基于多源遥感数据的地物分类研究
这是一篇关于地物分类,深度学习,波段组合,卷积神经网络,特征提取结构的论文, 主要内容为近年来,随着传感器技术的发展和遥感卫星的发射,遥感图像的数量和质量大幅提升,获取难度逐步下降,不同类型的遥感图像已被广泛应用在资源勘探、环境保护、地物分类、军事等领域。因为不同传感器的分辨率及成像原理的差异,不同类型的遥感图像的应用效果有优有劣。在遥感图像分类领域,基于高分辨率的光学遥感影像已经取得了一定的成功。但是,因为光学影像易受自然环境的影响以及不同地物类型有着相似的光谱信息使得地物类型分类有较大的难度,而合成孔径雷达不受自然环境的限制,可以全天候的获得遥感数据,从而获得不同地物的后向散射特征。为综合利用不同类型遥感图像的优势,本文将光学遥感影像和合成孔径雷达(Synthetic Aperture Radar,SAR)遥感影像进行波段组合实现影像之间的信息互补,然后通过深度学习的方法对光学遥感影像、SAR遥感影像及两者的组合影像进行地物分类研究。论文的主要工作和研究成果如下:(1)数据预处理与数据集的制作。本文所选定的研究区为宁夏回族自治区的泾源县和隆德县。该区域有丰富的地物类型,且是宁夏地区的旅游胜地,对该区域进行地物分类研究对城市的发展和生态文明建设有重大的意义。数据方面选择欧洲航天局(European Space Agency,ESA)开源的哨兵一号(Sentinel-1)SAR数据、哨兵二号(Sentinel-2)光学数据以及地理空间数据云开源的数字高程数据(Digital Elevation Model,DEM)作为本文的数据源。数据下载完成后,首先通过ENVI 5.3和SARscape插件对遥感数据进行预处理,然后对遥感数据进行裁剪以及进行数据波段组合。因为研究区平均海拔处于1608m～2942m之间,所以在地理编码和辐射定标预处理操作中需要对应区域的DEM数据消除地形畸变,最后对裁剪后的三种图像使用Label me软件进行标注并进行数据增强,为后续的地物分类实验提供技术支撑和数据准备。(2)基于全卷积神经网络的多源遥感数据地物分类研究。该部分研究内容是基于像素级的地物分类,分类网络选择卷积神经网络中具有代表性的U-Net和DeepLabV3网络,并使用这两种网络分别对Sentinel-1数据集、Sentinel-2数据集以及两者的波段组合数据集进行地物分类实验与分析。U-Net网络在Sentinel-2光学数据集上的分类精度是87.21%,在Sentinel-1 SAR数据的分类精度是83.68%,在光学和SAR的组合数据集上的分类精度是90.38%;DeepLabV3网络在Sentinel-2光学数据上的分类精度是73.69%,在Sentinel-1 SAR数据的分类精度是74.53%,在光学和SAR的组合数据上的分类精度是80.23%。(3)基于改进U-Net网络的多源遥感数据地物分类研究。虽然U-Net和DeepLabV3网络在三种数据集上取得了较好的分类效果,但存在错分以及对面积占比较小的地物类型的识别精度并不理想的情况。针对这种情况,本文在U-Net网络的基础上,从特征提取结构、激活函数以及Max Pool三方面入手,提出C-S-U-Net网络,实验结果表明:组合数据集的精度优于单一数据集,且本文提出的网络在组合数据集、Sentinel-1数据集和Sentinel-2数据集的验证精度分别达到了90.89%、86.09%和 89.05%,与 U-Net 相比,分别提高了 0.51%、2.41%和 1.84%。
基于Sentinel-2数据的采煤沉陷湿地监测研究——以淮南矿区为例
