基于多源遥感数据的城市目标智能识别方法研究
发布时间：2021-10-24 20:20
最近随着经济的飞速发展,城市空间结构也得到了不断的优化。识别城市目标及其空间分布特性,对于把握整个城市空间结构以及制定科学合理的规划具有重要意义。现有的城市目标识别技术通常基于静态数据或动态数据,然而,受到主观因素的限制,很难获得较好的识别结果。遥感图像不仅包含了地面物体（地物）丰富的空间特征,还包含了地物精细的光谱特征。基于深度学习模型的图像识别是计算机视觉领域的一个研究热点。深度学习模型可以用于学习遥感图像的判别性特征表示,实现城市目标的智能识别,尤其是对功能分区和精细物目标的识别。图像识别模型的性能依赖于提取的特征,判别性强的数据特征有助于更好地挖掘原始图像数据中的潜在信息,进一步提升图像识别模型的性能。因此,如何从大规模、高维度和包含遮挡、阴影等噪声的遥感图像数据中提取有效的数据表征,并且实现城市目标的快速精准识别,已成为遥感图像分析与处理研究领域迫切需要解决的问题。本文以深度学习模型为基础,提取对多源遥感数据（如航天、航空遥感数据）识别有意义且判别性强的数据特征,将低层遥感数据特征转化为高层抽象语义特征;并借此分析隐含在原始数据中的潜在信息,实现城市目标的智能识别,为构建智慧...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：159 页
【学位级别】：博士
【部分图文】：
图１－２高光谱遥感图像空间维度和光谱维度，右图中Ｘ，Ｙ为空间维度信息，Ｚ为光谱维度??信息??
?第１章绪论???输入??．麵?ｐ－？—１??卷积操作?ｍｍ?Ｉ池化雛全請层卜］！??輸鱗?池化獅??？－?１?一＾Ｉ＾??输入层?中间？藏层?输出层??图１－３卷积神经网络模型实例示意图??Ｆｉｇ．?１－３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｍｏｄｅｌ??Ｙａｎｇ等人［５］首先利用３Ｄ?ＣＮＮ设计了一个高光谱遥感分类的３Ｄ模型，然后结合??迭代神经网络（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＲＮＮ），设计了个迭代３Ｄ卷积神经网??络模型（Ｒｅｃｕｒｒｅｎｔ?３Ｄ?Ｃｏｎｖｏｌｕｔｉｏｎ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，Ｒ－３Ｄ－ＣＮＮ）进行高光谱遥感图??像分类，并取得了不俗的分类精度。Ｃｈｅｎｇ等人［７４］设计了—个级联卷积神经网??络（Ｃａｓｃａｄｅｄ?ＣＮＮ）进行道路提取和中心线识别。Ｂａｓｔａｎｉ等人［７５］利用ＣＮＮ模型做??决策，设计了—个ＲｏａｄＴｒａｃｅｒ进行城市道路网提龋目前，深度学习模型被广??泛地应用在智慧城市的建设中＾７Ｓ］。基于深度学习模型进行高光谱遥感图像的??处理，是当前的一个研究热点。??１．２．４基于低分辨率图像的城市目标识别方法??虽然深度卷积神经网络已经成功应用于解决多种现实问题，但是ＣＮＮ模型??依然存在一？些难以克服的限制条件。例如：１）深度卷积神经网络模型中参数??的学习需要大量的训练样本，即需要有足够的训练样本进行模型训练；２）较??好的识别结果是基于高质量训练样本的。高质量的图像训练样本一般指的是??高分辨率的图像数据。图像分辨率越高，则图像中包含的细节
哈尔滨工业大学工学博±学位论文??通道上汰幻窗口内的所有像素值进行矩阵相乘操作，得到输出图像中的４个数??值。??Ｗ??Ｈ，」??Ｈ??Ｗ??图２－１基于高光谱图像的２Ｄ－ＣＮＮ分类模型。该模型包括２Ｄ卷积操作，卷积核大小为ｆｃ，每??一层输出的特征图数目为ｍ??Ｆｉｇ．２－１?Ｔｈｅ?２Ｄ－ＣＮＮ?ｍｏｄｅｌ?ｃｏｎｓｉｓｔｉｎｇ?２Ｄ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｏｐｅｒａｔｉｏｎ?ｗｉｔｈ?ｋｅｒｎｅｌ?ｓｉｚｅ?（ｋ）?ａｎｄ?ｎｕｍｂｅｒ??ｏｆ?ｆｅａｔｕｒｅ?ｍａｐｓ?（ｍ）?ａｔ?