發(fā)布時(shí)間：2020-04-09 01:45

【摘要】：隨著遙感成像技術(shù)的飛速發(fā)展,獲取到的多光譜影像的分辨率越來(lái)越高,所包含的光譜信息也越來(lái)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(biāo)記困難帶來(lái)的標(biāo)記樣本數(shù)量少的問(wèn)題,給多光譜影像分類帶來(lái)了嚴(yán)重的挑戰(zhàn)。本文針對(duì)上述問(wèn)題,結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò)在圖像特征提取方面的優(yōu)勢(shì),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(luò)的多光譜影像分類方法。針對(duì)多光譜影像中標(biāo)記樣本數(shù)量少的問(wèn)題,該方法提出一種基于ACO算法的訓(xùn)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(shí)針對(duì)多光譜影像中的同物異譜、同譜異物問(wèn)題,本方法還構(gòu)建了一種基于殘差塊的深度殘差網(wǎng)絡(luò)來(lái)進(jìn)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(zhǔn)確率。通過(guò)在溫哥華及西安地區(qū)等四幅多光譜影像上的實(shí)驗(yàn)證明,本方法構(gòu)建的深度殘差網(wǎng)絡(luò)能夠取得比隨機(jī)森林、K最鄰近等傳統(tǒng)分類方法以及LeNet等基于深度學(xué)習(xí)的分類方法更高的總體分類精度,同時(shí)基于ACO算法的采樣策略也優(yōu)于隨機(jī)采樣、聚類采樣等采樣策略。2.提出了一種基于加權(quán)可變形卷積網(wǎng)絡(luò)(Weighted Deformable Convolution Network,WDCNet)的多光譜影像分類方法。針對(duì)多光譜影像中的同物多形問(wèn)題,該方法對(duì)可變形卷積進(jìn)行了改進(jìn),提出了一種基于加權(quán)可變形卷積模塊的深度卷積神經(jīng)網(wǎng)絡(luò)WDCNet。與傳統(tǒng)卷積模塊相比,加權(quán)可變形卷積模塊可以提高神經(jīng)網(wǎng)絡(luò)在提取特征時(shí)的靈活性,提高模型的特征表達(dá)能力。通過(guò)在溫哥華及西安地區(qū)等四幅多光譜影像上的實(shí)驗(yàn)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(xùn)練樣本,可進(jìn)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(duì)WDCNet對(duì)于包含復(fù)雜信息且具有相似形狀的邊緣點(diǎn)難以分類的問(wèn)題,提出將基于NSCT邊緣檢測(cè)的加權(quán)損失函數(shù)作為WDCNet的目標(biāo)函數(shù)進(jìn)行模型訓(xùn)練。首先利用非下采樣輪廓波變換進(jìn)行邊緣檢測(cè),然后根據(jù)邊緣檢測(cè)結(jié)果設(shè)計(jì)出基于邊緣檢測(cè)的加權(quán)損失函數(shù),增大邊緣點(diǎn)損失在總損失中的占比,改善邊緣點(diǎn)的分類效果。通過(guò)在溫哥華及西安地區(qū)等四幅多光譜影像上的實(shí)驗(yàn)證明,利用NSCT進(jìn)行邊緣檢測(cè)的分類效果好于Canny算子、Sobel算子等邊緣檢測(cè)算子,同時(shí)利用加權(quán)損失函數(shù)訓(xùn)練出來(lái)的模型的分類效果好于傳統(tǒng)交叉熵?fù)p失函數(shù)訓(xùn)練出來(lái)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(cè)試結(jié)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(duì)比算法在圖像2上的測(cè)試結(jié)果的評(píng)價(jià)指2.10中可以看出，基于隨機(jī)采樣分類網(wǎng)絡(luò)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(zhǔn)確率分別3.88%，與其他類別相比仍然有很大的改進(jìn)空間。通過(guò)實(shí)驗(yàn)2、1的對(duì)比可以看出，基于蟻群優(yōu)化算法的采樣策略對(duì)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(dá)到了最好的分類效果，，分類準(zhǔn)確率為96.97法能夠?qū)⒋�只的相似像素點(diǎn)更好的聚合在一起，從而提高這5的本章算法與實(shí)驗(yàn)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(duì)每一類地物目標(biāo)的分類效

