基于深度学习的遥感图像云识别与分割处理技术研究
发布时间：2022-12-25 15:45
近些年来,空间观测技术在卫星传感器、数据获取存储技术的进步带动下得到了快速发展,目前我们可以快速获取并存储海量的高分辨率遥感卫星图像,这些遥感图像已经成为我们人类观察和研究地表生态环境和社会环境的一种重要手段。由于天气因素的影响,云总是不可避免地出现在遥感图像中,降低了图像的质量,极大地影响了卫星遥感图像的应用与发展。面对如此海量的卫星遥感图像,快速、高效、准确地将云识别分割出来,对提高图像的利用率具有重要意义。而深度学习作为人工智能的一个重要分支,目前已经在计算机视觉领域取得了巨大成功。针对上述问题,本文借助深度学习方法围绕遥感图像中的云识别和云分割技术展开研究,主要内容如下:第二章首先阐述了深度学习神经网络的基础理论,详细介绍了卷积神经网络的相关内容,如网络结构、训练过程和常用模型等。然后分析了云层的相关特性,从灰度特性和纹理特性两个方面对云层和下垫面的特征进行提取对比,为后续研究奠定了基础。第三章研究了遥感图像中的云识别问题。面对海量的图像数据,传统的依靠人工进行识别的方法需要消耗巨大的精力和时间,本文提出了一种智能化的云识别方法,借助深度学习卷积神经网络在特征提取上的技术优势,...
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景和意义
1.2 国内外研究现状和发展趋势
1.2.1 云识别技术
1.2.2 云分割技术
1.2.3 深度学习在遥感图像处理中的发展现状
1.3 论文主要工作与组织安排
第二章 深度学习神经网络基本理论与云层特征研究
2.1 引言
2.2 深度学习简介
2.2.1 深度学习发展史
2.2.2 人工神经网络
2.3 卷积神经网络
2.3.1 卷积神经网络的结构
2.3.2 卷积神经网络的训练
2.3.3 卷积神经网络的拟合问题
2.3.4 常用的卷积神经网络模型
2.4 云层特性分析与特征提取
2.4.1 云层的特性分析
2.4.2 云层特征提取方法
2.5 本章小结
第三章 基于卷积神经网络的Landsat-8影像云图识别
3.1 引言
3.2 算法流程
3.3 基于卷积神经网络的云图识别方法
3.3.1 图像预处理
3.3.2 基于卷积神经网络的云图识别模型
3.4 实验与分析
3.4.1 实验数据
3.4.2 实验环境
3.4.3 实验结果与分析
3.5 本章小结
第四章 基于全卷积神经网络的Landsat-8影像云图分割
4.1 引言
4.2 网络模型概述
4.2.1 全卷积神经网络模型
4.2.2 残差神经网络模型
4.3 实验与分析
4.3.1 实验数据与环境
4.3.2 实验结果与分析
4.4 本章小结
第五章 总结与展望
5.1 论文总结
5.2 后续工作展望
致谢
参考文献
作者在学期间取得的学术成果
【参考文献】：
期刊论文
[1]受限玻尔兹曼机的稀疏化特征学习[J]. 康丽萍,许光銮,孙显. 计算机科学. 2016(12)
[2]基于模糊C均值隶属度约束的图像分割算法[J]. 胡嘉骏,侯丽丽,王志刚,俞瑾华,张怡,文颖. 计算机应用. 2016(S1)
[3]深度卷积神经网络的显著性检测[J]. 李岳云,许悦雷,马时平,史鹤欢. 中国图象图形学报. 2016(01)
[4]资源三号测绘卫星自动云检测[J]. 陈振炜,张过,宁津生,唐新明. 测绘学报. 2015(03)
[5]遥感图像云检测方法综述[J]. 侯舒维,孙文方,郑小松. 空间电子技术. 2014(03)
[6]基于SVM模型参数优化的多模态MRI图像肿瘤分割方法[J]. 王晓春,黄靖,杨丰,罗蔓. 南方医科大学学报. 2014(05)
[7]Kmeans聚类与多光谱阈值相结合的MODIS云检测算法[J]. 王伟,宋卫国,刘士兴,张永明,郑红阳,田伟. 光谱学与光谱分析. 2011(04)
[8]基于高斯金字塔的遥感云图多尺度特征提取[J]. 周全,张荣,尹东. 遥感技术与应用. 2010(05)
[9]快速高准确度云检测算法及其应用[J]. 单娜,郑天垚,王贞松. 遥感学报. 2009(06)
[10]纹理分析在红外目标识别中的应用[J]. 胡清平,张建伟. 光学与光电技术. 2009(05)
硕士论文
[1]多光谱遥感图像数据去云方法研究[D]. 沈炀.电子科技大学 2016
