卷积神经网络在高分辨率卫星影像地表覆盖分类中的应用研究

发布时间：2023-06-16 19:38

　　地表覆盖是一种重要的地理信息资源,是自然资源监测、国土空间规划、地理国情普查、宏观调控分析等不可或缺的重要信息。近年来高分辨率卫星影像数据获取能力不断增强,为地表覆盖分类提供了坚实的数据基础。然而在实际应用中,大量的地表覆盖分类仍然依靠人工解译处理,难以满足当前大尺度、海量影像地表覆盖分类处理与提取的要求。为了满足高效、准确、自动化的地表覆盖分类应用要求,本文围绕地表覆盖分类问题,研究了利用卷积神经网络进行高分辨率卫星影像地表覆盖分类的关键技术,提出了基于卷积神经网络的地表覆盖分类具体方法,提高了地表覆盖分类精度与效率。论文主要研究内容如下:(1)结合高分辨率卫星影像特点与地表覆盖分类要求,研究了卷积神经网络地表覆盖语义分割方法、特征提取方法与分类方法。研究并设计了包含编码与解码结构的地表覆盖分类卷积神经网络(LCC-CNN)。LCC-CNN通过增加多尺度特征感知模块与多尺度特征融合模块,强化了对多尺度地表覆盖分类特征的提取与融合。通过融合低层特征信息,改进损失函数,强化了图斑边缘学习与分类效果,增强了 LCC-CNN的地表覆盖分类能力。(2)根据遥感影像数据特点,研究了地表覆盖分类训...

【文章页数】：148 页

【学位级别】：博士

【文章目录】：
中文摘要
Abstract
第1章 引言
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 地表覆盖分类研究进展
        1.2.2 深度卷积神经网络研究进展
        1.2.3 深度卷积神经网络在地表覆盖分类的应用进展
        1.2.4 当前研究中存在的主要问题
    1.3 研究内容及技术路线
        1.3.1 研究内容
        1.3.2 技术路线
    1.4 论文组织结构
第2章 基于卷积神经网络的地表覆盖分类方法
    2.1 卷积神经网络原理
        2.1.1 卷积神经网络特征提取方法
        2.1.2 误差反向传播算法
        2.1.3 卷积神经网络图像语义分割方法
    2.2 基于卷积神经网络的地表覆盖分类模型构建方法
        2.2.1 LCC-CNN特征提取方法
        2.2.2 LCC-CNN解码与分类方法
        2.2.3 LCC-CNN训练算法
    2.3 本章小结
第3章 卷积神经网络训练样本增广方法
    3.1 数据源与实验区域的选取
    3.2 训练样本的制作与精化
        3.2.1 试验区地表覆盖分类原则
        3.2.2 基础训练样本的制作与外业核查
    3.3 训练样本数据增广方法
        3.3.1 几何变换数据增广方法
        3.3.2 像素变换数据增广方法
        3.3.3 有效增广数据筛选算法
    3.4 代价敏感学习
    3.5 实验与分析
        3.5.1 实验数据与实验环境
        3.5.2 训练样本精化效果实验
        3.5.3 训练样本增广实验
        3.5.4 实验结论
    3.6 本章小结
第4章 LCC-CNN的训练与地表覆盖分类优化
    4.1 LCC-CNN输入特征优化方法
        4.1.1 地表覆盖特征扩充方法
        4.1.2 地表覆盖特征筛选方法
    4.2 卷积神经网络的训练优化方法
        4.2.1 随机梯度下降
        4.2.2 批归一化
        4.2.3 参数初始化
        4.2.4 迁移学习与微调
    4.3 LCC-CNN后处理优化方法
        4.3.1 条件随机场后处理方法
        4.3.2 地表覆盖分类后处理方法
    4.4 LCC-CNN地表覆盖分类实验与分析
        4.4.1 LCC-CNN地表覆盖分类实验
        4.4.2 地表覆盖分类效率对比实验
        4.4.3 地表覆盖分类实验结论
    4.5 LCC-CNN在甘蔗种植面积监测中的应用
        4.5.1 LCC-CNN在甘蔗种植面积监测中的训练过程
        4.5.2 LCC-CNN在甘蔗种植面积监测应用中的精度评价与对比分析
        4.5.3 LCC-CNN在甘蔗种植面积监测中的应用效果
    4.6 本章小结
第5章 基于LCC-CNN的多时相修正地表覆盖分类
    5.1 多时相修正地表覆盖分类方法原理
    5.2 基于并行网络的多时相地表覆盖分类修正算法
        5.2.1 并行网络的构建方法
        5.2.2 多时相修正分类算法
    5.3 多时相修正分类算法在地理国情监测中的应用
        5.3.1 实验数据与环境
        5.3.2 多时相修正算法实验与分析
        5.3.3 多时相修正地表覆盖分类方法在地理国情监测中的应用效果
        5.3.4 应用结论与讨论
    5.4 本章小结
第6章 结论与展望
    6.1 主要研究内容与结论
    6.2 主要创新点
    6.3 展望
致谢
参考文献
附录



本文编号：3833862