基于深度学习的遥感图像场景分类方法研究
发布时间：2021-01-06 12:47
遥感图像场景分类一直是遥感领域重要的研究内容,广泛应用于多个领域,对遥感技术的发展具有重要意义。遥感图像场景分类是根据不同类别遥感图像特征信息的差异性,对遥感图像进行区分。与一般图像相比,遥感图像的纹理和颜色特征信息丰富度更高,同时也存在背景复杂、类型繁多等问题,因此遥感图像场景分类问题存在着一定的挑战。本文提出基于多层次特征结合的遥感图像场景分类方法,将遥感图像的底层特征、中层特征和高层特征结合共同表示遥感场景语义,训练分类器构建遥感图像场景分类模型,不同层次特征互相补充特征信息,以提高分类准确率。首先,提取遥感图像的底层GIST特征,将多颜色空间的GIST特征结合,增强遥感图像的颜色信息;其次,提取遥感图像的中层词袋特征,对遥感图像计算灰度图像、最大值图像、最小值图像和平均值图像,分别对四种图像提取词袋特征,将不同聚类数的最优图像词袋特征组合提高特征表达能力;然后提取遥感图像的高层特征,采用卷积神经网络训练遥感数据集并提取深度特征,将迁移学习策略引入网络训练任务中,节省训练时间,并提高模型性能;最后,将多个层次的图像特征数据归一化到相同范围,以减小不同层次特征数据间的差异,将组合后...
【文章来源】：哈尔滨商业大学黑龙江省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
同类图像
哈尔滨商业大学硕士学位论文7的相似性对于图像的识别及分类增加了难度。图2-2不同类图像为了有效表征遥感场景图像含有的信息，提取同类场景图片的共有信息以及不同类别之间的差异，本文提出将底层特征、中层特征和高层特征结合的遥感图像场景分类方法。底层特征表征遥感图像纹理结构信息，中层特征对通过特征信息编码增强了特征的判别能力，高层特征可以提取遥感图像抽象语义信息。三种特征结合实现了对遥感图像信息更有效的表达，减小类内差异的同时增大了类间差异，对提高遥感图像场景分类识别率有着积极的影响。2.2GIST特征提取方法人类在短时间内观测一种物体虽然会忽略很多细节，但仍然可以获得主观感受从而分辨一种场景，这与图像的GIST[58-59]特征相类似，把一幅图像看作是一个整体，减少细小噪声的影响。GIST特征利用多个Gabor滤波器对图像的不同尺度和不同方向进行滤波操作，然后对滤波图像进行子区域划分，将不同子区域内提取的特征级联得到场景图像的全局特征。Gabor滤波器在空间域和频域上都具有很好的性能，已成功应用于各种图像分析应用。二维Gabor滤波器一般为一个复杂正弦信号调制的高斯函数，一个二维Gabor滤波器g(x,y)表示为222211(,)exp[()+2]22xyxyxygxyπjWxπσσσσ=+(2-1)其中，x和y表示像素坐标，xσ和yσ表示Gabor滤波器的空间范围和频率带宽，W是正弦曲线的径向频率。Gabor函数的傅里叶变换为22221()(,)exp[()]2uvuWvGuvσσ=+(2-2)其中，1/2uxσ=πσ，1/2vyσ=πσ。
2遥感图像场景分类相关理论8在Gabor滤波器g(x,y)的基础上进行旋转、缩放等一系列操作，生成多尺度多方向且非正交的Gabor滤波器组，即,(",")mmngagxy=(2-3)其中，ma为原Gabor函数膨胀的尺度因子，m和n为滤波器的尺度数量和方向数量，x"和y"分别为"(coscos)"(sincos)mmxaxyyaxyθθθθ=+=+(2-4)其中，θ表示滤波器的旋转角度，计算公式为θ=nπ/(n+1)(2-5)2.3视觉词袋特征提取方法词袋方法最初是在文本检索领域中用于文本文档分析被提出的，并逐渐应用于计算机视觉领域，形成了视觉词袋模型。图像分析应用中，在BoW中使用了图像特征作为单词，该模型基于向量量化过程，对图像局部区域的低级特征进行聚类。不同图像检测到的底层特征点数目很难保持一致，BoVW对底层局部特征聚类形成视觉单词，将视觉单词出现频率表示为直方图形式，可以使不同图像的特征维度保持统一。图2-3BoVW特征提取过程BoVW特征的提取过程如图2-3所示，BoVW特征提取步骤包括：(1)提取图像的局部特征；(2)采用聚类算法生成视觉词典；(3)特征向量量化为视觉单词，得到视觉
