基于高分辨率全卷积网络的遥感影像耕地提取方法研究

发布时间：2020-11-03 13:14

　　 准确、快速地提取耕地面积和分布信息是农业生产的基础,对于农业资源监测和国家粮食安全具有重要的意义,随着遥感技术的发展,通过遥感影像分类方法来提取耕地信息成为了一种非常高效的方式。遥感影像中耕地的光谱、纹理等特征类内差异大,同物异谱现象严重,特征提取难度大,使得耕地提取成为难点问题。传统的遥感影像分类方法采用浅层特征提取结构且需要人工参与参数选择和特征选取,无法有效提取出分类所需特征,不能准确提取出各种类型的耕地。本文期望利用深度学习方法强大的特征提取能力解决这个问题,进行了将深度学习方法迁移应用于遥感影像耕地提取的探索。在迁移学习时,遥感影像除了含有自然图像常用的红,绿,蓝波段数据外,还包含近红外等更多的波段数据。探索各波段数据对改善耕地提取结果的有效性对于充分利用遥感影像丰富的信息具有重要意义。因此,本文对来自Landsat和高分二号卫星的遥感影像进行了波段选取,构建了四个不同波段组合的数据集。同时,为了规避在大型自然图像数据集上得到的预训练模型只适用于三波段图像数据的问题,本文对深度学习方法进行了筛选,选用轻量级深度全卷积网络UNet,在具有不同波段的数据集上采用了从头训练U-Net模型的方法进行耕地提取实验。除此之外,针对因U-Net网络结构中的下采样操作导致的影像高分辨率的细节信息丢失、耕地提取结果边缘平滑等问题,本文对U-Net算法的跳跃连接结构和损失函数的输入部分进行了改进,提出了高分辨率U-Net(HRU-Net)算法。通过实验验证,HRU-Net和U-Net均解决了传统遥感影像分类方法存在的同物异谱问题。同时,HRU-Net相比U-Net保留了更多影像中的高分辨率的细节信息,提高了耕地提取结果的细节准确度和丰富度,并且进一步提升了耕地提取精度。
【学位单位】：中国科学院大学(中国科学院深圳先进技术研究院)
【学位级别】：硕士
【学位年份】：2020
【中图分类】：S127;TP183;TP751
【部分图文】：

基于高分辨率全卷积网络的遥感影像耕地提取方法研究8第2章遥感影像分类理论与分类方法本章将详细介绍遥感影像分类理论与分类方法，分析其原理，优缺点与适用范围，为本文的方法选择和方法改进提供理论基础和资料支持。2.1遥感影像分类概述遥感影像分类的目的是通过各种分类方法自动地识别出遥感影像上的各种不同的地物[32]。在遥感影像中，某一种特定的地物在环境条件相同或相似时，其具有的光谱、纹理、空间等特征也应该具有一致性[33]。遥感影像的这个特点是能进行遥感影像分类的前提，遥感影像分类方法要做到的就是高效提取出各种地物区别于其他地物的特征，将这些特征输入分类器，通过训练得到分类器的参数模型，然后把用做测试样本的待分类图像输入之前训练好的参数模型，得到分类结果，最后评价分类结果的精度和准确度以及分类方法的性能。对上述内容归纳总结后，可以将遥感影像分类概括地描述为预处理、特征提取与选择、分类器分类、分类效果评价四个步骤，如图2.1所示。图2.1遥感图像分类框架图目前，遥感影像分类方法可以分为基于深度学习的分类方法和不用深度学习的传统分类方法，这两类方法在遥感影像预处理和分类效果评价两部分是互通的，但传统分类方法需要先进行特征提取与选择，再选择分类器方法（如支持向量机，

第2章遥感影像分类理论与分类方法13接下来，将对典型的卷积神经网络进行介绍，以图2.2所示的LeNet[41]模型结构为例。卷积神经网络主要包括输入层、卷积层、下采样层、全连接层和输出层几个部分。图中，32*32大小的图像进入输入层，在经过两个重复的卷积核为3*3的卷积层和一个卷积核为2*2的池化层后，可以生成5*5*16大小的特征图。接下来特征图被展开成一维向量，并输入全连接层，最后输出一个n维的特征向量，其中，n为分类的类别数。接下来，将对卷积神经网络的各个部分进行介绍。图2.2LeNet的网络结构图[41]（1）卷积层卷积层可以被认为是卷积神经网络的核心。卷积层的具体操作是对卷积核和网络结构中上一层特征图进行卷积运算，并且输出相应的运算结果。图2.3图像卷积操作示意图资料来源：http://www.retui8.com/article/2498133.html卷积运算如图2.3所示，该例子中，以一个3*3大小的图像作为输入图像，然后通过边界填充（Padding）过程进行补0操作得到5*5的图像。然后，用一个3*3大小的卷积核（KernelSize），采用1的步距（Stride），在输入图像中按照

