基于语义特征和统计特征的冬小麦提取方法研究

发布时间：2021-12-02 15:56

　　准确的农作物空间分布信息对粮食估产、农业政策制定、科学研究等具有重要意义。目前卷积神经网络已经成为从遥感影像中提取农作物空间分布信息的主要方法之一,但仅使用卷积神经网络得到的结果大多存在边缘粗糙的问题。农作物种植区域边缘处存在被错误分类的现象是利用卷积神经网络进行图像分割时面临的突出问题,提高边缘像素分类的准确性成为利用卷积神经网络从遥感图像中获取高精度农作物空间分布信息的关键。针对提取高精度农作物空间分布信息这一需求,本文选择冬小麦为研究对象,在充分分析卷积神经网络结构与提取结果关系的基础上,发挥语义特征和统计特征各自的优势,提出一种分步提取冬小麦空间分布信息的方法。首先对RefineNet模型进行改进,利用改进后的RefineNet模型进行初提取;其次在对初提取结果分析的基础上利用置信度选择初提取结果中需要被进一步分类的像素,选择语义特征、统计特征建立特征向量,利用深度信念网络(DBN)进行精提取,从而达到获取高精度冬小麦空间分布信息的目标。具体研究内容如下:1.使用遥感图像处理软件对2018年至2019年的37幅能够覆盖全泰安市冬小麦区域的高分二号遥感影像进行辐射定标、大气校正、...

【文章来源】： 山东农业大学山东省

【文章页数】：58 页

【文章目录】：
中文摘要
Abstract
1 引言
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 传统的特征提取方法
        1.2.2 基于浅层机器学习的特征提取方法
        1.2.3 基于卷积神经网络的特征提取方法
        1.2.4 深度学习在农作物空间分布提取中的应用
    1.3 研究内容与技术路线
        1.3.1 研究内容
        1.3.2 技术路线
    1.4 论文组织结构
    1.5 本章小结
2 数据处理
    2.1 实验区介绍
    2.2 高分二号介绍
    2.3 遥感数据预处理
        2.3.1 辐射定标
        2.3.2 大气校正
        2.3.3 正射校正
        2.3.4 图像融合
    2.4 数据集的制作
    2.5 本章小结
3 基于改进RefineNet模型的初提取方法
    3.1 卷积神经网络的基本原理
        3.1.1 卷积层
        3.1.2 池化层
        3.1.3 激活层
    3.2 RefineNet模型基本结构
        3.2.1 RefineNet基础介绍
        3.2.2 RefineNet特征提取器
        3.2.3 RefineNet分类器
    3.3 改进的RefineNet模型
        3.3.1 传统RefineNet模型存在的问题
        3.3.2 特征融合方法的改进
        3.3.3 分类器的改进
    3.4 改进后RefineNet模型的提取过程
    3.5 初提取结果分析
        3.5.1 置信度的提出
        3.5.2 置信度阈值的确定
    3.6 本章小结
4 基于DBN的精提取方法
    4.1 精提取思路
    4.2 特征组织
        4.2.1 语义特征
        4.2.2 纹理特征
        4.2.3 纹理统计量特征
        4.2.4 欧式距离特征
        4.2.5 特征向量的组织形式
    4.3 基于DBN的分类方法
    4.4 本章小结
5 对比实验及结果分析
    5.1 分类模型的实现
        5.1.1 模型的实现环境
        5.1.2 模型的训练及测试过程
    5.2 实验设计与结果对比
    5.3 结果分析与讨论
    5.4 本章小结
6 总结与展望
    6.1 总结
    6.2 不足
    6.3 展望
参考文献
致谢
攻读硕士期间发表论文与研究成果


【参考文献】：
期刊论文
[1]地理国情监测中高分一号卫星数据处理关键要点分析 [J]. 于爱洁,李桂芬,张佳彬.  测绘与空间地理信息. 2020(S1)
[2]基于全卷积神经网络的无人机影像建筑物提取 [J]. 于洋,施国武,刘斌,李霞,邢宽平.  水利水电技术. 2020(07)
[3]基于Multi-Path RefineNet的多特征高分辨率SAR图像道路提取算法 [J]. 陈立福,刘燕芝,张鹏,袁志辉,邢学敏.  计算机科学. 2020(03)
[4]基于模块化深度卷积神经网络的烟雾识别 [J]. 程广涛,巩家昌,李建.  软件导刊. 2020(03)
[5]基于改进卷积神经网络的极光图像分类算法研究 [J]. 李彦枝,陈昌红,谢晓芳.  南京邮电大学学报(自然科学版). 2019(06)
[6]一种基于深度学习的中文文本特征提取与分类方法 [J]. 曹鲁慧,邓玉香,陈通,李钊.  山东科学. 2019(06)
[7]基于神经网络的二进制文本特征提取 [J]. 衡威,范磊.  通信技术. 2019(12)
[8]基于光谱特征分析的城市建设用地信息提取 [J]. 樊舒迪,刘振华,胡月明.  数字通信世界. 2019(10)
[9]基于改进深度卷积神经网络的苹果病害识别 [J]. 张善文,张晴晴,李萍.  林业工程学报. 2019(04)
[10]基于灰度共生矩阵的震后倒塌房屋遥感信息提取——以2014年云南鲁甸6.5级地震为例 [J]. 邓远立,卢伟.  华南地震. 2019(02)

硕士论文
[1]基于SVM和Adaboost的多分类算法研究[D]. 张松.山东师范大学 2019
[2]基于决策树与贝叶斯的电气负载类型识别方法研究[D]. 侯文浩.湖南工业大学 2019
[3]基于深度学习的农作物航拍图像识别研究[D]. 陈小帮.广东工业大学 2019
[4]基于卷积神经网络的遥感影像农作物分类方法研究[D]. 徐安建.武汉大学 2017
[5]深度信念网络（DBN）等效模型研究及应用[D]. 马艳梅.华北电力大学 2017
[6]卷积神经网络在车标识别技术中的研究及其小样本下的处理策略[D]. 张琪.安徽大学 2016



本文编号：3528750