这是一篇关于采煤沉陷湿地,Sentinel-2,地物分类,水深反演,决策树,SSA-BP神经网络模型的论文, 主要内容为高潜水位地区采煤沉陷湿地作为自然湿地的一种补充,能缓解湿地减少带来的生态环境问题,对采煤沉陷湿地中各要素的精准识别与监测,可以为沉陷湿地空间格局量化和湿地生态系统保护管理提供决策信息,对采煤沉陷湿地的综合治理和生态修复具有重要意义。本文以Sentinel-2多光谱影像为主要数据源,针对沉陷湿地地物分类和湿地水体水深反演技术展开研究。通过构建综合多种特征变量的决策树模型,对采煤沉陷湿地地物进行分类,并通过与常规监督分类方法比较对模型做出评价。为探求适用于采煤沉陷湿地水体水深反演的方法,应用麻雀搜索算法(Sparrow Search Algorithm,SSA)优化BP神经网络模型进行水深提取,并对模型水深反演精度进行对比分析。论文主要研究成果如下:(1)基于中海达i Boat BS2无人测量船进行水深采样,以格网状航线设计和5 m间隔的打标点法记录水深数据2539条,借助Hi-max水深数据处理软件和Arc GIS平台,拟合出测深区域的水下地形。为使水深数据能应用于遥感水深反演模型的训练和检验,将无人测量船获取的水深点与Sentinel-2影像像元进行匹配,最终获得415个水深-反射率数据组。(2)通过分析沉陷湿地中地物光谱特征,构建了结合改进的归一化水体指数(Modified Normalized Difference Water Index,MNDWI)、归一化植被指数(Normalized Difference Vegetation Index,NDVI)、第一主成分(The first principal component,PC1)和水生植被指数(Aquatic Vegetation Index,AVI)的决策树模型,并对比分析其与分类与回归树、支持向量机、神经网络模型的分类结果。结果显示,决策树模型对研究区地物分类的总体精度为83.1%,Kappa系数为0.78,与支持向量机、神经网络和分类与回归树算法相比,决策树模型分类的总体精度分别高3.1%、8.7%和5.7%,Kappa系数分别高0.05、0.12和0.07。其中沉陷湿地信息提取的难度主要在于两类水生植被的提取,决策树方法通过先验知识和阈值设置的灵活性,取得了比支持向量机更好的分类效果,挺水植被和浮叶植被的制图精度分别比支持向量机高出13.3%和4.3%。(3)利用麻雀搜索算法的位置寻优能力,不断调整BP神经网络的隐含层节点数,搜寻最优的权重值和偏置项,从而缩小模型输出值与期望值的误差,提高模型收敛速度。通过相关性分析选出相关系数高于0.8的四个反演因子B3、ln(B3)、B3*B4、ln(B3*B4),基于反演因子构建遥感水深反演的线性模型和SSA-BP神经网络模型。水深反演结果表明,无论是基于单因子建模还是基于多因子建模,SSA-BP神经网络模型都要优于线性模型。在构建的所有模型中,多因子SSA-BP神经网络模型反演结果的拟合优度(the coefficient of determination,R2)、均方根误差(the root-mean-square error,RMSE)、平均绝对误差(the mean absolute error,MAE)三种指标都是最优的,其值分别为0.776、0.444 m、0.349 m。单因子SSA-BP神经网络模型中,基于反演因子B3模型反演精度最高,R2、RMSE、MAE分别为0.741、0.477 m、0.382 m。SSA-BP神经网络模型与线性模型相比,基于多因子构建的模型R2提高了0.058,RMSE减少了0.055 m,基于单因子构建的模型R2提高了0.02～0.036,RMSE减少了0.170 m～0.032 m。图[28]表[14]参[82]
基于深度学习的遥感图像地物提取技术研究与应用
这是一篇关于解译平台,地物分类,语义分割,遥感图像数据集的论文, 主要内容为伴随着遥感影像技术的快速发展,遥感图像的分辨率不断提高,数据量急剧增加,传统的地物分类技术在面对高分辨率遥感图像的解译时逐渐显得捉襟见肘;同时,作为计算机视觉领域的重要组成部分,深度学习近几年来获得了广泛关注和迅速发展,基于深度学习的语义分割技术则已成为计算机图像处理领域和深度学习领域中热门的研究方向。本文结合高分辨率遥感影像的特性,并基于深度学习基本理论,分析并对比了现有的语义分割网络在遥感图像地物提取任务中的表现,并对模型进行了改进,将其应用到了高分辨率遥感图像处理领域,极大提升了遥感图像地物分类任务的处理速度。在此基础上,本文设计并完成了基于深度学习的智能遥感解译平台,能够自动对高分辨率遥感图像进行智能解译。