基于编解码卷积神经网络的遥感图像分割研究
发布时间：2020-12-04 08:48
遥感技术的日益成熟、遥感成像方法的发展完善,使得遥感影像的数量及质量都得到了较大提升,同时遥感图像分割是实现细粒度地物识别应用、土地资源管理检测等工作的基础。高分辨率遥感影像逐渐成为科研工作中进行地表检测及地物数据处理的重要信息来源,具有所含细节信息丰富、地物复杂度较高、成像光谱段多等特点,对其进行分割难度更大。同时由于遥感图像数量及其分辨率的增加,在包含复杂地物信息的高分辨率遥感图像的分割上精度不高、分割效果较差且传统分割方法所需人力成本较高的问题,使得传统的阈值分割、人工提取等方法的分割效果无法满足后续研究的需要。目前深度学习技术得到了长足发展,其中神经网络算法以其自动化、智能化的优越性能逐渐应用到图像处理、机器视觉等方面,包括遥感信息处理工作当中。针对高分辨率遥感图像中具有较为复杂的地物信息、导致对其进行分割难度较大的问题,文章进行了研究分析,重点工作包括以下内容:（1）针对数据集量较小且标签较弱的问题,对原图像及数据标注图像进行增强。通过一定步长的图像切割使数据集达到适于训练尺寸,并通过改变原图像和标注图像的对比度、同步镜像翻转、随机旋转以及平移变换等操作达到数据集的增广效果,...
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
图１遥感被动成像??曰渐发展的遥感成像手段使高质量遥感影像的数据量快速增长，遥感影像的处理的根本??１??
?第二章卷积神经网络与遥感图像处理???神经网络的主要组成部分包括输入层、输出层和隐含层，如图２－２所示。通过输入层和??隐含层之间的全连接映射完成对复杂图像的函数拟合，通常情况下网络结构及拟合计算的复??杂度和图像数据的复杂度是成正比的。输入神经元和输出神经元的函数关系如下：??（２＿６）??／＝１??义＝／（＜）?（２．７）??其中之为第／层网络的第ｗ个输入神经元，乂为该神经元的输出值，＜为偏置值，义１??为第ｗ个输入神经元和第／－Ｉ层网络的第／？个输入神经元的权值。??Ｓ??输入房?隐含层?输出层??图２．２神经网络拓扑结构??作为神经网络的一种，卷积神经网络通过逐层提取图像数据中的特征实现原始图像到新??特征空间的映射并进行分类，同样具有较多层数且能通过多层网络结构逐层提取学习图像的??深层特征，扩大网络感受野，加强对图像目标的识别分类性能，其本质上为感知学习器，能??够在去除全连接和卷积共享权值的基础上降低学习到的模型参数量并保证特征抽象，尤其在??面对较复杂、图像信息较丰富的识别任务中，更能发挥其有效性卷积神经网络主要结构??包括卷积层、池化层、激活层、批标准化层、损失层、全连接层以及Ｄｒｏｐｏｕｔ层等。下面就??卷积神经网络的结构及其相关基础原理进行介绍。??（１）卷积层??作为卷积神经网络最重要的组成部分，卷积层通过对上一层网络输入的图像像素值进行??卷积运算，通过特定数量的卷积核对输入层或者池化层的数据信息进行滑动式运算提取并将??结果作为一个抽象特征输出到下一层级网络继续运算针对上一层的像素数据覆盖计算，??具有概括性地对图像特征逐层提取，再通过下一层卷积核在初步提取到的低级特征的基
?第二章卷积神经网络与遥感图像处理???Ｉｎｐｕｔ?Ｋｅｒｎｅｌ?Ｏｕｔｐｕｔ??（〇，?〇）Ｕ，〇：（２，０?ａ???—??????＼????（０，１）（１，１：（１，２：—?ｄ?ｅ?ｆ?（１１??（０，２１（１．２：（２，２；一?ｇ??一－二二一??Ｉ?ｔｌＩＸＬＪＪ??图２．３卷积层工作原理??卷积核通过与前一层输入的数据进行滑动卷积操作，将图像数据的维度进行降低，使釋??图像参数更加概括，图像特征更加抽象。若存在多个卷积核，卷积神经网络则将每个卷积杉??输出的特征进行学习，并将对应个数的特征量输出到下一层级的网络当中继续卷积运算，匕??提取到高层次特征，深化网络对图像的描述理解，提高神经网络学习效率。卷积运算的过鸦??有如下函数表达：??Ｙｎ，ｎ，?＝／（ＺＺＷｖ，？?＋ｂ）?（２．８）??Ｖ＝１?ｕ＝＼??其中ｗｖ？表示第Ｖ行、第ｕ列卷积核的权值，ｂ为偏置值，Ｖ表示卷积核的宽度值，ＩＭ??表卷积核的高度值，ｘ，＋ｗ＋？为输入图像或提取所得特征图的第ｉ＋ｖ行、ｊ＋ｕ列的参数值，ｉ为??卷积核在输入图像或提取所得特征图上滑动的行数，ｊ为卷积核在输入图像或提取所得特征Ｉ??上滑动的列数。ｆ（）为激活函数的表达形式，代表非线性运算，则为输出的所提取特征图白??第ｎ行，第ｍ列参数值。??卷积层的工作原理使其具有局部连接（Ｓｐａｒｓｅ?ｃｏｎｎｅｃｔｉｖｉｔｙ）和权值共享（Ｓｈａｒｅｄ?ｗｅｉｇｈｔ！??两个基本性质。由于图像见相邻像素的相关性通常较强，而距离较远的像素之间相关性一舟??较弱，因此只需要进行局部连接即可保证感受野的一致，即是两个神经元层级之间不需要１??
