發(fā)布時間：2020-04-09 01:45

【摘要】：隨著遙感成像技術的飛速發(fā)展,獲取到的多光譜影像的分辨率越來越高,所包含的光譜信息也越來越豐富。但是多光譜影像存在同物異譜、同譜異物、同物多形以及標記困難帶來的標記樣本數(shù)量少的問題,給多光譜影像分類帶來了嚴重的挑戰(zhàn)。本文針對上述問題,結合深度卷積神經(jīng)網(wǎng)絡在圖像特征提取方面的優(yōu)勢,提出了基于Contourlet殘差網(wǎng)和蟻群優(yōu)化算法的多光譜影像分類方法,其中的主要工作包括:1.提出了一種基于蟻群優(yōu)化(Ant Colony Optimization,ACO)算法和深度殘差網(wǎng)絡的多光譜影像分類方法。針對多光譜影像中標記樣本數(shù)量少的問題,該方法提出一種基于ACO算法的訓練樣本選取策略,利用ACO算法選擇多樣性的樣本,提高分類模型的泛化性能。同時針對多光譜影像中的同物異譜、同譜異物問題,本方法還構建了一種基于殘差塊的深度殘差網(wǎng)絡來進行特征提取,能夠提取到更有區(qū)分度的深層特征,提高模型的分類準確率。通過在溫哥華及西安地區(qū)等四幅多光譜影像上的實驗證明,本方法構建的深度殘差網(wǎng)絡能夠取得比隨機森林、K最鄰近等傳統(tǒng)分類方法以及LeNet等基于深度學習的分類方法更高的總體分類精度,同時基于ACO算法的采樣策略也優(yōu)于隨機采樣、聚類采樣等采樣策略。2.提出了一種基于加權可變形卷積網(wǎng)絡(Weighted Deformable Convolution Network,WDCNet)的多光譜影像分類方法。針對多光譜影像中的同物多形問題,該方法對可變形卷積進行了改進,提出了一種基于加權可變形卷積模塊的深度卷積神經(jīng)網(wǎng)絡WDCNet。與傳統(tǒng)卷積模塊相比,加權可變形卷積模塊可以提高神經(jīng)網(wǎng)絡在提取特征時的靈活性,提高模型的特征表達能力。通過在溫哥華及西安地區(qū)等四幅多光譜影像上的實驗證明,WDCNet的分類性能優(yōu)于殘差網(wǎng)、可變形卷積網(wǎng)等分類模型,并且將基于ACO算法選取到的樣本作為WDCNet的訓練樣本,可進一步提高模型的分類精度。3.提出了一種基于非下采樣輪廓波變換(Nonsubsampled Contourlet Transform,NSCT)和WDCNet的多光譜影像分類方法。針對WDCNet對于包含復雜信息且具有相似形狀的邊緣點難以分類的問題,提出將基于NSCT邊緣檢測的加權損失函數(shù)作為WDCNet的目標函數(shù)進行模型訓練。首先利用非下采樣輪廓波變換進行邊緣檢測,然后根據(jù)邊緣檢測結果設計出基于邊緣檢測的加權損失函數(shù),增大邊緣點損失在總損失中的占比,改善邊緣點的分類效果。通過在溫哥華及西安地區(qū)等四幅多光譜影像上的實驗證明,利用NSCT進行邊緣檢測的分類效果好于Canny算子、Sobel算子等邊緣檢測算子,同時利用加權損失函數(shù)訓練出來的模型的分類效果好于傳統(tǒng)交叉熵損失函數(shù)訓練出來的模型的分類效果,提高了模型的泛化能力。
【圖文】：

(d)聚類采樣(e)本章算法圖2.13圖像1上的測試結果圖類別的樣本分布，從而提高模型的泛化性能。提出的算法和其他對比算法在圖像2上的測試結果的評價指2.10中可以看出，基于隨機采樣分類網(wǎng)絡的總體分類精度為0.9777，但是其在樹木、道路以及船只上的準確率分別3.88%，與其他類別相比仍然有很大的改進空間。通過實驗2、1的對比可以看出，基于蟻群優(yōu)化算法的采樣策略對總體分樹、船只、道路以及第二種建筑物的分類效果均有所改善。略在船只這一類達到了最好的分類效果，，分類準確率為96.97法能夠將船只的相似像素點更好的聚合在一起，從而提高這5的本章算法與實驗1相比，AA提高了1.09%，OA提高了2的平均分類效果好于其他算法，對每一類地物目標的分類效

(d)聚類采樣(e)本章算法圖2.14圖像2上的測試結果圖提出的算法和其他對比算法在圖像3上的測試結果的評價指表2.11圖像3上的10次實驗平均性能結果表實 驗序 號1 2 3 4 5方 法 隨機采樣 ACO-TLP ACS 聚類采樣 本章算法每一類的精確率/%建筑物 199.00 99.70 97.76 99.50 98.72建筑物 282.94 84.02 93.21 84.41 95.95植被 187.90 87.67 86.17 87.55 93.80植被 293.20 91.66 91.50 84.90 81.91裸地99.24 99.60 99.77 99.46 98.92建筑物 399.69 99.98 99.69 99.99 98.53道路80.86 87.90 82.94 84.50 90.49建筑物 497.19 98.72 93.77 95.46 98.23OA/%
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP751;TP18