ｅａｃｈ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｌａｙｅｒ?ｆｏｒ?ｈｙｐｅｒｓｐｅｃｔｒａ?ｉｍａｇｅ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ??２．３．２?３Ｄ卷积核??图２－２展示了?３Ｄ卷积操作，这里只展示了单通道的３Ｄ卷积操作。而且为了??方便解释，假定这里只有１个滤波器，输出的特征也是只有＾个。与２Ｄ卷积不??同的是，输入图像多了一个ｄｅｐｔｈ维度代表光谱维度（如果是视频数据的话，就??是代表时间维度），即输入图像数据的大小为（ｌ，ＡＭ，Ａ〇，卷积核尺寸也增加了??一个维度，即为（兄瓦幻。不同于２Ｄ卷积操作，３Ｄ卷积操作是卷积核在输入图??像的空间维度和光谱维度上（即（ＡＭ，Ａ〇三维）进行滑窗操作，得到输出图像（也??是三维数据）中的一个数值。??输入数据??Ｔ５??／?３Ｄ卷积核??ＫＲ?＾??Ｎ?Ｋ??Ｎ???光谱＇ｉｙ???今?Ｍ??图２－２基于高光谱图像的３Ｄ－ＣＮＮ分类模型。该模型包括３Ｄ卷积操作，卷积核大小为尤，??每一层输出的特征图数目为ｍ??Ｆｉｇ．?２－２?Ｔｈｅ?３Ｄ－ＣＮＮ
【参考文献】：
期刊论文
[1]深度学习的研究进展与发展[J]. 史加荣,马媛媛. 计算机工程与应用. 2018(10)
[2]深度学习认知计算综述[J]. 陈伟宏,安吉尧,李仁发,李万里. 自动化学报. 2017(11)
[3]深度学习在高光谱图像分类领域的研究现状与展望[J]. 张号逵,李映,姜晔楠. 自动化学报. 2018(06)
[4]使用点评数据探测城市商业服务设施的发展规律[J]. 蒋波涛,王艳东,叶信岳. 测绘学报. 2015(09)
[5]多中心化下的城市商业中心空间吸引衰减率验证——深圳市浮动车GPS时空数据挖掘[J]. 周素红,郝新华,柳林. 地理学报. 2014(12)
[6]压缩感知及其图像处理应用研究进展与展望[J]. 任越美,张艳宁,李映. 自动化学报. 2014(08)
[7]超分辨率图像重建方法综述[J]. 苏衡,周杰,张志浩. 自动化学报. 2013(08)
[8]一种改进的高光谱遥感数据波段选择方法的研究[J]. 韩瑞梅,杨敏华. 测绘与空间地理信息. 2010(03)
[9]基于Gabor感知多成份字典的图像稀疏表示算法研究[J]. 孙玉宝,肖亮,韦志辉,邵文泽. 自动化学报. 2008(11)
[10]利用高光谱遥感图像估算小麦氮含量[J]. 张霞,刘良云,赵春江,张兵. 遥感学报. 2003(03)
本文编号：3455915
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：159 页
【学位级别】：博士
【部分图文】：
图１－２高光谱遥感图像空间维度和光谱维度，右图中Ｘ，Ｙ为空间维度信息，Ｚ为光谱维度??信息??
?第１章绪论???输入??．麵?ｐ－？—１??卷积操作?ｍｍ?Ｉ池化雛全請层卜］！??輸鱗?池化獅??？－?１?一＾Ｉ＾??输入层?中间？藏层?输出层??图１－３卷积神经网络模型实例示意图??Ｆｉｇ．?１－３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｍｏｄｅｌ??Ｙａｎｇ等人［５］首先利用３Ｄ?ＣＮＮ设计了一个高光谱遥感分类的３Ｄ模型，然后结合??迭代神经网络（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＲＮＮ），设计了个迭代３Ｄ卷积神经网??络模型（Ｒｅｃｕｒｒｅｎｔ?３Ｄ?Ｃｏｎｖｏｌｕｔｉｏｎ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，Ｒ－３Ｄ－ＣＮＮ）进行高光谱遥感图??像分类，并取得了不俗的分类精度。Ｃｈｅｎｇ等人［７４］设计了—个级联卷积神经网??络（Ｃａｓｃａｄｅｄ?ＣＮＮ）进行道路提取和中心线识别。Ｂａｓｔａｎｉ等人［７５］利用ＣＮＮ模型做??决策，设计了—个ＲｏａｄＴｒａｃｅｒ进行城市道路网提龋目前，深度学习模型被广??