卫星遥感影像自动云检测算法研究
这是一篇关于云检测,深度学习,超像素分割,云去除的论文, 主要内容为随着我国卫星遥感技术的快速发展以及卫星数量的增多,所拍摄的遥感影像越来越多,卫星遥感影像应用范围越来越广阔,涉及的领域也越来越多,涵盖了土地督察、城镇规划、地形导航等。然而,所拍摄的遥感影像无可避免的会受到云层的干扰,造成遥感影像中的地物被云层遮挡,对遥感影像后续目标识别、地形匹配导航等工作产生较大影响。云检测作为遥感影像处理的重要环节,要能够准确提取遥感影像中的云,作为云去除的依据,为后续影像处理提供便利。深度学习方法可以地从大规模数据集中提取目标的浅层和深层特征,应用于云检测时,与传统方法相比云检测精度更高,适用范围更广。本文采用基于深度学习的方法对遥感影像中的云进行准确检测,并根据检测结果设计了云去除算法。主要研究内容如下:(1)针对开源遥感影像云检测数据集缺乏且质量不佳等问题,本文利用高分系列卫星、资源系列卫星所拍摄的遥感影像,采用超像素分割方法勾勒云边界,再对勾勒出的云边界进行手工标注,生成对应的标签图,独立制作了高质量的遥感影像云检测数据集。(2)针对传统云检测方法适用范围小、检测精度低等问题,本文提出一种基于U-net的遥感影像云检测方法。利用VGG16网络代替U-net的特征提取网络,以提取更深层次的云的特征信息,并对输入的影像进行高斯渐进模糊处理,分离背景影像,减弱对云目标的影响,提升云检测的精度。(3)针对雪、盐碱地等白色地物干扰导致遥感影像云检测精度下降的问题,本文提出了一种基于U-net3+的抗干扰云检测算法。通过对U-net3+的网络结构进行改进,提出新的损失函数,加强特征融合,解决样本数量不均衡问题,有效排除不同地貌遥感影像中的各类干扰信息,准确检测遥感影像中的云。采用本文算法对遥感影像中的云进行检测,再利用同一地区不同时相的遥感影像替换云区域,并进行局部滤波处理,使得替换后的影像更加平滑,最大程度减少失真率,完成遥感影像云去除。
深度图像的双模态联合修复算法研究
这是一篇关于双模态联合修复,改进卷积自编码器,排序填充框架,超像素分割,最大似然估计的论文, 主要内容为近年来,深度图像被广泛用在无人驾驶技术、三维场景的重建、人脸建模等多个领域,而如何提升现场采集的深度图像的质量始终是相关领域的学者们最为关心的问题之一。在诸多深度图像修复算法中,与实际应用密切相关的实时性、鲁棒性和精确性始终是此类算法的核心评估标准以及改进的突破口。本文以修复深度图像中存在的孔洞和噪声为切入点,采用了双模态联合修复的策略,重点针对深度图像修复的实时性、鲁棒性和精确性三个方面展开对深度图像修复算法的研究工作,具体内容如下:(1)针对深度图像修复的实时性要求,本文提出了基于改进卷积自编码器的修复方法,该方法借鉴了 VGG模型和U-Net模型的网络特点,通过一系列参数设定和模型选取等步骤,确定了最优网络模型CAE-BF16-Berhu。在Middlebury深度图像数据集上的测试结果表明,此方法与传统修复算法相比,极大地提升了修复速度。(2)面对深度图像修复的鲁棒性要求,本文提出了基于排序填充框架的轻量级深度图像修复算法,该算法在对彩色图像和深度图像进行配准之后,创新性地将色彩信息和深度信息相结合,提出一种基于双模态联合条件熵的算法对无效点的填充优先级进行评估,并且采用基于假设检验策略实现了深度值的精确预测。实验结果证明,此算法可以有效解决不同数据集上较大孔洞的修复问题,显著地增强了算法的鲁棒性。(3)针对深度图像修复的精确性要求,本文在沿用排序填充的框架基础上,提出了基于排序双尺度优先级估计与基于最大似然估计的深度值预测的改进修复算法。首先,本文引入超像素分割算法在更大尺度上提取更可靠的特征。其次,在填充优先级部分,保留原有的基于双模态联合条件熵的填充优先级估计算法。最后,在深度值预测部分使用基于最大似然估计的深度值预测算法对深度图像进行修复。在实验部分,本文将此算法与其他五种对比算法和本文之前提出的两种算法分别进行了对比,对比结果表明,该算法不仅具有优异的修复速度和鲁棒性,同时在修复的精确性上也有较大幅度的提升,为深度图像的相关应用提供了更高质量的数据,有效地拓宽了深度图像的应用范围。