[2]卷积神经网络在图像分类中的应用研究[D]. 吴正文.电子科技大学 2015
[3]深度卷积神经网络在车牌和人脸检测领域的应用研究[D]. 张勇.郑州大学 2015
[4]天基大气背景测量处理系统总体设计与数据挖掘方法研究[D]. 于鲲.哈尔滨工业大学 2014
[5]高分辨率卫星遥感图像云检测方法研究[D]. 赵晓.哈尔滨工业大学 2013
[6]基于图像处理的云图分析及云层面积测量[D]. 邓集萱.太原理工大学 2012
本文编号：3726900
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景和意义
1.2 国内外研究现状和发展趋势
1.2.1 云识别技术
1.2.2 云分割技术
1.2.3 深度学习在遥感图像处理中的发展现状
1.3 论文主要工作与组织安排
第二章 深度学习神经网络基本理论与云层特征研究
2.1 引言
2.2 深度学习简介
2.2.1 深度学习发展史
2.2.2 人工神经网络
2.3 卷积神经网络
2.3.1 卷积神经网络的结构
2.3.2 卷积神经网络的训练
2.3.3 卷积神经网络的拟合问题
2.3.4 常用的卷积神经网络模型
2.4 云层特性分析与特征提取
2.4.1 云层的特性分析
2.4.2 云层特征提取方法
2.5 本章小结
第三章 基于卷积神经网络的Landsat-8影像云图识别
3.1 引言
3.2 算法流程
3.3 基于卷积神经网络的云图识别方法
3.3.1 图像预处理
3.3.2 基于卷积神经网络的云图识别模型
3.4 实验与分析
3.4.1 实验数据
3.4.2 实验环境
3.4.3 实验结果与分析
3.5 本章小结
第四章 基于全卷积神经网络的Landsat-8影像云图分割
4.1 引言
4.2 网络模型概述
4.2.1 全卷积神经网络模型
4.2.2 残差神经网络模型
4.3 实验与分析
4.3.1 实验数据与环境
4.3.2 实验结果与分析
4.4 本章小结
第五章 总结与展望
5.1 论文总结
5.2 后续工作展望
致谢
参考文献
作者在学期间取得的学术成果
【参考文献】：
期刊论文
[1]受限玻尔兹曼机的稀疏化特征学习[J]. 康丽萍,许光銮,孙显. 计算机科学. 2016(12)
[2]基于模糊C均值隶属度约束的图像分割算法[J]. 胡嘉骏,侯丽丽,王志刚,俞瑾华,张怡,文颖. 计算机应用. 2016(S1)
[3]深度卷积神经网络的显著性检测[J]. 李岳云,许悦雷,马时平,史鹤欢. 中国图象图形学报. 2016(01)
[4]资源三号测绘卫星自动云检测[J]. 陈振炜,张过,宁津生,唐新明. 测绘学报. 2015(03)
[5]遥感图像云检测方法综述[J]. 侯舒维,孙文方,郑小松. 空间电子技术. 2014(03)
[6]基于SVM模型参数优化的多模态MRI图像肿瘤分割方法[J]. 王晓春,黄靖,杨丰,罗蔓. 南方医科大学学报. 2014(05)
[7]Kmeans聚类与多光谱阈值相结合的MODIS云检测算法[J]. 王伟,宋卫国,刘士兴,张永明,郑红阳,田伟. 光谱学与光谱分析. 2011(04)
[8]基于高斯金字塔的遥感云图多尺度特征提取[J]. 周全,张荣,尹东. 遥感技术与应用. 2010(05)
[9]快速高准确度云检测算法及其应用[J]. 单娜,郑天垚,王贞松. 遥感学报. 2009(06)
[10]纹理分析在红外目标识别中的应用[J]. 胡清平,张建伟. 光学与光电技术. 2009(05)
硕士论文
[1]多光谱遥感图像数据去云方法研究[D]. 沈炀.电子科技大学 2016
[2]卷积神经网络在图像分类中的应用研究[D]. 吴正文.电子科技大学 2015
[3]深度卷积神经网络在车牌和人脸检测领域的应用研究[D]. 张勇.郑州大学 2015
[4]天基大气背景测量处理系统总体设计与数据挖掘方法研究[D]. 于鲲.哈尔滨工业大学 2014
[5]高分辨率卫星遥感图像云检测方法研究[D]. 赵晓.哈尔滨工业大学 2013
[6]基于图像处理的云图分析及云层面积测量[D]. 邓集萱.太原理工大学 2012
本文编号：3726900
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3726900.html