第2章遥感影像分类理论与分类方法13接下来，将对典型的卷积神经网络进行介绍，以图2.2所示的LeNet[41]模型结构为例。卷积神经网络主要包括输入层、卷积层、下采样层、全连接层和输出层几个部分。图中，32*32大小的图像进入输入层，在经过两个重复的卷积核为3*3的卷积层和一个卷积核为2*2的池化层后，可以生成5*5*16大小的特征图。接下来特征图被展开成一维向量，并输入全连接层，最后输出一个n维的特征向量，其中，n为分类的类别数。接下来，将对卷积神经网络的各个部分进行介绍。图2.2LeNet的网络结构图[41]（1）卷积层卷积层可以被认为是卷积神经网络的核心。卷积层的具体操作是对卷积核和网络结构中上一层特征图进行卷积运算，并且输出相应的运算结果。图2.3图像卷积操作示意图资料来源：http://www.retui8.com/article/2498133.html卷积运算如图2.3所示，该例子中，以一个3*3大小的图像作为输入图像，然后通过边界填充（Padding）过程进行补0操作得到5*5的图像。然后，用一个3*3大小的卷积核（KernelSize），采用1的步距（Stride），在输入图像中按照
【相似文献】

相关期刊论文 前10条

1 王宝锋;;高分辨率航空影像在第三次国土调查中的应用优势[J];科技与创新;2020年08期

2 Masaaki Baba;Ayumi Kanaoka;Akiko Nishiyama;Masatoshi Misono;Takayoshi Ishimoto;Taro Udagawa;;利用高分辨率光谱和从头算理论研究9-甲基蔥的大振幅运动（英文）[J];Chinese Journal of Chemical Physics;2020年01期

3 陈宏志;马宜传;;高分辨率CT诊断儿童闭塞性毛细支气管炎的价值[J];河北北方学院学报(自然科学版);2018年12期

4 李计;孙礼;于艳红;;高分辨率CT在诊断特发性肺间质纤维化中的应用价值[J];影像研究与医学应用;2019年08期

5 付连山;;高分辨率CT扫描在特发性肺间质纤维化诊断中的价值[J];基层医学论坛;2018年19期

6 天聪;小型高分辨率AMLCDs[J];光电子技术;1997年03期

7 饶国宝;;斯波特卫星高分辨率可见光相机设计综述[J];国外空间动态;1987年07期

8 庄永芳;冯伟明;;一种高分辨率接触式电容测微装置[J];磨床与磨削;1987年02期

9 本刊记者;;彩色高分辨率显示器在北京东风电视机厂大批量投产[J];电视技术;1987年09期

10 ;信息与服务[J];化学通报;1987年07期

相关博士学位论文 前10条

1 胡堃;高分辨率光学卫星影像几何精准处理方法研究[D];武汉大学;2016年

2 朱映;高分辨率光学遥感卫星影像平台震颤处理方法研究[D];武汉大学;2016年

3 闵雷;平面复眼空间高分辨率技术研究[D];电子科技大学;2019年

4 王伟;高分辨率立体测绘卫星影像质量提升和典型要素提取[D];武汉大学;2017年

5 单昌功;基于地基高分辨率傅里叶变换红外光谱技术研究大气CO_2时空分布和变化特征[D];中国科学技术大学;2019年

6 郭思;高分辨率三维地震薄储层精细预测研究[D];成都理工大学;2015年

7 张晓博;基于高分辨率SAR影像的城市二维时序形变建模与应用[D];中国矿业大学(北京);2018年

8 朱俊杰;高分辨率光学和SAR遥感数据融合及典型目标提取方法研究[D];中国科学院研究生院（遥感应用研究所）;2005年

9 龙辉;高分辨率光学卫星影像城市道路识别方法研究[D];中国科学院研究生院（遥感应用研究所）;2006年

10 熊宸;高分辨率离面位移检测中的若干问题研究[D];中国科学技术大学;2017年

相关硕士学位论文 前10条

1 徐文娜;基于高分辨率全卷积网络的遥感影像耕地提取方法研究[D];中国科学院大学(中国科学院深圳先进技术研究院);2020年

2 张萌;面向对象框架下基于深度学习的高分辨率遥感影像分类[D];云南师范大学;2019年

3 邓伟泽;示波记录仪频率与温度模块研究与设计[D];电子科技大学;2019年

4 周楠;5GSPS高分辨率数据采集与处理关键技术研究[D];电子科技大学;2019年

5 何海迅;高分辨率高速DA转换电路的研究与实现[D];电子科技大学;2019年

6 张松;高分辨率宽测绘带一站固定式双站合成孔径雷达成像算法研究[D];杭州电子科技大学;2018年

7 杨海宾;基于光学相干层析成像技术的三维轮廓测量系统[D];广东工业大学;2019年

8 姜瑞;基于序列降雨采样器的高分辨率雨水化学成份研究[D];哈尔滨工业大学;2019年

9 周莉莎;高分辨率的微显示驱动算法的设计和实现[D];湘潭大学;2019年

10 秦婷婷;基于高分辨率距离像的穿墙雷达目标定位算法[D];南京邮电大学;2019年

本文编号：2868622