(d)聚類采樣(e)本章算法圖2.14圖像2上的測(cè)試結(jié)果圖提出的算法和其他對(duì)比算法在圖像3上的測(cè)試結(jié)果的評(píng)價(jià)指表2.11圖像3上的10次實(shí)驗(yàn)平均性能結(jié)果表實(shí) 驗(yàn)序 號(hào)1 2 3 4 5方 法 隨機(jī)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(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP751;TP18

【相似文獻(xiàn)】

相關(guān)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(xué)習(xí)的全色與多光譜影像融合[J];測(cè)繪與空間地理信息;2017年03期

2 李雪;舒寧;;一種改進(jìn)的多光譜影像模糊加權(quán)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(qiáng)的融合方法[J];遙感技術(shù)與應(yīng)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(xué)報(bào);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(cè)繪通報(bào);1997年05期

6 汪愛華;遲耀斌;王智勇;伍菲;王曉明;李麗;嚴(yán)明;;北京1號(hào)小衛(wèi)星多光譜影像全國(guó)鑲嵌技術(shù)與制圖研究[J];遙感學(xué)報(bào);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(xué);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(hào)衛(wèi)星全色與多光譜影像融合方法[J];測(cè)繪通報(bào);2015年01期

相關(guān)會(huì)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(hào)衛(wèi)星平臺(tái)震顫?rùn)z測(cè)方法研究[A];第四屆高分辨率對(duì)地觀測(cè)學(xué)術(shù)年會(huì)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(guān)鍵技術(shù)[A];第十八屆華東六省一市測(cè)繪學(xué)會(huì)學(xué)術(shù)交流會(huì)江蘇優(yōu)秀論文集[C];2016年

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

4 羅旭東;;多光譜影像分析技術(shù)在生物醫(yī)學(xué)領(lǐng)域的應(yīng)用[A];廣東省生物物理學(xué)會(huì)2013年學(xué)術(shù)研討會(huì)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(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)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(wú)人機(jī)遙感的小麥氮素營(yíng)養(yǎng)和生長(zhǎng)監(jiān)測(cè)[A];2014年中國(guó)作物學(xué)會(huì)學(xué)術(shù)年會(huì)論文集[C];2014年

7 鐘志勇;陳鷹;黎運(yùn)高;;分辨率相差較大的衛(wèi)星影像融合方法研究[A];中國(guó)圖象圖形學(xué)會(huì)第十屆全國(guó)圖像圖形學(xué)術(shù)會(huì)議（CIG’2001）和第一屆全國(guó)虛擬現(xiàn)實(shí)技術(shù)研討會(huì)（CVR’2001）論文集[C];2001年

8 施擁軍;周國(guó)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(guó)林業(yè)學(xué)術(shù)大會(huì)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(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國(guó)第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)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(guó)遙感大會(huì)摘要集[C];2010年

相關(guān)重要報(bào)紙文章 前2條

1 劉曉軍;北京：一號(hào)小衛(wèi)星迅速完成衛(wèi)星成像任務(wù)[N];科技日?qǐng)?bào);2008年

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

相關(guān)博士學(xué)位論文 前3條

1 黃登山;像素級(jí)遙感影像融合方法研究[D];中南大學(xué);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(xué);2009年

3 張志新;地球同步軌道衛(wèi)星遙感圖像艦船檢測(cè)與運(yùn)動(dòng)監(jiān)測(cè)[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院遙感與數(shù)字地球研究所);2017年

相關(guān)碩士學(xué)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(xué);2019年

2 劉蕊;阜新市重點(diǎn)沙化地區(qū)遙感監(jiān)測(cè)與應(yīng)用研究[D];遼寧工程技術(shù)大學(xué);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(xué);2018年

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

5 柴勃隆;多光譜影像調(diào)查在莫高窟壁畫保護(hù)中的應(yīng)用研究[D];蘭州大學(xué);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(xué);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(xué);2006年

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

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

本文編號(hào)：2620113