基于可变形全卷积神经网络实现遥感图像冬小麦自动解译
发布时间：2021-08-01 15:09
冬小麦是我国北方最主要的农产品,及时准确地获取冬小麦生长、分布情况,有利于农业生产的产量估值,也可以为我国的农业政策、农产品布局提供有力的依据。使用GF-2遥感图像自动解译技术可以实时获取冬小麦的空间分布情况。遥感影像解译及语义分割的本质都是基于像素的分类,因此本文使用深度学习中的语义分割方法,对经典的语义分割网络（U-Net）进行改进,设计了一套基于可变形全卷积网络模型（DFCN）的遥感图像冬小麦自动解译方案。首先,针对遥感影像的成像误差问题和特征不明显问题,对原始影像进行预处理及特征增强,制作了2330张256×256大小的训练集影像和582张256×256大小的测试集影像;其次,为解决滑动卷积造成的影像尺寸缺失问题,在卷积过程中加入了填充操作;接着,增加了网络层深度,以实现模型对遥感影像特征的强表征能力;最后,在卷积过程中加入可训练的偏移量使卷积发生形变,得到了自适应感受野,从而提取出冬小麦的几何形变特征。对DFCN进行训练及调参,将最优的DFCN网络与FCN网络、U-Net网络以及RF（随机森林）算法进行对比分析,结果在GF-2影像测试集上的自动解译精度分别为98.1%、89....
【文章来源】：北华航天工业学院河北省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
卷积神经网络连接方式对比
北华航天工业学院硕士学位论文11化，即取池化感受野中的最大值。池化层采用类似于卷积的滑动窗口采样方法，池化规模常使用步长为2的2×2大小的池化滤波器。池化过程如图2.4所示。图2.4池化过程图2.4为4×4大小的输入特征图，池化滤波器大小为2×2，滑动窗口步长为2，最大池化就是取池化窗口在特征图中的感受野中的最大值，即依次取输入特征图大小为2×2区域内最大值3、4、2、5作为池化层输出的结果。平均池化则是取池化窗口在特征图中的感受野中的平均值，即依次取输入特征图大小为2×2区域内平均值（2+3+1+2）/4=2、（4+0+1+1）/4=1.5、（2+0+0+2）/4=1、（3+0+5+2）/4=2.5作为池化层输出的结果。池化层的特征图大小见式（2.4）、式（2.5）。1"StridekWW（2.4）1"StridekHH（2.5）其中W′和W分别表示输出特征图即输入特征图的宽度，H′和H分别表示输出特征图即输入特征图的高度，k表示滑动窗口的大小，Stride表示每次滑动窗口移动的步长。池化层不改变特征图的数量，因此池化后的特征图的数量和池化前的特征图数量相同，全连接层如图2.5所示。（4）全连接层
基于可变形全卷积神经网络实现遥感图像冬小麦自动解译12图2.5全连接层如图2.5所示，全连接层是卷积层的特殊形式，卷积层以稀疏连接为主要方式，全连接层则将每个前层神经元与每个后层神经元全部相联，类似于神经网络的连接方式。全连接层见式（2.6）。bWyx（2.6）其中，y表示神经网络最终的输出，可用向量pRy表示，p为输出向量大校x表示输入向量，可用qRx表示，q为输入向量大校表示所需训练的权值系数，x是矩阵的点乘运算。由于全连接层所有神经元是紧密相连的，参数数量为ppq，所以所需要训练的参数量会大大提高。但是全连接层的紧密连接，会让三维的图像输入变成了二维的向量输出，从而使图的特征坐标信息丢失。2.1.2基于深度学习的遥感影像自动解译算法传统的遥感影像解译采用人工目视解译，即具有遥感知识背景的专家通过人工观察或利用协助工具对遥感影像上所包含的地物进行判别，但是基于专家经验式的识别方法给影像解译带来了主观因素，使识别效果不够稳定且鲁棒性不强。再者，GF-2遥感影像具有多波段光谱信息，仅依靠人为视觉很难对其特征进行全面的提龋针对传统遥感影像解译方法的主观性及特征复杂性，出现了如感知机（Perceptron）、支持向量机（SupportVectorMachine）、随机森林（RandomForest）等使用计算机代替人脑进行处理及运算的遥感图像自动解译方法。遥感图像自动解译方法使用计算机视觉算法，对GF-2影像的丰富特征进行提取，从而得到了更好的识别效果。随着计算机运算处理速度的提升，深度学习方法可以处理分析数据属性复杂、格式特殊的遥感影像，使其在遥感影像自动解译领域的应用得到了发展。深度学习中的卷积神经网络模型，通过非线性的特征提取器对原始数据中的目标对象信息进行更为全面地表达。基于深度学习的遥感?