卫星遥感影像自动云检测算法研究
这是一篇关于云检测,深度学习,超像素分割,云去除的论文, 主要内容为随着我国卫星遥感技术的快速发展以及卫星数量的增多,所拍摄的遥感影像越来越多,卫星遥感影像应用范围越来越广阔,涉及的领域也越来越多,涵盖了土地督察、城镇规划、地形导航等。然而,所拍摄的遥感影像无可避免的会受到云层的干扰,造成遥感影像中的地物被云层遮挡,对遥感影像后续目标识别、地形匹配导航等工作产生较大影响。云检测作为遥感影像处理的重要环节,要能够准确提取遥感影像中的云,作为云去除的依据,为后续影像处理提供便利。深度学习方法可以地从大规模数据集中提取目标的浅层和深层特征,应用于云检测时,与传统方法相比云检测精度更高,适用范围更广。本文采用基于深度学习的方法对遥感影像中的云进行准确检测,并根据检测结果设计了云去除算法。主要研究内容如下:(1)针对开源遥感影像云检测数据集缺乏且质量不佳等问题,本文利用高分系列卫星、资源系列卫星所拍摄的遥感影像,采用超像素分割方法勾勒云边界,再对勾勒出的云边界进行手工标注,生成对应的标签图,独立制作了高质量的遥感影像云检测数据集。(2)针对传统云检测方法适用范围小、检测精度低等问题,本文提出一种基于U-net的遥感影像云检测方法。利用VGG16网络代替U-net的特征提取网络,以提取更深层次的云的特征信息,并对输入的影像进行高斯渐进模糊处理,分离背景影像,减弱对云目标的影响,提升云检测的精度。(3)针对雪、盐碱地等白色地物干扰导致遥感影像云检测精度下降的问题,本文提出了一种基于U-net3+的抗干扰云检测算法。通过对U-net3+的网络结构进行改进,提出新的损失函数,加强特征融合,解决样本数量不均衡问题,有效排除不同地貌遥感影像中的各类干扰信息,准确检测遥感影像中的云。采用本文算法对遥感影像中的云进行检测,再利用同一地区不同时相的遥感影像替换云区域,并进行局部滤波处理,使得替换后的影像更加平滑,最大程度减少失真率,完成遥感影像云去除。
基于多尺度信息融合的高分影像土地利用分类研究
这是一篇关于土地利用分类,超像素分割,多尺度特征提取,特征融合,注意力机制的论文, 主要内容为近年来遥感影像土地利用分类技术发展迅速,人们可以获取大量不同空间、光谱和时间分辨率的高分遥感影像土地分类结果,为城市规划、地质调查和环境评估等多种实际应用提供重要的信息来源与分析条件。但遥感影像较自然图像更为复杂,多类地块常具有不同尺度、光谱、纹理信息,现有方法难以使用高度概括性的语义特征表达多类地块,分类结果中地块常存在结构不完整、边缘划分不准确等问题。针对上述问题,本文以多尺度信息融合思想为基础,结合多尺度特征提取与融合、注意力机制和超像素图像分割等方法,以提高土地利用多类地块分类精确度为目标,进行了以下两部分工作:(1)基于SMH-Net的高分影像土地利用分类方法针对遥感影像土地利用分类中,存在大量复杂地形与光谱混淆易造成地块轮廓模糊、错误分类等问题,本文提出SMH-Net土地利用分类方法。该方法主要进行了以下工作:一是采用稠密残差模块和级联特征融合方法构建多尺度特征提取网络MH-Net,提高复杂场景下地块特征提取能力与多尺度特征利用能力;二是结合可微SLIC算法利用已提取到多类地块特征信息进行深度聚类,形成精确边缘划分的超像素分割结果,解决不同且相邻地块间光谱混淆造成边缘划分不准确的问题;三是针对网络特征信息传递过程,设计自适应加权融合策略。