【摘 要】
：
随着时代的发展和卫星传感器技术的成熟,更高的分辨率和更多频段的光谱成为遥感影像的发展趋势。与之对应的是,针对土地覆盖分类的遥感卫星图像处理技术也是愈发重要。相较于一般图像,遥感影像中不同语义信息之间的尺度差异较大,现有的神经网络算法很难从遥感影像中提取到这么大尺度的上下文依赖关系,因此提取出遥感影像中的上下文依赖关系是遥感影像识别的一个重要的突破点。现有的针对遥感影像土地覆盖识别的分类方案按分类的
论文部分内容阅读
随着时代的发展和卫星传感器技术的成熟,更高的分辨率和更多频段的光谱成为遥感影像的发展趋势。与之对应的是,针对土地覆盖分类的遥感卫星图像处理技术也是愈发重要。相较于一般图像,遥感影像中不同语义信息之间的尺度差异较大,现有的神经网络算法很难从遥感影像中提取到这么大尺度的上下文依赖关系,因此提取出遥感影像中的上下文依赖关系是遥感影像识别的一个重要的突破点。现有的针对遥感影像土地覆盖识别的分类方案按分类的最小尺度可以分为像素级的分类、场景级别的分类和对象级别的分类。为了探索多尺度信息在遥感图像识别任务中的重
其他文献
随着城市的快速扩张,近几年资源卫星所获得的遥感地貌图像在宏观空间内发生了翻天覆地的变化。如今,土地覆盖分类方法正面临着以下问题:一方面,随着遥感技术的飞速发展,资源卫星已经可以拍摄高分辨率土地覆盖遥感图像,其所包含大量丰富的细节信息是传统遥感分类技术无法处理的;另一方面,不同时空所拍摄的遥感图像成像条件变化很大,其中干扰会十分强烈,而传统机器学习分类模型抗噪、泛化能力有所欠缺。针对上述问题,本文引
超声技术作为一种高新技术,在超声清洗、超声焊接、超声加工器件等领域应用广泛,这些超声设备的使用离不开超声波电源的支持。超声波电源系统分为驱动电源和负载两部分,其作用是将电能转换成与负载相匹配的高频交流电信号。负载通常为超声波换能器,由单晶材料构成,内部参数易受多种因素影响而发生改变,从而导致系统工作在非谐振状态,造成系统损耗增加及输出功率不稳定。本文围绕以上问题,设计了一款工作稳定、效率高,且能够
压力气体发生泄漏将对人们的生命和财产安全造成难以估量的损失,故对微孔泄漏源进行定位极具意义。然而,现有的基于波达方向估计(Direction of Arrival,DOA)与基于到达时间差(Time Delay of Arrival,TDOA)的定位方法在相干源和噪声干扰下分别存在漏警、网格失配、精度不足等问题。针对这些问题,本文在现有研究成果的基础上对稀疏表示类DOA估计方法与TDOA类方法进行
新疆是我国三大稳定积雪区之一,具有丰富的季节性积雪资源,也是我国三大牧区之一,畜牧业的健康发展更是深刻影响到地区的繁荣稳定。而牧区雪灾又是中国发生最频繁、影响最大严重的一类雪灾,因此大范围高频率的对新疆地区进行积雪的遥感监测十分必要,已有积雪监测方法中多采用地面站观测数据和遥感卫星探测相结合,然而新疆地广人稀,地面监测站不足,国际主流的以MODIS为代表的积雪产品多是国外生产,十分不利于我国遥感积
近年来,高光谱遥感技术发展迅速,为社会的生产生活提供了便利。由于高光谱图像具有“图谱合一”和光谱分辨率高的特点,其被广泛应用于军事目标检测,农业发展,城市规划和环境治理等重要领域。高光谱图像分类逐渐成为高光谱图像处理领域的热点问题,由于高光谱图像存在空间分辨率低、光谱信息冗余和地物分布复杂等问题,高光谱图像分类仍然面临较大的挑战。本文基于现有的卷积神经网络,充分利用高光谱图像的丰富信息和空间相关性
随着高光谱遥感系统技术的迅速发展,高光谱图像分类已经成为了高光谱遥感的重点研究方向之一。高光谱图像蕴含了丰富的光谱信息,为地物分类提供了强大的数据支持。然而高光谱图像分类技术也深受图像噪声、有限的标记样本、较高的冗余信息等诸多因素影响导致很难得到理想分析结果。本文基于经典的组合核分类方法,挖掘了更为准确的空间信息来减少噪声干扰。具体的研究内容如下:(1)针对组合核方法在利用各向同性的邻域提取空间信
铁路是交通运输的动脉,对铁路沿线气象数据的监测是列车安全运行的重要保障之一。风是重要的气象要素,为获得全方位、更详细的铁路风矢量信息,本文设计了三维超声波换能器阵列进行铁路沿线风速风向的测量。解决了传统的机械式、电磁式等测风仪易磨损、精度低、稳定性差等问题。风的形成具有随机性,声音在有风的条件下传播,风速会在声速上矢量叠加。根据超声波信号在顺逆风情况下传播时间的不同,本文采用时差法的测风原理建立三
建筑物和道路提取是遥感图像土地覆盖监测中的一项重要任务,准确分割建筑物和道路为城市合理布局提供了很大的帮助,并且对实现城市规划工作具有重要意义。现有建筑物和道路提取模型大部分都采用深度学习语义分割方法,但是这些语义分割方法存在一些不足。一方面,在特征融合过程中直接在通道维度拼接特征图,隐藏层(通道维度)之间的特征信息关注不够,导致在像素分类时忽略其上下文像素的类别,出现建筑物大面积误判和道路提取断
建筑物作为城市发展的活跃要素,是土地资源管理、城市规划、地理数据库更新等领域重点关注的对象之一。高效、精确的建筑物信息提取和变化检测对于这些业务具有重要的理论意义。近年来,深度学习凭借其优异的泛化能力,特别适用于大数据的分析与表达,已经被广泛的应用到各个领域。基于深度学习的方法为提取和检测高分辨率遥感影像中的特定信息提供了新思路。针对深度学习算法在提取建筑物和检测建筑物变化信息的过程中,存在漏检错
遥感图像变化检测技术是指利用多张同一地点不同时间段所获取的遥感图像信息进行特殊处理并最终定量分析地表变化特征的过程。常用的变化检测算法存在一些共同问题,例如变化向量检测法、光谱特征分析法、时间序列分析法等,这些算法在预处理阶段要求十分严格,需要建立大量特征工程,且存在检测时间长,精度低等问题。为了解决上述问题,本文将深度学习方法运用到遥感图像变化检测任务中,利用卷积神经网络特殊的表征学习能力解决繁