本文的主要内容如下:(1)建立了能够用于深度学习训练的遥感影像语义分割数据集。本文针对现有的高分辨率遥感图像和人工标注的矢量文件,通过开发相应的格式转换算法,将矢量文件转化为可以用于深度学习的真值图标签,同时将遥感图像进行了切割和数据增广,最终构建出了可以用于深度学习训练的大型遥感图像语义分割数据集。(2)本文通过对经典语义分割网络FCN、U-Net、Deeplabv3+进行分析和对比,并在此基础上提出了改进的U-Net模型,将扩张卷积的概念融合到了 U-Net中,将U-Net中的转置卷积上采样替换为无参数的双线性差值上采样,从而在降低参数量的基础上使模型精度达到了和DeeplabV3+同一水平,提升了模型训练和预测的速度。(3)本文设计并实现了基于语义分割的智能遥感解译平台。利用TensorFlow构建了深度学习模型,通过Django和Vue等web框架实现了遥感解译平台。针对耕地、自然资源、道路和房屋四种类型的遥感图像,本平台实现了数据上传、数据预览、自动解译、结果预览、结果下载等功能,本平台还支持历史任务的查看和下载。最后,本文对智能遥感解译平台进行了系统测试和界面展示。
基于深度学习的遥感图像地物提取技术研究与应用
这是一篇关于解译平台,地物分类,语义分割,遥感图像数据集的论文, 主要内容为伴随着遥感影像技术的快速发展,遥感图像的分辨率不断提高,数据量急剧增加,传统的地物分类技术在面对高分辨率遥感图像的解译时逐渐显得捉襟见肘;同时,作为计算机视觉领域的重要组成部分,深度学习近几年来获得了广泛关注和迅速发展,基于深度学习的语义分割技术则已成为计算机图像处理领域和深度学习领域中热门的研究方向。本文结合高分辨率遥感影像的特性,并基于深度学习基本理论,分析并对比了现有的语义分割网络在遥感图像地物提取任务中的表现,并对模型进行了改进,将其应用到了高分辨率遥感图像处理领域,极大提升了遥感图像地物分类任务的处理速度。在此基础上,本文设计并完成了基于深度学习的智能遥感解译平台,能够自动对高分辨率遥感图像进行智能解译。本文的主要内容如下:(1)建立了能够用于深度学习训练的遥感影像语义分割数据集。本文针对现有的高分辨率遥感图像和人工标注的矢量文件,通过开发相应的格式转换算法,将矢量文件转化为可以用于深度学习的真值图标签,同时将遥感图像进行了切割和数据增广,最终构建出了可以用于深度学习训练的大型遥感图像语义分割数据集。(2)本文通过对经典语义分割网络FCN、U-Net、Deeplabv3+进行分析和对比,并在此基础上提出了改进的U-Net模型,将扩张卷积的概念融合到了 U-Net中,将U-Net中的转置卷积上采样替换为无参数的双线性差值上采样,从而在降低参数量的基础上使模型精度达到了和DeeplabV3+同一水平,提升了模型训练和预测的速度。(3)本文设计并实现了基于语义分割的智能遥感解译平台。利用TensorFlow构建了深度学习模型,通过Django和Vue等web框架实现了遥感解译平台。针对耕地、自然资源、道路和房屋四种类型的遥感图像,本平台实现了数据上传、数据预览、自动解译、结果预览、结果下载等功能,本平台还支持历史任务的查看和下载。最后,本文对智能遥感解译平台进行了系统测试和界面展示。
基于深度学习的遥感影像地物分类方法研究
这是一篇关于深度学习,遥感图像,地物分类,语义分割,轻量级网络的论文, 主要内容为利用遥感影像进行高效、精准的地物覆盖分类在环境保护、城市规划、土地利用、自然灾害防治等实际应用中具有重要意义。近年来,得益于强大的特征归纳学习能力,以CNN为代表的深度学习方法虽然在精度上大幅超越传统方法,但也引入了过多的参数,阻碍了模型的部署应用。另外一方面,在多尺度、数据质量、模型性能等因素的影响下,现有深度学习方法的普适性及分割精度仍不够高,高精度的地物覆盖分类仍面临诸多挑战。基于此,本文围绕深度学习技术在遥感图像地物覆盖分类研究中存在的不足进行深入的研究,主要研究工作和内容如下:1、本文提出了一种基于注意力增强和密集多尺度的地物分类网络模型,旨在解决由多尺度及模型性能导致的遥感图像分割结果不够精细的问题。