【参考文献】：
期刊论文
[1]一种多源遥感影像非监督分类方法中的欠分割对象检测与拆分算法[J]. 毛婷,唐宏. 遥感信息. 2019(06)
[2]基于Sentinel-2时序多特征的植被分类[J]. 郭文婷,张晓丽. 浙江农林大学学报. 2019(05)
[3]基于神经网络的遥感图像语义分割方法[J]. 王恩德,齐凯,李学鹏,彭良玉. 光学学报. 2019(12)
[4]基于卷积神经网络的中国北方冬小麦遥感估产[J]. 周亮,慕号伟,马海姣,陈高星. 农业工程学报. 2019(15)
[5]京津冀MODIS长时序增强型植被指数拟合重建方法适用性研究[J]. 程琳琳,李玉虎,孙海元,张也,詹佳琪,刘梅. 农业工程学报. 2019(11)
[6]田间作物NDVI测量仪可靠性分析及标定环境研究[J]. 杨钧森,杨贵军,徐波,张凯选,杨小冬,李振海,李贺丽,杨浩,韩亮. 农业工程学报. 2019(08)
[7]基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测[J]. 邓志鹏,孙浩,雷琳,周石琳,邹焕新. 测绘学报. 2018(09)
[8]基于卷积神经网络和改进模糊C均值的遥感图像检索[J]. 彭晏飞,宋晓男,訾玲玲,王伟. 激光与光电子学进展. 2018(09)
[9]基于MODIS-EVI及物候差异免阈值提取黄淮海平原冬小麦面积[J]. 张莎,张佳华,白雲,姚凤梅. 农业工程学报. 2018(11)
[10]基于多时相MODIS-RVI的玉米遥感估产研究[J]. 安秦,陈圣波,孙士超. 地理空间信息. 2018(03)
博士论文
[1]面向对象的高分辨率遥感影像特征选择与分类研究[D]. 史蕾.武汉大学 2018
硕士论文
[1]基于距中植被指数的黑龙江省农业灾害遥感监测[D]. 赵博文.东北农业大学 2019
[2]基于深度学习的船只光学遥感图像检测和分割[D]. 冯冬青.电子科技大学 2019
[3]基于卷积神经网络的双源遥感数据语义分割的方法研究[D]. 张悦.哈尔滨工业大学 2018
[4]基于深度学习的农业遥感图像耕地提取技术研究[D]. 李昌俊.中国科学技术大学 2018
[5]基于海量解译标志的遥感影像卷积神经网络分类研究[D]. 娄亚晴.中国地质大学(北京) 2017
[6]高分遥感影像的语义理解[D]. 屈博.中国科学院大学(中国科学院西安光学精密机械研究所) 2017
本文编号：3315751
【文章来源】：北华航天工业学院河北省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
卷积神经网络连接方式对比
北华航天工业学院硕士学位论文11化，即取池化感受野中的最大值。池化层采用类似于卷积的滑动窗口采样方法，池化规模常使用步长为2的2×2大小的池化滤波器。池化过程如图2.4所示。图2.4池化过程图2.4为4×4大小的输入特征图，池化滤波器大小为2×2，滑动窗口步长为2，最大池化就是取池化窗口在特征图中的感受野中的最大值，即依次取输入特征图大小为2×2区域内最大值3、4、2、5作为池化层输出的结果。平均池化则是取池化窗口在特征图中的感受野中的平均值，即依次取输入特征图大小为2×2区域内平均值（2+3+1+2）/4=2、（4+0+1+1）/4=1.5、（2+0+0+2）/4=1、（3+0+5+2）/4=2.5作为池化层输出的结果。池化层的特征图大小见式（2.4）、式（2.5）。1"StridekWW（2.4）1"StridekHH（2.5）其中W′和W分别表示输出特征图即输入特征图的宽度，H′和H分别表示输出特征图即输入特征图的高度，k表示滑动窗口的大小，Stride表示每次滑动窗口移动的步长。池化层不改变特征图的数量，因此池化后的特征图的数量和池化前的特征图数量相同，全连接层如图2.5所示。（4）全连接层