【参考文献】：
期刊论文
[1]基于多特征图金字塔融合深度网络的遥感图像语义分割[J]. 赵斐,张文凯,闫志远,于泓峰,刁文辉. 电子与信息学报. 2019(10)
[2]基于VGG16预编码的遥感图像建筑物语义分割[J]. 徐昭洪,刘宇,全吉成,吴晨. 科学技术与工程. 2019(17)
[3]基于SegNet语义模型的高分辨率遥感影像农村建设用地提取[J]. 杨建宇,周振旭,杜贞容,许全全,尹航,刘瑞. 农业工程学报. 2019(05)
[4]类别非均衡遥感图像语义分割的全卷积网络方法[J]. 吴止锾,高永明,李磊,薛俊诗. 光学学报. 2019(04)
[5]基于改进CNN特征的场景识别[J]. 薄康虎,李菲菲,陈虬. 计算机系统应用. 2018(12)
[6]基于卷积神经网络的低参数量实时图像分割算法[J]. 谭光鸿,侯进,韩雁鹏,罗朔. 激光与光电子学进展. 2019(09)
[7]基于2D-3D语义传递的室内三维点云模型语义分割[J]. 熊汉江,郑先伟,丁友丽,张艺,吴秀杰,周妍. 武汉大学学报(信息科学版). 2018(12)
[8]SWAT模型校准方法的对比研究——以恒河流域为例[J]. Nikita Shivhare,Prabhat Kumar Singh Dikshit,Shyam Bihari Dwivedi. Engineering. 2018(05)
[9]基于卷积神经网络的遥感图像目标检测[J]. 欧攀,张正,路奎,刘泽阳. 激光与光电子学进展. 2019(05)
[10]基于粒子群优化的BP神经网络图像复原算法研究[J]. 王文中,张树生,余隋怀. 西北工业大学学报. 2018(04)
硕士论文
[1]基于高分辨率可见光遥感图像的建筑物提取技术研究[D]. 左童春.中国科学技术大学 2017
本文编号：2897309
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
图１遥感被动成像??曰渐发展的遥感成像手段使高质量遥感影像的数据量快速增长，遥感影像的处理的根本??１??
?第二章卷积神经网络与遥感图像处理???神经网络的主要组成部分包括输入层、输出层和隐含层，如图２－２所示。通过输入层和??隐含层之间的全连接映射完成对复杂图像的函数拟合，通常情况下网络结构及拟合计算的复??杂度和图像数据的复杂度是成正比的。输入神经元和输出神经元的函数关系如下：??（２＿６）??／＝１??义＝／（＜）?（２．７）??其中之为第／层网络的第ｗ个输入神经元，乂为该神经元的输出值，＜为偏置值，义１??为第ｗ个输入神经元和第／－Ｉ层网络的第／？个输入神经元的权值。??Ｓ??输入房?隐含层?输出层??图２．２神经网络拓扑结构??作为神经网络的一种，卷积神经网络通过逐层提取图像数据中的特征实现原始图像到新??特征空间的映射并进行分类，同样具有较多层数且能通过多层网络结构逐层提取学习图像的??深层特征，扩大网络感受野，加强对图像目标的识别分类性能，其本质上为感知学习器，能??够在去除全连接和卷积共享权值的基础上降低学习到的模型参数量并保证特征抽象，尤其在??面对较复杂、图像信息较丰富的识别任务中，更能发挥其有效性卷积神经网络主要结构??包括卷积层、池化层、激活层、批标准化层、损失层、全连接层以及Ｄｒｏｐｏｕｔ层等。下面就??卷积神经网络的结构及其相关基础原理进行介绍。??（１）卷积层??作为卷积神经网络最重要的组成部分，卷积层通过对上一层网络输入的图像像素值进行??卷积运算，通过特定数量的卷积核对输入层或者池化层的数据信息进行滑动式运算提取并将??结果作为一个抽象特征输出到下一层级网络继续运算针对上一层的像素数据覆盖计算，??具有概括性地对图像特征逐层提取，再通过下一层卷积核在初步提取到的低级特征的基
