面向?qū)ο筮b感技術(shù)自2000年引入到遙感領(lǐng)域以來,為城市土地優(yōu)化配置、智慧城市建設等領(lǐng)域提供較好的決策支持。近年來,隨著高分二號等高空間分辨率遙感影像的獲取更為方便快捷,如何更好地挖掘影像中所包含的地物信息變得極為重要。隨著應用的深入,傳統(tǒng)的面向?qū)ο筮b感模式識別技術(shù)存在的缺陷也逐漸顯現(xiàn)出來,阻礙了面向?qū)ο筮b感技術(shù)在其應用領(lǐng)域的進一步拓展。本文以深度神經(jīng)網(wǎng)絡為基礎(chǔ),對于傳統(tǒng)面向?qū)ο筮b感模式識別技術(shù)進行擴展和延伸。主要包含以下三點:(一)建立基于深度神經(jīng)網(wǎng)絡的面向?qū)ο筮b感分類的基本框架:1)針對深度神經(jīng)網(wǎng)絡,提出一種兼具了對象與像元的優(yōu)勢的面向?qū)ο筮b感數(shù)據(jù)提取方法;2)闡述了基于深度神經(jīng)網(wǎng)絡的面向?qū)ο筮b感分類基本流程;3)結(jié)合感知哈希算法,對于深度神經(jīng)網(wǎng)絡提取的遙感影像對象特征圖進行了分析,論證了深度神經(jīng)網(wǎng)絡應用于面向?qū)ο筮b感分類的可行性。(二)提出基于光譜-空間信息的并行深度神經(jīng)網(wǎng)絡分類算法:1)針對高空間分辨率遙感數(shù)據(jù)的特點,設計兩路不同的深度卷積神經(jīng)網(wǎng)絡用于提取空間特征和光譜特征并進行分類;2)從特征級的集成學習視角出發(fā),建立了光譜-空間信息的并行深度神經(jīng)網(wǎng)絡分類框架;3)最終通過互補...

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

圖1-1UCM數(shù)據(jù)集示意圖

上整體的標簽，如著名的UCM遙感數(shù)據(jù)集[3]，如下圖1-1所示。而目標對于遙感圖像中的地物對象（比如飛機、汽車等）進行檢測和分類[4]。如1-2所示。遙感目標分類要靠目標所處的遙感場景，而對于算法而言，目標本與場景分類算法差別并不大，因此對于面向?qū)ο筮b感分類也常常采用景....

圖1-2目標檢測與分類

圖1-1UCM數(shù)據(jù)集示意圖低尺度特征往往采用經(jīng)典的圖像算子如方向梯度直方圖[6]、尺度不變特征轉(zhuǎn)[7]、局部二值模式[8]、加速穩(wěn)健特征[9]等特征進行特征提取。然而，局部對象信息是無法用整幅遙感場景的低層特征來進行表達，在此基礎(chǔ)上，局部低層特描述[10]、多局部特征融合[....

圖2-1神經(jīng)元示意圖

）面向?qū)ο筮b感分類對象遙感分類就是通過影像分割算法提取遙感影像對象，分類目標并提取相關(guān)光譜、紋理等特征，最終利用專家經(jīng)驗等方法進行分類。度神經(jīng)網(wǎng)絡神經(jīng)網(wǎng)絡起源于人工神經(jīng)網(wǎng)絡，隨著人工神經(jīng)網(wǎng)絡的網(wǎng)絡化和求解越來越困難。隨著對于人腦機制的不斷研究，許多結(jié)構(gòu)比如卷積神經(jīng)網(wǎng)絡，其對于視....

圖2-2多輸入單輸出的基本神經(jīng)元模型

圖2-2多輸入單輸出的基本神經(jīng)元模型2-2表示一個多輸入單輸出的基本人工神經(jīng)元模型。其中n)T為輸入信號，W=(w1,w2,wn)T為神經(jīng)元的連接權(quán)值,uk為輸和，bk為閾值，f(.)為激活函數(shù)，yk為輸出信號。其中：=∑=()組輸入信號輸入到神經(jīng)元模型....

本文編號：3996612