基于全卷积神经网络的遥感图像语义分割及变化检测方法研究
发布时间：2022-12-04 06:55
随着航空航天技术的快速发展,各种各样的卫星遥感影像层出不穷,高分辨率遥感影像已经成为人类快速实现全球或大区域对地观测的重要数据来源。然而,遥感图像的获取受杂波干扰较大且图像中目标轮廓模糊,同时伴随着遥感图像数据量的指数级增加,对遥感图像的处理技术提出了更高的要求与挑战。近年来,深度学习以其优异的算法性能被广泛应用于图像理解以及视觉分析等领域,它突破了传统计算机视觉算法结构的约束,为遥感图像的处理提供了新的方法。本文主要针对遥感图像的语义分割和SAR图像的变化检测问题进行研究和分析,使用全卷积神经网络实现像素级别端到端的分类,本文的重点包括以下工作:（1）本文针对高分辨率航拍图像的语义分割问题,建立了简化的SegNet网络（R-SegNet）,通过编码-解码网络实现像素级的分类,编码网络提取图像特征,解码网络将特征图映射到原图大小,利用R-SegNet网络实现航拍图像的语义分割。为了进一步提高分割效果,采用以下三种策略进行实验研究:a)将R-SegNet编码网络中每个卷积块的特征信息与解码网络中对应卷积块的特征信息进行融合;b)考虑到高分辨率航拍图像中地物信息的复杂多样性,以及对小目标物...
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 遥感图像语义分割国内外研究现状
1.2.2 SAR图像变化检测国内外研究现状
1.3 主要研究内容与创新
1.4 本文结构安排
第二章 遥感图像处理与深度神经网络
2.1 图像语义分割
2.1.1 概述
2.1.2 图像分割常用方法
2.1.3 图像语义分割的评价标准
2.2 SAR图像变化检测
2.2.1 概述
2.2.2 SAR图像变化检测的流程
2.2.3 变化检测结果评价标准
2.3 深度神经网络
2.3.1 概述
2.3.2 神经网络结构
2.3.3 卷积神经网络(CNN)
2.3.4 全卷积神经网络
2.4 本章小结
第三章 基于全卷积神经网络的遥感图像语义分割
3.1 引言
3.2 全卷积神经网络的遥感图像语义分割算法介绍
3.2.1 全卷积网络结构
3.2.2 基于特征融合的全卷积网络结构
3.2.3 基于R-SegUnet网络的多分类转二分类
3.2.4 基于多分类器的集成学习
3.3 过拟合与迁移学习
3.3.1 防止过拟合
3.3.2 迁移学习
3.4 实验与分析
3.4.1 实验数据及实验环境
3.4.2 网络模型的参数设置
3.4.3 基于R-SegNet网络的实验结果及分析
3.4.4 基于特征融合的R-SegNet网络实验结果及分析
3.4.5 基于R-SegUnet网络的多分类转二分类实验结果及分析
3.4.6 基于多分类器的集成学习实验结果及分析
3.5 本章小结
第四章 基于全卷积神经网络的SAR图像变化检测
4.1 引言
4.2 算法介绍
4.2.1 FCM
4.2.2 FLICM
4.2.3 稀疏自编码器(SAE)
4.3 基于SAE和全卷积网络的SAR变化检测
4.3.1 基于FCM和FLICM的特征聚类
4.3.2 基于SAE的特征学习
4.3.3 基于SegUnet网络的SAR图像变化检测
4.4 实验结果及分析
4.5 本章小结
第五章 总结和展望
5.1 总结
5.2 展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]农业遥感研究现状与展望[J]. 温鹏. 经营管理者. 2017(15)
[2]基于深度卷积神经网络的图像去噪研究[J]. 李传朋,秦品乐,张晋京. 计算机工程. 2017(03)
[3]无人机遥感在我国森林资源监测中的应用动态[J]. 徐誉远,胡爽,王本洋. 林业与环境科学. 2017(01)
[4]“高分五号”卫星光学遥感载荷的技术创新[J]. 范斌,陈旭,李碧岑,赵艳华. 红外与激光工程. 2017(01)
[5]合成孔径雷达影像变化检测研究进展[J]. 公茂果,苏临之,李豪,刘嘉. 计算机研究与发展. 2016(01)
[6]非监督SAR图像变化检测研究最新进展[J]. 吴涛,陈曦,牛蕾,陶利. 遥感信息. 2013(01)
[7]一种基于图的颜色纹理区域分割方法[J]. 孟庆涛,龚声蓉,刘纯平,王朝晖. 中国图象图形学报. 2009(10)
[8]Geometrically robust image watermarking using scale-invariant feature transform and Zernike moments[J]. 李雷达,郭宝龙,邵凯. Chinese Optics Letters. 2007(06)
