层面向对象卷积神经网络地物分类方法研究。本文的主要工作及成果如下:首先,本文提出了标准归一化数字表面模型（Standard normalized-DSM,StdnDSM）,该模型实际上是从数字地形模型和数字表面模型派生的数字高程模型,能够平滑和改善点云和VHSRI的融合,融合数据用于执行多...
【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】：63 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 研究内容
1.4 章节安排
2 卷积神经网络
2.1 引言
2.2 卷积神经网络结构与原理
2.2.1 卷积层
2.2.2 池化层
2.2.3 全连接层与输出层
2.3 迁移学习训练策略
2.4 本章小结
3 基于地理对象的图像分析与分层多尺度分割
3.1 引言
3.2 面向地理对象分析方法概述
3.3 分层多尺度分割
3.3.1 多尺度分割
3.3.2 灰度共生矩阵
3.3.3 分层多尺度分割
3.4 .激光雷达点云数据与遥感影像数据融合
3.5 基于卷积神经网络的面向地理对象遥感影像分类方法
3.5.1 AlexNet结构
3.5.2 最大值投票分类方法
3.5.3 基于分层多尺度卷积神经网络的地物分类方法
3.5.4 尺度参数选择及评价方法
3.6 .本章小结
4基于卷积神经网络的地物分类实验
4.1 引言
4.2 实验数据
4.2.1 研究区
4.2.2 图像预处理
4.2.3 训练与验证数据集
4.3 分层多尺度图像分割
4.4分类实验
4.5 实验结果分析与讨论
4.5.1 基于卷积神经网络的面向地理对象地物分类方法的效率
4.5.2 分类结果与准确性
4.5.3 采样策略的影响
4.5.4 卷积神经网络参数设置的影响
4.5.5 精度评价方法对评价结果可靠性的影响
4.6 本章小结
5 总结与展望
5.1 总结
5.2 展望
致谢
参考文献
附录
【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]卷积神经网络的研究进展综述[J]. 杨斌,钟金英. 南华大学学报(自然科学版). 2016(03)
[3]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)
[4]面向地学应用的遥感影像分割评价[J]. 张仙,明冬萍. 测绘学报. 2015(S1)
[5]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)
[6]三维激光扫描数据获取高分辨率DTM试验研究[J]. 刘正军,钱建国,张正鹏,王坚. 测绘科学. 2006(04)
[7]基于灰度共生矩阵的多波段遥感图像纹理特征的提取[J]. 田艳琴,郭平,卢汉清. 计算机科学. 2004(12)
[8]遥感数据融合方法分析与评价综述[J]. 翁永玲,田庆久. 遥感信息. 2003(03)
[9]直接探测激光雷达模型及其性能模拟[J]. 薛国刚,孙东松,杨昭. 红外与激光工程. 2003(03)
[10]高精度数字地面模型（DTM）的生成及应用研究[J]. 苏玉扬. 测绘科技动态. 1997(03)
博士论文
[1]多源遥感数据测绘应用关键技术研究[D]. 芮杰.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[2]图谱耦合的高分辨率城市精细不透水面提取方法研究[D]. 于新菊.中国科学院大学(中国科学院遥感与数字地球研究所) 2016
[3]LiDAR点云约束下的多视影像密集匹配与融合方法研究[D]. 黄旭.武汉大学 2016
[4]融合LiDAR数据和高分辨率遥感影像的地物分类方法研究[D]. 方军.武汉大学 2014
[5]机载LiDAR点云与遥感影像融合的地物分类技术研究[D]. 董保根.解放军信息工程大学 2013
硕士论文
[1]基于CNN的土地覆盖分类方法研究[D]. 吕宪伟.中国地质大学(北京) 2019
[2]基于卷积神经网络的面向对象遥感影像分类方法研究[D]. 陈扬洋.中国地质大学(北京) 2018
本文编号：3631460
【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】：63 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 研究内容
1.4 章节安排
2 卷积神经网络
2.1 引言
2.2 卷积神经网络结构与原理
2.2.1 卷积层
2.2.2 池化层
2.2.3 全连接层与输出层
2.3 迁移学习训练策略
2.4 本章小结
3 基于地理对象的图像分析与分层多尺度分割
3.1 引言
3.2 面向地理对象分析方法概述
3.3 分层多尺度分割
3.3.1 多尺度分割
3.3.2 灰度共生矩阵
3.3.3 分层多尺度分割
3.4 .激光雷达点云数据与遥感影像数据融合
3.5 基于卷积神经网络的面向地理对象遥感影像分类方法
3.5.1 AlexNet结构
3.5.2 最大值投票分类方法
3.5.3 基于分层多尺度卷积神经网络的地物分类方法
3.5.4 尺度参数选择及评价方法
3.6 .本章小结
4基于卷积神经网络的地物分类实验
4.1 引言
4.2 实验数据
4.2.1 研究区
4.2.2 图像预处理
4.2.3 训练与验证数据集
4.3 分层多尺度图像分割
4.4分类实验
4.5 实验结果分析与讨论
4.5.1 基于卷积神经网络的面向地理对象地物分类方法的效率
4.5.2 分类结果与准确性
4.5.3 采样策略的影响
4.5.4 卷积神经网络参数设置的影响
4.5.5 精度评价方法对评价结果可靠性的影响
4.6 本章小结
5 总结与展望
5.1 总结
5.2 展望
致谢
参考文献
附录
【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]卷积神经网络的研究进展综述[J]. 杨斌,钟金英. 南华大学学报(自然科学版). 2016(03)
[3]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)
[4]面向地学应用的遥感影像分割评价[J]. 张仙,明冬萍. 测绘学报. 2015(S1)
[5]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)
[6]三维激光扫描数据获取高分辨率DTM试验研究[J]. 刘正军,钱建国,张正鹏,王坚. 测绘科学. 2006(04)
[7]基于灰度共生矩阵的多波段遥感图像纹理特征的提取[J]. 田艳琴,郭平,卢汉清. 计算机科学. 2004(12)
[8]遥感数据融合方法分析与评价综述[J]. 翁永玲,田庆久. 遥感信息. 2003(03)
[9]直接探测激光雷达模型及其性能模拟[J]. 薛国刚,孙东松,杨昭. 红外与激光工程. 2003(03)
[10]高精度数字地面模型（DTM）的生成及应用研究[J]. 苏玉扬. 测绘科技动态. 1997(03)
博士论文
[1]多源遥感数据测绘应用关键技术研究[D]. 芮杰.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[2]图谱耦合的高分辨率城市精细不透水面提取方法研究[D]. 于新菊.中国科学院大学(中国科学院遥感与数字地球研究所) 2016
[3]LiDAR点云约束下的多视影像密集匹配与融合方法研究[D]. 黄旭.武汉大学 2016
[4]融合LiDAR数据和高分辨率遥感影像的地物分类方法研究[D]. 方军.武汉大学 2014
[5]机载LiDAR点云与遥感影像融合的地物分类技术研究[D]. 董保根.解放军信息工程大学 2013
硕士论文
[1]基于CNN的土地覆盖分类方法研究[D]. 吕宪伟.中国地质大学(北京) 2019
[2]基于卷积神经网络的面向对象遥感影像分类方法研究[D]. 陈扬洋.中国地质大学(北京) 2018
本文编号：3631460
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3631460.html