基于可变形全卷积神经网络实现遥感图像冬小麦自动解译12图2.5全连接层如图2.5所示，全连接层是卷积层的特殊形式，卷积层以稀疏连接为主要方式，全连接层则将每个前层神经元与每个后层神经元全部相联，类似于神经网络的连接方式。全连接层见式（2.6）。bWyx（2.6）其中，y表示神经网络最终的输出，可用向量pRy表示，p为输出向量大校x表示输入向量，可用qRx表示，q为输入向量大校表示所需训练的权值系数，x是矩阵的点乘运算。由于全连接层所有神经元是紧密相连的，参数数量为ppq，所以所需要训练的参数量会大大提高。但是全连接层的紧密连接，会让三维的图像输入变成了二维的向量输出，从而使图的特征坐标信息丢失。2.1.2基于深度学习的遥感影像自动解译算法传统的遥感影像解译采用人工目视解译，即具有遥感知识背景的专家通过人工观察或利用协助工具对遥感影像上所包含的地物进行判别，但是基于专家经验式的识别方法给影像解译带来了主观因素，使识别效果不够稳定且鲁棒性不强。再者，GF-2遥感影像具有多波段光谱信息，仅依靠人为视觉很难对其特征进行全面的提龋针对传统遥感影像解译方法的主观性及特征复杂性，出现了如感知机（Perceptron）、支持向量机（SupportVectorMachine）、随机森林（RandomForest）等使用计算机代替人脑进行处理及运算的遥感图像自动解译方法。遥感图像自动解译方法使用计算机视觉算法，对GF-2影像的丰富特征进行提取，从而得到了更好的识别效果。随着计算机运算处理速度的提升，深度学习方法可以处理分析数据属性复杂、格式特殊的遥感影像，使其在遥感影像自动解译领域的应用得到了发展。深度学习中的卷积神经网络模型，通过非线性的特征提取器对原始数据中的目标对象信息进行更为全面地表达。基于深度学习的遥感?
【参考文献】：
期刊论文
[1]一种多源遥感影像非监督分类方法中的欠分割对象检测与拆分算法[J]. 毛婷,唐宏. 遥感信息. 2019(06)
[2]基于Sentinel-2时序多特征的植被分类[J]. 郭文婷,张晓丽. 浙江农林大学学报. 2019(05)
[3]基于神经网络的遥感图像语义分割方法[J]. 王恩德,齐凯,李学鹏,彭良玉. 光学学报. 2019(12)
[4]基于卷积神经网络的中国北方冬小麦遥感估产[J]. 周亮,慕号伟,马海姣,陈高星. 农业工程学报. 2019(15)
[5]京津冀MODIS长时序增强型植被指数拟合重建方法适用性研究[J]. 程琳琳,李玉虎,孙海元,张也,詹佳琪,刘梅. 农业工程学报. 2019(11)
[6]田间作物NDVI测量仪可靠性分析及标定环境研究[J]. 杨钧森,杨贵军,徐波,张凯选,杨小冬,李振海,李贺丽,杨浩,韩亮. 农业工程学报. 2019(08)
[7]基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测[J]. 邓志鹏,孙浩,雷琳,周石琳,邹焕新. 测绘学报. 2018(09)
[8]基于卷积神经网络和改进模糊C均值的遥感图像检索[J]. 彭晏飞,宋晓男,訾玲玲,王伟. 激光与光电子学进展. 2018(09)
[9]基于MODIS-EVI及物候差异免阈值提取黄淮海平原冬小麦面积[J]. 张莎,张佳华,白雲,姚凤梅. 农业工程学报. 2018(11)
[10]基于多时相MODIS-RVI的玉米遥感估产研究[J]. 安秦,陈圣波,孙士超. 地理空间信息. 2018(03)
博士论文
[1]面向对象的高分辨率遥感影像特征选择与分类研究[D]. 史蕾.武汉大学 2018
硕士论文
[1]基于距中植被指数的黑龙江省农业灾害遥感监测[D]. 赵博文.东北农业大学 2019
[2]基于深度学习的船只光学遥感图像检测和分割[D]. 冯冬青.电子科技大学 2019
[3]基于卷积神经网络的双源遥感数据语义分割的方法研究[D]. 张悦.哈尔滨工业大学 2018
[4]基于深度学习的农业遥感图像耕地提取技术研究[D]. 李昌俊.中国科学技术大学 2018
[5]基于海量解译标志的遥感影像卷积神经网络分类研究[D]. 娄亚晴.中国地质大学(北京) 2017
[6]高分遥感影像的语义理解[D]. 屈博.中国科学院大学(中国科学院西安光学精密机械研究所) 2017
本文编号：3315751
本文链接：https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/3315751.html