【参考文献】：
期刊论文
[1]基于卷积神经网络的无人机遥感农作物分类[J]. 汪传建,赵庆展,马永建,任媛媛. 农业机械学报. 2019(11)
[2]随机多选择残差网络集成的遥感图像分类算法[J]. 周强,徐宏伟,陈逸,孙玉宝. 小型微型计算机系统. 2019(09)
[3]基于时序Landsat遥感数据的新疆开孔河流域农作物类型识别[J]. 汪小钦,邱鹏勋,李娅丽,茶明星. 农业工程学报. 2019(16)
[4]基于CNN和农作物光谱纹理特征进行作物分布制图[J]. 周壮,李盛阳,张康,邵雨阳. 遥感技术与应用. 2019(04)
[5]基于DCNN的高分辨率遥感影像场景分类[J]. 孟庆祥,段学琳. 华中师范大学学报(自然科学版). 2019(04)
[6]利用微调卷积神经网络的土地利用场景分类[J]. 陈雅琼,强振平,陈旭,刘心怡. 遥感信息. 2019(03)
[7]基于空间特征重标定网络的遥感图像场景分类[J]. 刘燕芝,陈立福,崔先亮,袁志辉,邢学敏. 计算机工程. 2020(01)
[8]基于深度学习特征和支持向量机的遥感图像分类[J]. 业巧林,许等平,张冬. 林业工程学报. 2019(02)
[9]结合主动学习和词袋模型的高分二号遥感影像自动化分类[J]. 张金盈,姚光虎,林琳,郭怀轩. 测绘通报. 2019(02)
[10]基于CNN模型的遥感图像复杂场景分类[J]. 张康,黑保琴,李盛阳,邵雨阳. 国土资源遥感. 2018(04)
硕士论文
[1]基于多特征融合与深度置信网络的遥感影像分类研究[D]. 乔贤贤.河南大学 2019
[2]基于多特征深度学习的高分辨率遥感影像场景分类[D]. 鲜霞.云南师范大学 2019
[3]基于自适应深度置信网的高分辨率遥感影像场景分类研究[D]. 付伟锋.长安大学 2019
[4]基于卷积神经网络的遥感图像分类算法研究[D]. 梁晓旭.西安电子科技大学 2018
本文编号：2960597
【文章来源】：哈尔滨商业大学黑龙江省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
同类图像
哈尔滨商业大学硕士学位论文7的相似性对于图像的识别及分类增加了难度。图2-2不同类图像为了有效表征遥感场景图像含有的信息，提取同类场景图片的共有信息以及不同类别之间的差异，本文提出将底层特征、中层特征和高层特征结合的遥感图像场景分类方法。底层特征表征遥感图像纹理结构信息，中层特征对通过特征信息编码增强了特征的判别能力，高层特征可以提取遥感图像抽象语义信息。三种特征结合实现了对遥感图像信息更有效的表达，减小类内差异的同时增大了类间差异，对提高遥感图像场景分类识别率有着积极的影响。2.2GIST特征提取方法人类在短时间内观测一种物体虽然会忽略很多细节，但仍然可以获得主观感受从而分辨一种场景，这与图像的GIST[58-59]特征相类似，把一幅图像看作是一个整体，减少细小噪声的影响。GIST特征利用多个Gabor滤波器对图像的不同尺度和不同方向进行滤波操作，然后对滤波图像进行子区域划分，将不同子区域内提取的特征级联得到场景图像的全局特征。Gabor滤波器在空间域和频域上都具有很好的性能，已成功应用于各种图像分析应用。二维Gabor滤波器一般为一个复杂正弦信号调制的高斯函数，一个二维Gabor滤波器g(x,y)表示为222211(,)exp[()+2]22xyxyxygxyπjWxπσσσσ=+(2-1)其中，x和y表示像素坐标，xσ和yσ表示Gabor滤波器的空间范围和频率带宽，W是正弦曲线的径向频率。Gabor函数的傅里叶变换为22221()(,)exp[()]2uvuWvGuvσσ=+(2-2)其中，1/2uxσ=πσ，1/2vyσ=πσ。