泛地应用在智慧城市的建设中＾７Ｓ］。基于深度学习模型进行高光谱遥感图像的??处理，是当前的一个研究热点。??１．２．４基于低分辨率图像的城市目标识别方法??虽然深度卷积神经网络已经成功应用于解决多种现实问题，但是ＣＮＮ模型??依然存在一？些难以克服的限制条件。例如：１）深度卷积神经网络模型中参数??的学习需要大量的训练样本，即需要有足够的训练样本进行模型训练；２）较??好的识别结果是基于高质量训练样本的。高质量的图像训练样本一般指的是??高分辨率的图像数据。图像分辨率越高，则图像中包含的细节
哈尔滨工业大学工学博±学位论文??通道上汰幻窗口内的所有像素值进行矩阵相乘操作，得到输出图像中的４个数??值。??Ｗ??Ｈ，」??Ｈ??Ｗ??图２－１基于高光谱图像的２Ｄ－ＣＮＮ分类模型。该模型包括２Ｄ卷积操作，卷积核大小为ｆｃ，每??一层输出的特征图数目为ｍ??Ｆｉｇ．２－１?Ｔｈｅ?２Ｄ－ＣＮＮ?ｍｏｄｅｌ?ｃｏｎｓｉｓｔｉｎｇ?２Ｄ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｏｐｅｒａｔｉｏｎ?ｗｉｔｈ?ｋｅｒｎｅｌ?ｓｉｚｅ?（ｋ）?ａｎｄ?ｎｕｍｂｅｒ??ｏｆ?ｆｅａｔｕｒｅ?ｍａｐｓ?（ｍ）?ａｔ?ｅａｃｈ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｌａｙｅｒ?ｆｏｒ?ｈｙｐｅｒｓｐｅｃｔｒａ?ｉｍａｇｅ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ??２．３．２?３Ｄ卷积核??图２－２展示了?３Ｄ卷积操作，这里只展示了单通道的３Ｄ卷积操作。而且为了??方便解释，假定这里只有１个滤波器，输出的特征也是只有＾个。与２Ｄ卷积不??同的是，输入图像多了一个ｄｅｐｔｈ维度代表光谱维度（如果是视频数据的话，就??是代表时间维度），即输入图像数据的大小为（ｌ，ＡＭ，Ａ〇，卷积核尺寸也增加了??一个维度，即为（兄瓦幻。不同于２Ｄ卷积操作，３Ｄ卷积操作是卷积核在输入图??像的空间维度和光谱维度上（即（ＡＭ，Ａ〇三维）进行滑窗操作，得到输出图像（也??是三维数据）中的一个数值。??输入数据??Ｔ５??／?３Ｄ卷积核??ＫＲ?＾??Ｎ?Ｋ??Ｎ???光谱＇ｉｙ???今?Ｍ??图２－２基于高光谱图像的３Ｄ－ＣＮＮ分类模型。该模型包括３Ｄ卷积操作，卷积核大小为尤，??每一层输出的特征图数目为ｍ??Ｆｉｇ．?２－２?Ｔｈｅ?３Ｄ－ＣＮＮ
【参考文献】：
期刊论文
[1]深度学习的研究进展与发展[J]. 史加荣,马媛媛. 计算机工程与应用. 2018(10)
[2]深度学习认知计算综述[J]. 陈伟宏,安吉尧,李仁发,李万里. 自动化学报. 2017(11)
[3]深度学习在高光谱图像分类领域的研究现状与展望[J]. 张号逵,李映,姜晔楠. 自动化学报. 2018(06)
[4]使用点评数据探测城市商业服务设施的发展规律[J]. 蒋波涛,王艳东,叶信岳. 测绘学报. 2015(09)
[5]多中心化下的城市商业中心空间吸引衰减率验证——深圳市浮动车GPS时空数据挖掘[J]. 周素红,郝新华,柳林. 地理学报. 2014(12)
[6]压缩感知及其图像处理应用研究进展与展望[J]. 任越美,张艳宁,李映. 自动化学报. 2014(08)
[7]超分辨率图像重建方法综述[J]. 苏衡,周杰,张志浩. 自动化学报. 2013(08)
[8]一种改进的高光谱遥感数据波段选择方法的研究[J]. 韩瑞梅,杨敏华. 测绘与空间地理信息. 2010(03)
[9]基于Gabor感知多成份字典的图像稀疏表示算法研究[J]. 孙玉宝,肖亮,韦志辉,邵文泽. 自动化学报. 2008(11)
[10]利用高光谱遥感图像估算小麦氮含量[J]. 张霞,刘良云,赵春江,张兵. 遥感学报. 2003(03)
本文编号：3455915
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3455915.html
