基于边缘缓冲区和卷积神经网络的高分影像自动分类试验

发布时间：2022-10-29 21:00

　　遥感影像的自动分类系统一直是遥感影像处理领域的一个热点,也是一个难点。最早学者们使用基于像元的方法（如指数法、决策树、svm等）分类影像,在图像分辨率提高后,又有面向对象等一系列新的方法,但始终没有一个工业级的遥感影像自动分类系统面世,也就说明在准确率上现存方法都有一些问题。随着科技的发展,深度卷积神经网络算法在目标检测领域的优势有目共睹,也有很多学者将其应用到遥感影像的自动分类中,但受到传统习惯的影响,很多这方面的尝试是基于面向对象分割的,这限制了神经网络算法的潜力。本研究采用新的思路,通过提取边缘缓冲区作为神经网络的训练单元,结合多尺度和集成学习的思想,设计了一种新的遥感影像自动分类系统。经过实验,新方法在测试集的准确率达到97%,在训练集的准确率达到了93%。本研究的主要内容如下:（1）分析了面向对象分割在现阶段影像分类中表现不理想的具体理论原因以及现存的目标识别算法不适用于遥感影像分类的原因。（2）设计了多尺度边缘缓冲区的提取算法,边缘缓冲区的定义是沿垂直图像边缘方向向两侧做一定宽度的缓冲区。该算法能够对影像中的边缘缓冲区进行多方向,多尺度的提取,并能将提取到的数据还原回原图像... 

【文章页数】：138 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 选题的目的与意义
    1.2 国内外研究现状及存在问题
        1.2.1 遥感影像的分类现状
        1.2.2 超像素方面的研究现状
        1.2.3 卷积神经网络方面的研究现状
        1.2.4 现阶段存在的问题
    1.3 论文的研究内容
    1.4 技术路线与方法
    1.5 论文的创新点
    1.6 论文组织结构
2 基于边缘缓冲区的多尺度分割技术
    2.1 基本概念
        2.1.1 影像边缘
        2.1.2 缓冲区
        2.1.3 尺度
    2.2 边缘缓冲区的构建技术
        2.2.1 边缘的提取方法
        2.2.2 缓冲区的制作方法
        2.2.3 尺度的选择
3 应用神经网络来进行特征学习的技术
4 论文实验过程
    4.1 研究区基本情况
    4.2 边缘缓冲区的采集
    4.3 卷积神经网络的设计
        4.3.1 训练环境介绍
        4.3.2 神经网络结构介绍
    4.4 实验结果
        4.4.1 训练集结果
        4.4.2 测试集结果
5 结论与展望
    5.1 结论
    5.2 展望
6 致谢
参考文献
附件


【参考文献】：
期刊论文
[1]基于eCognition的遥感图像面向对象分类方法研究[J]. 陈蕊,张继超.  测绘与空间地理信息. 2020(02)
[2]一种多尺度卷积神经网络道路提取方法[J]. 戴激光,杜阳,金光,陶德志.  遥感信息. 2020(01)
[3]直线特征辅助的靠岸舰船检测[J]. 余东行,郭海涛,赵传,李道纪,张保明.  测绘科学技术学报. 2019(03)
[4]基于面向对象的遥感影像分类研究——以河北省柏乡县为例[J]. 江东,陈帅,丁方宇,付晶莹,郝蒙蒙.  遥感技术与应用. 2018(01)
[5]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)
[6]一种新的基于局部轮廓特征的目标检测方法[J]. 张桂梅,张松,储珺.  自动化学报. 2014(10)
[7]超像素分割算法研究综述[J]. 王春瑶,陈俊周,李炜.  计算机应用研究. 2014(01)
[8]图像边缘检测方法综述[J]. 陈一虎.  宝鸡文理学院学报(自然科学版). 2013(01)
[9]基于人工神经网络与决策树相结合模型的遥感图像自动分类研究[J]. 李飞雪,李满春,赵书河.  遥感信息. 2003(03)
[10]利用TM图像逐级分类提取非点源信息[J]. 胡远安,程声通,贾海峰,张海星,谭斌,赵江.  环境科学. 2003(01)

硕士论文
[1]面向对象的多源遥感数据分类技术研究与实现[D]. 陈启浩.中国地质大学 2007



本文编号：3698411