借助反向传播,自适应更新权重,从而更好地利用不同层级特征。(2)基于MLUM-Net的高分影像土地利用分类方法基于SMH-Net的土地利用分类方法虽在一定程度上较好解决了复杂场景地块边缘划分的问题,但对具有不同尺寸、光谱、纹理的地块如农田、森林和草地等地块分类结果并不理想,易出现地块结构不完整与边缘噪声的现象。因此,本文结合多尺度特征学习思想设计MLUM-Net土地利用分类方法。首先利用多尺度空洞卷积和混合注意力机制设计MDSPA模块构建网络下采样过程,以提高网络的多尺度特征提取能力与地块位置定位的准确性;其次,为避免上采样语义损失与改善网络信息流提出HPP优化模块,通过多尺度池化获取丰富全局上下文信息,在加强多尺度特征表达的同时优化网络分类误差,提高分类结果的准确性;最后,为解决土地利用数据集常存在类别占比不均衡的问题,结合多类地块结构多样性的特点设计混合损失函数,平衡训练过程对不同地块类别的关注度并加强噪声区域与错误分类结果优化,进一步细化分类结果。本文所提出的方法均能在一定程度上提高高分影像土地利用分类的精确度。相较于常用分割网络,分类性能指标均有明显提升,对未来土地利用分类方法的研究和实际应用均具有重要意义。
深度图像的双模态联合修复算法研究
这是一篇关于双模态联合修复,改进卷积自编码器,排序填充框架,超像素分割,最大似然估计的论文, 主要内容为近年来,深度图像被广泛用在无人驾驶技术、三维场景的重建、人脸建模等多个领域,而如何提升现场采集的深度图像的质量始终是相关领域的学者们最为关心的问题之一。在诸多深度图像修复算法中,与实际应用密切相关的实时性、鲁棒性和精确性始终是此类算法的核心评估标准以及改进的突破口。本文以修复深度图像中存在的孔洞和噪声为切入点,采用了双模态联合修复的策略,重点针对深度图像修复的实时性、鲁棒性和精确性三个方面展开对深度图像修复算法的研究工作,具体内容如下:(1)针对深度图像修复的实时性要求,本文提出了基于改进卷积自编码器的修复方法,该方法借鉴了 VGG模型和U-Net模型的网络特点,通过一系列参数设定和模型选取等步骤,确定了最优网络模型CAE-BF16-Berhu。在Middlebury深度图像数据集上的测试结果表明,此方法与传统修复算法相比,极大地提升了修复速度。(2)面对深度图像修复的鲁棒性要求,本文提出了基于排序填充框架的轻量级深度图像修复算法,该算法在对彩色图像和深度图像进行配准之后,创新性地将色彩信息和深度信息相结合,提出一种基于双模态联合条件熵的算法对无效点的填充优先级进行评估,并且采用基于假设检验策略实现了深度值的精确预测。实验结果证明,此算法可以有效解决不同数据集上较大孔洞的修复问题,显著地增强了算法的鲁棒性。(3)针对深度图像修复的精确性要求,本文在沿用排序填充的框架基础上,提出了基于排序双尺度优先级估计与基于最大似然估计的深度值预测的改进修复算法。首先,本文引入超像素分割算法在更大尺度上提取更可靠的特征。其次,在填充优先级部分,保留原有的基于双模态联合条件熵的填充优先级估计算法。最后,在深度值预测部分使用基于最大似然估计的深度值预测算法对深度图像进行修复。在实验部分,本文将此算法与其他五种对比算法和本文之前提出的两种算法分别进行了对比,对比结果表明,该算法不仅具有优异的修复速度和鲁棒性,同时在修复的精确性上也有较大幅度的提升,为深度图像的相关应用提供了更高质量的数据,有效地拓宽了深度图像的应用范围。
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：毕设客栈 ，原文地址：https://m.bishedaima.com/lunwen/54171.html