该模型能够更好地分离光谱相似性地物,有效提高了分割的准确性和可靠性。首先,在编码器阶段,基于密集网络的思想设计了一种注意力增强的密集空洞金字塔池化结构,以此来扩大模型的感受野,同时,在平均池化层后引入双重注意力机制来帮助遥感图像在特征表示能力和空间定位精度之间取得平衡。在编码器阶段采用了密集连接的方式充分利用图像的多尺度信息。最终,与其他网络模型的对比实验验证了所提的方在精度和可视化效果方面优于同类型或主流的遥感图像地物覆盖分类模型。2、为解决深度学习在遥感图像地物分类中推理速度慢的问题,本文提出了一种基于多尺度和边缘感知的轻量级地物分类网络模型。该方法以编码器-解码器为架构,在编码器阶段,该模型使用兼顾特征提取效果的轻量级分类网络Res Net-18作为骨干网提取图像特征。在解码器阶段,该方法充分利用了低分辨率特征图的语义信息和高分辨率特征图的空间信息。同时,还通过边缘感知的损失函数来辅助监督语义分割主任务学习。通过这种方式,该模型不仅可以充分利用图像的语义、空间和边缘信息,还可以规避其在推理时速度慢、内存占用高的缺点。实验结果表明,该方法在识别精度和推理速度之间取得了平衡,可以满足遥感影像实时地物分类的需求。3、基于PyQt5平台,对本文提出的遥感图像地物分类方法和对比实验中的方法进行了集成,实现了遥感影像地物分类的自动化和可视化。
基于无人机遥感影像的地物分类研究
这是一篇关于无人机遥感,可见光影像,地物分类,分类方法,尺度效应的论文, 主要内容为随着无人机平台的出现及发展,高时空分辨率遥感影像的获取成为可能,而无人机遥感也为地物分类研究提供一种新的思路。准确地获取地物信息在国土利用调查与城乡规划制图以及土地政策制定等方面具有重要应用。目前存在的分类算法众多,如何选取合适的分类方法与空间分辨率进行地物分类成为遥感解译工作中一个亟待解决的科学问题。本研究以无人机遥感影像为数据来源,以ENVI、e Cognition Developer等专业遥感影像处理软件和Python为实验平台,选取福建省三明市宁化县城郊乡与翠江镇交界处为研究区,围绕“无人机遥感在地物分类的应用”展开研究,主要研究内容及成果如下:(1)利用四种基于像元的分类方法(MD、ML、SVM、RF)进行地物信息的分类提取,研究结果表明:RF法的分类效果和分类精度在4种分类方法中最优,并以不同程度地优于其他3种分类方法。(2)采用ESP2工具确定最优分割尺度、利用基于距离度量的特征选择方法进行特征优选、辅以设计的EGRBDI指数,分别基于面向对象的4种机器学习方法(KNN、CART、SVM、RF)进行基于面向对象的地物分类精度对比分析研究,研究结果表明:RF分类算法对应的分类效果和分类精度最优,总体精度均在89%以上;相比基于全部特征参与分类过程,经过特征优选后的不同地物分类精度有不同程度地提高;EGRBDI指数能有效地增强目视分类效果并提高地物分类精度。(3)基于Python脚本语言自制的深度学习的样本数据集,经过多次实验确定模型参数,并对U-Net和Seg Net模型进行网络训练,进而开展地物分类的精度对比分析研究,最后对比分析基于像元、基于面向对象和基于深度学习3种类型分类方法的分类精度,结果表明:U-Net模型获得的地物分类精度比Seg Net模型更高,收敛速度更快,在节省时间成本的同时还能获得更高的分类精度;U-Net模型对应的分类精度在3种类型分类方法中最佳。(4)采用定量评价的方式评估不同重采样方法对影像质量影响的大小以确定本研究的重采样方式,再基于面向对象的RF算法和基于深度学习的U-Net模型对不同分辨率的影像进行地物分类,初步探讨无人机影像地物分类的尺度效应,研究结果表明:随着空间分辨率的降低,地物分类的效果和分类精度存在不同程度地降低且具有一定波动性;分辨率的变化对U-Net模型的分类精度影响更大;分辨率的变化对纹理信息较为复杂的无人机影像的地物分类精度影响更大。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码海岸 ，原文地址：https://m.bishedaima.com/lunwen/52774.html