2遥感图像场景分类相关理论8在Gabor滤波器g(x,y)的基础上进行旋转、缩放等一系列操作，生成多尺度多方向且非正交的Gabor滤波器组，即,(",")mmngagxy=(2-3)其中，ma为原Gabor函数膨胀的尺度因子，m和n为滤波器的尺度数量和方向数量，x"和y"分别为"(coscos)"(sincos)mmxaxyyaxyθθθθ=+=+(2-4)其中，θ表示滤波器的旋转角度，计算公式为θ=nπ/(n+1)(2-5)2.3视觉词袋特征提取方法词袋方法最初是在文本检索领域中用于文本文档分析被提出的，并逐渐应用于计算机视觉领域，形成了视觉词袋模型。图像分析应用中，在BoW中使用了图像特征作为单词，该模型基于向量量化过程，对图像局部区域的低级特征进行聚类。不同图像检测到的底层特征点数目很难保持一致，BoVW对底层局部特征聚类形成视觉单词，将视觉单词出现频率表示为直方图形式，可以使不同图像的特征维度保持统一。图2-3BoVW特征提取过程BoVW特征的提取过程如图2-3所示，BoVW特征提取步骤包括：(1)提取图像的局部特征；(2)采用聚类算法生成视觉词典；(3)特征向量量化为视觉单词，得到视觉
【参考文献】：
期刊论文
[1]基于卷积神经网络的无人机遥感农作物分类[J]. 汪传建,赵庆展,马永建,任媛媛. 农业机械学报. 2019(11)
[2]随机多选择残差网络集成的遥感图像分类算法[J]. 周强,徐宏伟,陈逸,孙玉宝. 小型微型计算机系统. 2019(09)
[3]基于时序Landsat遥感数据的新疆开孔河流域农作物类型识别[J]. 汪小钦,邱鹏勋,李娅丽,茶明星. 农业工程学报. 2019(16)
[4]基于CNN和农作物光谱纹理特征进行作物分布制图[J]. 周壮,李盛阳,张康,邵雨阳. 遥感技术与应用. 2019(04)
[5]基于DCNN的高分辨率遥感影像场景分类[J]. 孟庆祥,段学琳. 华中师范大学学报(自然科学版). 2019(04)
[6]利用微调卷积神经网络的土地利用场景分类[J]. 陈雅琼,强振平,陈旭,刘心怡. 遥感信息. 2019(03)
[7]基于空间特征重标定网络的遥感图像场景分类[J]. 刘燕芝,陈立福,崔先亮,袁志辉,邢学敏. 计算机工程. 2020(01)
[8]基于深度学习特征和支持向量机的遥感图像分类[J]. 业巧林,许等平,张冬. 林业工程学报. 2019(02)
[9]结合主动学习和词袋模型的高分二号遥感影像自动化分类[J]. 张金盈,姚光虎,林琳,郭怀轩. 测绘通报. 2019(02)
[10]基于CNN模型的遥感图像复杂场景分类[J]. 张康,黑保琴,李盛阳,邵雨阳. 国土资源遥感. 2018(04)
硕士论文
[1]基于多特征融合与深度置信网络的遥感影像分类研究[D]. 乔贤贤.河南大学 2019
[2]基于多特征深度学习的高分辨率遥感影像场景分类[D]. 鲜霞.云南师范大学 2019
[3]基于自适应深度置信网的高分辨率遥感影像场景分类研究[D]. 付伟锋.长安大学 2019
[4]基于卷积神经网络的遥感图像分类算法研究[D]. 梁晓旭.西安电子科技大学 2018
本文编号：2960597
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/2960597.html
