首页> 中文学位 >基于区域一致性的高分辨率遥感影像分类
【6h】

基于区域一致性的高分辨率遥感影像分类

代理获取

目录

声明

摘要

1.1研究背景及意义

1.2研究现状

1.3论文研究内容

1.4论文组织结构

1.5本章小结

第二章卷积神经网络原理

2.1卷积神经网络特点

2.1.1卷积层

2.1.2激活层

2.1.3池化层

2.1.4全连接层

2.2反向传播算法

2.3卷积神经网络模型

2.3.1 AlexNet

2.3.2 VGGNet

2.3.3 GoogLeNet

2.3.4 ResNet

2.4 CNN学习框架Caffe

2.4.1 Caffe特点

2.4.2 Caffe数据结构

2.4.3 Caffe模型优化

2.5本章小结

第三章区域一致性FCN

3.1全卷积网络

3.2区域分割

3.2.1图像分割理论

3.2.2均值漂移算法

3.3区域一致性约束

3.4实验

3.4.1实验设置

3.4.2评价指标

3.4.3实验结果及分析

3.5本章小结

第四章区域一致性CRF

4.1概率图模型

4.1.1基本原理及概念

4.1.2统计推断方法

4.2条件随机场

4.2.1条件随机场定义

4.2.2 CRF在语义分割中的应用

4.3区域一致的全连接CRF

4.3.1模型定义

4.3.2均场近似算法

4.4实验

4.4.1实验设置

4.4.2实验结果及分析

4.5两种区域一致性比较

4.6本章小结

5.1总结

5.2展望

参考文献

致谢

展开▼

摘要

随着传感器技术、空间技术和信息技术等不断进步,近年来遥感影像的地面分辨率也变得越来越高,高分辨率遥感影像在各领域得到广泛使用。高分影像语义分割是高分影像在实际应用的基础,语义分割质量直接影响实际应用效果,因此高分影像语义分割方法的研究具有重要实际应用价值。基于深度卷积网络的遥感影像语义分割方法表现出了比传统方法更为优越的性能,然而由于其基于固定感受野大小的上下文信息获取方法没有显式利用像素间约束关系,导致其不能有效克服高分影像同物异谱和异物同谱带来的挑战,出现同一地物内部语义标注结果不一致的情形。为此,本文基于同一区域内部像素属于相同类别概率较大的假定,试图引入图像区域内部语义标注一致性约束以改善现有深度卷积神经网络描述上下文信息的能力,提高卷积神经网络预测结果的空间关系一致性。具体而言,本文通过以下两种方式引入区域一致性约束信息: (1)在现有全卷积网络模型对图像进行特征提取和分类时,利用卷积神经网络最后一层特征引入一个表示区域内部像素特征一致性的损失函数,将该损失函数与softmax损失函数进行联合训练得到网络模型参数。在ISPRS(国际摄影测量与遥感学会)的Vaihingen2D语义标注数据集上对该方法进行了实验验证,实验结果表明其在大多数类别上取得了较现有卷积神经网络模型更优的分类结果,总体准确率达85.18%。本文提出的引入区域内部像素标记一致性的全卷积网络模型,可以有效捕捉区域内部像素特征一致性的上下文信息,能有效纠正全卷积网络模型在区域内部像素分类中的冲突,获得区域一致较好的分类结果,从而改善图像的语义标注效果。 (2)为进一步利用相邻像素间的约束关系,本文引入条件随机场(CRF)对卷积神经网络输出的结果进行处理。在对全卷积预测结果进行CRF后处理时,提出了一种基于像素点的同时又考虑了区域一致性的全连接CRF,引入了两个分别定义在超像素区域平均坐标和平均颜色向量的成对势,在ISPRS的Vaihingen2D语义标注数据集上进行了实验,结果表明本文的CRF在结合均值漂移预分割的区域信息后能够对原本模糊粗糙的预测边界进行平滑处理,分割的轮廓边界更加自然平整,边界处的噪点和区域内部孔洞减少,总体准确率提升到85.70%。并且实验发现预分割的均值漂移算法的空间带宽、颜色带宽两个参数的增大会导致最后分类性能的下降,区域尺度带宽参数对结果影响不太敏感。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号