基于OBIA-CNN的高分二号卫星影像林地类型识别
发布时间：2021-11-18 18:28
林地资源对于生态平衡、气候变化、生物多样性、人类的生产生活等都具有重大的影响作用。精准的掌握林地资源的分布和范围,对国家进一步制定相关经济和环境效益政策有着重要的指导作用。随着我国高分辨率对地观测系统重大专项的开展,利用高分遥感影像进行自然资源管理逐渐成为主要的技术手段之一。然而,包含丰富空间细节信息和结构信息的高分影像同时拥有更加复杂的光谱特征,光谱异构性的变化、类别之间与类内之间的差异化、使得高分影像中的信息提取难度显著增加。基于低层特征学习的传统机器学习算法在处理高分影像数据时,由于其分类器自身的原因,在面对丰富的细节信息时,无法准确的对其进行抽象化表达,使得分类的效果和分类精度显著的降低。如何精确高效的利用高分影像中包含的丰富信息成为遥感影像信息提取的关键。在自然状态下,林地类型的分布相对比较复杂,同一片区域存在不同的林地类型,呈现在高分影像中的光谱特征将会更具差异化。基于像元的林地类型判定势必无法摆脱椒盐现象带来的影响。因此,针对高分遥感影像林地信息提取所面临的挑战,本文提出合分层分类策略及面向对像卷积神经网路的特征学习及分类方法用于林地类型的判定。本文的工作和成果如下:（1...
【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
实验流程图
说牟问?枪蚕淼模?问?蚕砑饶芄?大大减少卷积核中参数的数量，又能降低网络的复杂度。对比传统的机器学习算法，卷积核可以自动的进行特征的学习和抽取，减少了特征预处理的不确定因素。滤波器是卷积神经网络中卷积层的重要组成部分。同时，滤波器中包含了成百上千的参数，但这些参数并不是提前设置好的，而是通过不断的迭代训练学习获龋不同的层具有不同的作用，较低层会检查图像的基本特征，而较高层可以检测到图像更加复杂的特征。卷积神经网络主要就是利用这些滤波器并根据大量的输入数据来完成参数的学习[68,69]。图2-1卷积神经网络的基本结构图
142.1.1卷积层卷积运算具有平移不变性和线性的特征。卷积层作为深度卷积神经网络的核心，根据输入数据进行局部信息的加权操作，不同的权重函数表示输入信息特征的不同性质，而这些权重函数是由点扩散函数确定的。卷积神经网络中的卷积层由众多的卷积单元所构成。卷积单元中的参数根据反向传播算法在多次迭代学习中获得。多层卷积层的叠加可以挖掘出输入数据中包含的多层特征信息。卷积就是根据局部感受野和特定的权重进行卷积运算的过程。[70,71]。卷积运算可以表达如下：=,(2-1)其中，,是输入影像，,代表像素的空间位置，表示第k层卷积核的l位置处。基于像素块的影像信息提取可以更好的提取像素的局部相关性。图2-2卷积层基本原理图例2.1.2池化层池化操作的目的是为了抽取区域位置特征的变化并将这些变化的特征进行聚合处理。紧随卷积层之后的池化层不仅能够将复杂的信息进行简化处理，同时能够更好的聚合重要的特征。池化操作能够使网络模型拥有更大的感受野，从而能够接受到更大的输入，随着感受野的增大，网络将会学习到更加抽象的深层特征。池化过程可以表示为：
【参考文献】：
期刊论文
[1]高分一号遥感卫星数据林地信息快速提取方法的研究[J]. 周日平. 中国煤炭地质. 2019(02)
[2]基于高分辨率遥感影像的林地资源信息提取方法研究[J]. 王晓丽. 信息记录材料. 2018(10)
[3]扎实推进高分专项实施 助力“一带一路”建设[J]. 童旭东. 航天返回与遥感. 2018(04)
[4]综合应用多源遥感数据的面向对象土地覆盖分类方法[J]. 李晓红,陈尔学,李增元,李世明. 林业科学. 2018(02)
[5]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[6]高分辨率遥感影像林地边界提取方法[J]. 胡华龙,吴冰,秦志远,赖广陵. 测绘科学技术学报. 2016(04)
[7]中国高分辨率对地观测系统重大专项建设进展[J]. 童旭东. 遥感学报. 2016(05)
[8]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)
[9]中国高分辨率对地观测系统[J]. 卫星应用. 2015(08)
[10]融合像素—多尺度区域特征的高分辨率遥感影像分类算法[J]. 刘纯,洪亮,陈杰,楚森森,邓敏. 遥感学报. 2015(02)
博士论文
[1]高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D]. 黄昕.武汉大学 2009
硕士论文
[1]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]. 张萌.云南师范大学 2019
[2]基于多类特征深度学习的高分辨率遥感影像分类[D]. 刘威.北京建筑大学 2019