【相似文獻】

相關期刊論文 前10條

1 聶品;湯玉奇;馮蘭平;李明;蘭翠玉;;基于稀疏表示和字典學習的全色與多光譜影像融合[J];測繪與空間地理信息;2017年03期

2 李雪;舒寧;;一種改進的多光譜影像模糊加權聚類方法[J];地理空間信息;2006年06期

3 賈永紅;遙感多光譜影像空間分解力增強的融合方法[J];遙感技術與應用;1997年01期

4 李軍,周月琴,李德仁;小波變換用于高分辨率全色影像與多光譜影像的融合研究[J];遙感學報;1999年02期

5 賈永紅,孫家柄;遙感多光譜影像數(shù)據(jù)與航片數(shù)字化影像融合方法的研究[J];測繪通報;1997年05期

6 汪愛華;遲耀斌;王智勇;伍菲;王曉明;李麗;嚴明;;北京1號小衛(wèi)星多光譜影像全國鑲嵌技術與制圖研究[J];遙感學報;2009年01期

7 劉磊;江東;徐敏;尹芳;;基于多光譜影像和專家決策法的作物分類研究[J];安徽農(nóng)業(yè)科學;2011年25期

8 劉磊;江東;徐敏;尹芳;;基于多光譜影像和專家決策法的作物分類研究(英文)[J];Agricultural Science & Technology;2011年11期

9 鄂棟臣;陳剛;;基于粗閾值和梯度算法的南極多光譜影像云區(qū)的提取[J];極地研究;2005年02期

10 黃先德;周群;王興;;資源三號衛(wèi)星全色與多光譜影像融合方法[J];測繪通報;2015年01期

相關會議論文 前10條

1 車成邦;方中浩;潘俊;;基于多光譜影像的高分八號衛(wèi)星平臺震顫檢測方法研究[A];第四屆高分辨率對地觀測學術年會論文集[C];2017年

2 周蓉;薛志宏;;利用PCI軟件生成數(shù)字正射影像的關鍵技術[A];第十八屆華東六省一市測繪學會學術交流會江蘇優(yōu)秀論文集[C];2016年

3 檀靜;李云梅;;基于環(huán)境一號衛(wèi)星多光譜影像數(shù)據(jù)的三湖一庫總懸浮物濃度反演[A];第十六屆中國環(huán)境遙感應用技術論壇論文集[C];2012年

4 羅旭東;;多光譜影像分析技術在生物醫(yī)學領域的應用[A];廣東省生物物理學會2013年學術研討會論文集[C];2013年

5 陳君穎;田慶久;;高分辨率遙感植被分類模式研究[A];第十五屆全國遙感技術學術交流會論文摘要集[C];2005年

6 姚霞;劉勇;王妮;程濤;田永超;曹衛(wèi)星;朱艷;;基于無人機遙感的小麥氮素營養(yǎng)和生長監(jiān)測[A];2014年中國作物學會學術年會論文集[C];2014年

7 鐘志勇;陳鷹;黎運高;;分辨率相差較大的衛(wèi)星影像融合方法研究[A];中國圖象圖形學會第十屆全國圖像圖形學術會議（CIG’2001）和第一屆全國虛擬現(xiàn)實技術研討會（CVR’2001）論文集[C];2001年

8 施擁軍;周國模;徐文兵;;多源遙感影像林分類型分類精度研究[A];首屆中國林業(yè)學術大會論文集[C];2005年

9 康停軍;武文波;姚靜;;四種遙感影像數(shù)據(jù)融合方法的比較分析[A];計算機技術與應用進展·2007——全國第18屆計算機技術與應用（CACIS）學術會議論文集[C];2007年

10 封靜;季民河;胡笳;;基于高分分辨遙感的紅樹林郁閉度光譜混合分析[A];第十七屆中國遙感大會摘要集[C];2010年

相關重要報紙文章 前2條

1 劉曉軍;北京：一號小衛(wèi)星迅速完成衛(wèi)星成像任務[N];科技日報;2008年

2 記者 楊蕾;2012年宇航發(fā)射“開門紅”[N];中國航天報;2012年

相關博士學位論文 前3條

1 黃登山;像素級遙感影像融合方法研究[D];中南大學;2011年

2 張瑛;基于統(tǒng)一理論框架的遙感影像融合方法研究[D];電子科技大學;2009年

3 張志新;地球同步軌道衛(wèi)星遙感圖像艦船檢測與運動監(jiān)測[D];中國科學院大學(中國科學院遙感與數(shù)字地球研究所);2017年

相關碩士學位論文 前10條

1 衛(wèi)淑波;基于Contourlet殘差網(wǎng)和蟻群優(yōu)化算法的多光譜影像分類[D];西安電子科技大學;2019年

2 劉蕊;阜新市重點沙化地區(qū)遙感監(jiān)測與應用研究[D];遼寧工程技術大學;2016年

3 吳昊;高分辨率衛(wèi)星多光譜影像的云雪分離研究[D];武漢大學;2018年

4 劉彥君;基于無人機多光譜影像的小微水域水質要素反演[D];浙江農(nóng)林大學;2019年

5 柴勃隆;多光譜影像調查在莫高窟壁畫保護中的應用研究[D];蘭州大學;2013年

6 阿也提古麗·斯迪克;寧夏平羅土壤含鹽量遙感估算方法研究[D];南京大學;2011年

7 張黎寧;基于像素層的SPOT5全色與多光譜影像融合研究[D];南京林業(yè)大學;2006年

8 白楊;不透水面在城市建成區(qū)提取及擴展分析中的應用[D];遼寧工程技術大學;2013年

9 肖劍偉;基于多光譜影像的巖性信息提取技術研究[D];中國地質大學（北京）;2008年

10 范文婷;基于小波變換的遙感影像融合方法研究[D];中國地質大學（北京）;2008年

本文編號：2620113