?第二章卷积神经网络与遥感图像处理???Ｉｎｐｕｔ?Ｋｅｒｎｅｌ?Ｏｕｔｐｕｔ??（〇，?〇）Ｕ，〇：（２，０?ａ???—??????＼????（０，１）（１，１：（１，２：—?ｄ?ｅ?ｆ?（１１??（０，２１（１．２：（２，２；一?ｇ??一－二二一??Ｉ?ｔｌＩＸＬＪＪ??图２．３卷积层工作原理??卷积核通过与前一层输入的数据进行滑动卷积操作，将图像数据的维度进行降低，使釋??图像参数更加概括，图像特征更加抽象。若存在多个卷积核，卷积神经网络则将每个卷积杉??输出的特征进行学习，并将对应个数的特征量输出到下一层级的网络当中继续卷积运算，匕??提取到高层次特征，深化网络对图像的描述理解，提高神经网络学习效率。卷积运算的过鸦??有如下函数表达：??Ｙｎ，ｎ，?＝／（ＺＺＷｖ，？?＋ｂ）?（２．８）??Ｖ＝１?ｕ＝＼??其中ｗｖ？表示第Ｖ行、第ｕ列卷积核的权值，ｂ为偏置值，Ｖ表示卷积核的宽度值，ＩＭ??表卷积核的高度值，ｘ，＋ｗ＋？为输入图像或提取所得特征图的第ｉ＋ｖ行、ｊ＋ｕ列的参数值，ｉ为??卷积核在输入图像或提取所得特征图上滑动的行数，ｊ为卷积核在输入图像或提取所得特征Ｉ??上滑动的列数。ｆ（）为激活函数的表达形式，代表非线性运算，则为输出的所提取特征图白??第ｎ行，第ｍ列参数值。??卷积层的工作原理使其具有局部连接（Ｓｐａｒｓｅ?ｃｏｎｎｅｃｔｉｖｉｔｙ）和权值共享（Ｓｈａｒｅｄ?ｗｅｉｇｈｔ！??两个基本性质。由于图像见相邻像素的相关性通常较强，而距离较远的像素之间相关性一舟??较弱，因此只需要进行局部连接即可保证感受野的一致，即是两个神经元层级之间不需要１??
【参考文献】：
期刊论文
[1]基于多特征图金字塔融合深度网络的遥感图像语义分割[J]. 赵斐,张文凯,闫志远,于泓峰,刁文辉. 电子与信息学报. 2019(10)
[2]基于VGG16预编码的遥感图像建筑物语义分割[J]. 徐昭洪,刘宇,全吉成,吴晨. 科学技术与工程. 2019(17)
[3]基于SegNet语义模型的高分辨率遥感影像农村建设用地提取[J]. 杨建宇,周振旭,杜贞容,许全全,尹航,刘瑞. 农业工程学报. 2019(05)
[4]类别非均衡遥感图像语义分割的全卷积网络方法[J]. 吴止锾,高永明,李磊,薛俊诗. 光学学报. 2019(04)
[5]基于改进CNN特征的场景识别[J]. 薄康虎,李菲菲,陈虬. 计算机系统应用. 2018(12)
[6]基于卷积神经网络的低参数量实时图像分割算法[J]. 谭光鸿,侯进,韩雁鹏,罗朔. 激光与光电子学进展. 2019(09)
[7]基于2D-3D语义传递的室内三维点云模型语义分割[J]. 熊汉江,郑先伟,丁友丽,张艺,吴秀杰,周妍. 武汉大学学报(信息科学版). 2018(12)
[8]SWAT模型校准方法的对比研究——以恒河流域为例[J]. Nikita Shivhare,Prabhat Kumar Singh Dikshit,Shyam Bihari Dwivedi. Engineering. 2018(05)
[9]基于卷积神经网络的遥感图像目标检测[J]. 欧攀,张正,路奎,刘泽阳. 激光与光电子学进展. 2019(05)
[10]基于粒子群优化的BP神经网络图像复原算法研究[J]. 王文中,张树生,余隋怀. 西北工业大学学报. 2018(04)
硕士论文
[1]基于高分辨率可见光遥感图像的建筑物提取技术研究[D]. 左童春.中国科学技术大学 2017
本文编号：2897309
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2897309.html
