發(fā)布時(shí)間：2024-06-28 20:03

　　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(shè)等領(lǐng)域提供較好的決策支持。近年來,隨著高分二號(hào)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(yīng)用的深入,傳統(tǒng)的面向?qū)ο筮b感模式識(shí)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(yīng)用領(lǐng)域的進(jìn)一步拓展。本文以深度神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),對(duì)于傳統(tǒng)面向?qū)ο筮b感模式識(shí)別技術(shù)進(jìn)行擴(kuò)展和延伸。主要包含以下三點(diǎn):(一)建立基于深度神經(jīng)網(wǎng)絡(luò)的面向?qū)ο筮b感分類的基本框架:1)針對(duì)深度神經(jīng)網(wǎng)絡(luò),提出一種兼具了對(duì)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(luò)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(duì)于深度神經(jīng)網(wǎng)絡(luò)提取的遙感影像對(duì)象特征圖進(jìn)行了分析,論證了深度神經(jīng)網(wǎng)絡(luò)應(yīng)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(luò)分類算法:1)針對(duì)高空間分辨率遙感數(shù)據(jù)的特點(diǎn),設(shè)計(jì)兩路不同的深度卷積神經(jīng)網(wǎng)絡(luò)用于提取空間特征和光譜特征并進(jìn)行分類;2)從特征級(jí)的集成學(xué)習(xí)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(luò)分類框架;3)最終通過互補(bǔ)...

【文章頁數(shù)】：72 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1UCM數(shù)據(jù)集示意圖

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

圖1-2目標(biāo)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(jìn)行特征提取。然而，局部對(duì)象信息是無法用整幅遙感場景的低層特征來進(jìn)行表達(dá)，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(duì)象遙感分類就是通過影像分割算法提取遙感影像對(duì)象，分類目標(biāo)并提取相關(guān)光譜、紋理等特征，最終利用專家經(jīng)驗(yàn)等方法進(jìn)行分類。度神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)起源于人工神經(jīng)網(wǎng)絡(luò)，隨著人工神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)化和求解越來越困難。隨著對(duì)于人腦機(jī)制的不斷研究，許多結(jié)構(gòu)比如卷積神經(jīng)網(wǎng)絡(luò)，其對(duì)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(gè)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(hào)，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(hào)。其中：=∑=()組輸入信號(hào)輸入到神經(jīng)元模型....

本文編號(hào)：3996612