[9]基于宽光谱光学遥感图像的细分光谱光学遥感图像的模拟[J]. 陈方,牛铮,覃驭楚,付安民. 光电工程. 2007(05)
硕士论文
[1]深度学习在图像识别中的研究及应用[D]. 李卫.武汉理工大学 2014
[2]基于阈值的图像分割研究[D]. 付云凤.重庆大学 2013
[3]基于特征级融合的目标识别方法研究[D]. 王东明.沈阳理工大学 2013
本文编号：3707801
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 遥感图像语义分割国内外研究现状
1.2.2 SAR图像变化检测国内外研究现状
1.3 主要研究内容与创新
1.4 本文结构安排
第二章 遥感图像处理与深度神经网络
2.1 图像语义分割
2.1.1 概述
2.1.2 图像分割常用方法
2.1.3 图像语义分割的评价标准
2.2 SAR图像变化检测
2.2.1 概述
2.2.2 SAR图像变化检测的流程
2.2.3 变化检测结果评价标准
2.3 深度神经网络
2.3.1 概述
2.3.2 神经网络结构
2.3.3 卷积神经网络(CNN)
2.3.4 全卷积神经网络
2.4 本章小结
第三章 基于全卷积神经网络的遥感图像语义分割
3.1 引言
3.2 全卷积神经网络的遥感图像语义分割算法介绍
3.2.1 全卷积网络结构
3.2.2 基于特征融合的全卷积网络结构
3.2.3 基于R-SegUnet网络的多分类转二分类
3.2.4 基于多分类器的集成学习
3.3 过拟合与迁移学习
3.3.1 防止过拟合
3.3.2 迁移学习
3.4 实验与分析
3.4.1 实验数据及实验环境
3.4.2 网络模型的参数设置
3.4.3 基于R-SegNet网络的实验结果及分析
3.4.4 基于特征融合的R-SegNet网络实验结果及分析
3.4.5 基于R-SegUnet网络的多分类转二分类实验结果及分析
3.4.6 基于多分类器的集成学习实验结果及分析
3.5 本章小结
第四章 基于全卷积神经网络的SAR图像变化检测
4.1 引言
4.2 算法介绍
4.2.1 FCM
4.2.2 FLICM
4.2.3 稀疏自编码器(SAE)
4.3 基于SAE和全卷积网络的SAR变化检测
4.3.1 基于FCM和FLICM的特征聚类
4.3.2 基于SAE的特征学习
4.3.3 基于SegUnet网络的SAR图像变化检测
4.4 实验结果及分析
4.5 本章小结
第五章 总结和展望
5.1 总结
5.2 展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]农业遥感研究现状与展望[J]. 温鹏. 经营管理者. 2017(15)
[2]基于深度卷积神经网络的图像去噪研究[J]. 李传朋,秦品乐,张晋京. 计算机工程. 2017(03)
[3]无人机遥感在我国森林资源监测中的应用动态[J]. 徐誉远,胡爽,王本洋. 林业与环境科学. 2017(01)
[4]“高分五号”卫星光学遥感载荷的技术创新[J]. 范斌,陈旭,李碧岑,赵艳华. 红外与激光工程. 2017(01)
[5]合成孔径雷达影像变化检测研究进展[J]. 公茂果,苏临之,李豪,刘嘉. 计算机研究与发展. 2016(01)
[6]非监督SAR图像变化检测研究最新进展[J]. 吴涛,陈曦,牛蕾,陶利. 遥感信息. 2013(01)
[7]一种基于图的颜色纹理区域分割方法[J]. 孟庆涛,龚声蓉,刘纯平,王朝晖. 中国图象图形学报. 2009(10)
[8]Geometrically robust image watermarking using scale-invariant feature transform and Zernike moments[J]. 李雷达,郭宝龙,邵凯. Chinese Optics Letters. 2007(06)
[9]基于宽光谱光学遥感图像的细分光谱光学遥感图像的模拟[J]. 陈方,牛铮,覃驭楚,付安民. 光电工程. 2007(05)
硕士论文
[1]深度学习在图像识别中的研究及应用[D]. 李卫.武汉理工大学 2014
[2]基于阈值的图像分割研究[D]. 付云凤.重庆大学 2013
[3]基于特征级融合的目标识别方法研究[D]. 王东明.沈阳理工大学 2013
本文编号：3707801
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3707801.html