[3]高分辨率影像空频域分析与建筑物提取[D]. 高东阳.北京建筑大学 2018
[4]高分辨率遥感影像土地利用信息提取技术研究[D]. 李周.西安科技大学 2018
[5]基于深度特征学习的高分辨率遥感影像分类[D]. 杨惠雯.中国科学院大学(中国科学院遥感与数字地球研究所) 2018
[6]面向对象的高分辨率遥感影像土地覆盖信息提取技术研究[D]. 王娜.昆明理工大学 2016
[7]高分辨率遥感影像林地资源信息提取方法研究[D]. 胡湛晗.北华航天工业学院 2015
本文编号：3503390
【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
实验流程图
说牟问?枪蚕淼模?问?蚕砑饶芄?大大减少卷积核中参数的数量，又能降低网络的复杂度。对比传统的机器学习算法，卷积核可以自动的进行特征的学习和抽取，减少了特征预处理的不确定因素。滤波器是卷积神经网络中卷积层的重要组成部分。同时，滤波器中包含了成百上千的参数，但这些参数并不是提前设置好的，而是通过不断的迭代训练学习获龋不同的层具有不同的作用，较低层会检查图像的基本特征，而较高层可以检测到图像更加复杂的特征。卷积神经网络主要就是利用这些滤波器并根据大量的输入数据来完成参数的学习[68,69]。图2-1卷积神经网络的基本结构图
142.1.1卷积层卷积运算具有平移不变性和线性的特征。卷积层作为深度卷积神经网络的核心，根据输入数据进行局部信息的加权操作，不同的权重函数表示输入信息特征的不同性质，而这些权重函数是由点扩散函数确定的。卷积神经网络中的卷积层由众多的卷积单元所构成。卷积单元中的参数根据反向传播算法在多次迭代学习中获得。多层卷积层的叠加可以挖掘出输入数据中包含的多层特征信息。卷积就是根据局部感受野和特定的权重进行卷积运算的过程。[70,71]。卷积运算可以表达如下：=,(2-1)其中，,是输入影像，,代表像素的空间位置，表示第k层卷积核的l位置处。基于像素块的影像信息提取可以更好的提取像素的局部相关性。图2-2卷积层基本原理图例2.1.2池化层池化操作的目的是为了抽取区域位置特征的变化并将这些变化的特征进行聚合处理。紧随卷积层之后的池化层不仅能够将复杂的信息进行简化处理，同时能够更好的聚合重要的特征。池化操作能够使网络模型拥有更大的感受野，从而能够接受到更大的输入，随着感受野的增大，网络将会学习到更加抽象的深层特征。池化过程可以表示为：
【参考文献】：
期刊论文
[1]高分一号遥感卫星数据林地信息快速提取方法的研究[J]. 周日平. 中国煤炭地质. 2019(02)
[2]基于高分辨率遥感影像的林地资源信息提取方法研究[J]. 王晓丽. 信息记录材料. 2018(10)
[3]扎实推进高分专项实施 助力“一带一路”建设[J]. 童旭东. 航天返回与遥感. 2018(04)
[4]综合应用多源遥感数据的面向对象土地覆盖分类方法[J]. 李晓红,陈尔学,李增元,李世明. 林业科学. 2018(02)
[5]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[6]高分辨率遥感影像林地边界提取方法[J]. 胡华龙,吴冰,秦志远,赖广陵. 测绘科学技术学报. 2016(04)
[7]中国高分辨率对地观测系统重大专项建设进展[J]. 童旭东. 遥感学报. 2016(05)
[8]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)
[9]中国高分辨率对地观测系统[J]. 卫星应用. 2015(08)
[10]融合像素—多尺度区域特征的高分辨率遥感影像分类算法[J]. 刘纯,洪亮,陈杰,楚森森,邓敏. 遥感学报. 2015(02)
博士论文
[1]高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D]. 黄昕.武汉大学 2009
硕士论文
[1]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]. 张萌.云南师范大学 2019
[2]基于多类特征深度学习的高分辨率遥感影像分类[D]. 刘威.北京建筑大学 2019
[3]高分辨率影像空频域分析与建筑物提取[D]. 高东阳.北京建筑大学 2018
[4]高分辨率遥感影像土地利用信息提取技术研究[D]. 李周.西安科技大学 2018
[5]基于深度特征学习的高分辨率遥感影像分类[D]. 杨惠雯.中国科学院大学(中国科学院遥感与数字地球研究所) 2018
[6]面向对象的高分辨率遥感影像土地覆盖信息提取技术研究[D]. 王娜.昆明理工大学 2016
[7]高分辨率遥感影像林地资源信息提取方法研究[D]. 胡湛晗.北华航天工业学院 2015
本文编号：3503390
本文链接：https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/3503390.html
