【摘 要】
：
随着遥感卫星的发展,越来越多的高分辨率卫星数据被获取。道路作为基础的地物信息至关重要,是高分辨率遥感图像目标提取的关键内容。高分辨率遥感图像在提供详细道路信息的同时也掺杂了显著的噪声。卷积神经网络凭借自动提取深层浅层特征的特点在计算机视觉方面取得卓越的成绩。因此本文在卷积神经网络的基础上致力于道路提取方法的研究,利用自己设计的算法模型实现高分辨率遥感图像道路的精确提取。本文首先研究复杂地形条件下的
论文部分内容阅读
随着遥感卫星的发展,越来越多的高分辨率卫星数据被获取。道路作为基础的地物信息至关重要,是高分辨率遥感图像目标提取的关键内容。高分辨率遥感图像在提供详细道路信息的同时也掺杂了显著的噪声。卷积神经网络凭借自动提取深层浅层特征的特点在计算机视觉方面取得卓越的成绩。因此本文在卷积神经网络的基础上致力于道路提取方法的研究,利用自己设计的算法模型实现高分辨率遥感图像道路的精确提取。本文首先研究复杂地形条件下的道路提取,以中尼公路为研究对象,设计出一种能同时提取道路光谱特征与地形特征的多特征道路提取网络PPMU-
其他文献
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
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
遥感卫星云图在气象研究与应用中发挥着极其重要的作用,在自然灾害预测和气象探测技术中具有重要的研究价值。云图分类是遥感卫星解译的核心,对卫星云图检测的准确率与速度直接影响着大气科学研究和天气气象环境的预测情况。传统的浅层机器分类学习算法很难有效地提取遥感卫星中的云图特征,存在着人工经验判断的偏差,导致传统的机器学习算法不能很好地对云图进行分类,误检率很高且训练耗时。传统的深度学习网络算法能够自动实现
沙漠地区遥感图像识别对于研究沙漠化成因、预防沙漠化进程具有重要意义。由于沙漠环境、地形、光照等的不确定性,导致沙漠地区在遥感图像上的地形地貌特征易发生改变,且沙漠图像具有图像尺寸大,尺度变化大,地表物体位置分布不规则等特点。传统方法在处理复杂的沙漠图像时存在识别不准确的问题。近年来,深度学习图像处理方法的兴起为沙漠图像识别提供了很好的解决思路,将现有深度学习方法直接应用于沙漠样本仍存在多尺度信息利
遥感技术是一种应用各种传感器对远距离目标所辐射和反射的电磁波信息的探测技术。从遥感图像中进行建筑物的提取是遥感技术的重要应用之一,建筑物是人类生活和生产活动的载体,研究建筑物的分布对于研究人口聚集和分散有着巨大的意义。此外,建筑物提取在城市规划、土地调查、军事侦察等方面也有着重要的应用。过去主要是通过人工设计特征进行分类从而完成遥感图像的建筑物提取工作,但由于受到光谱图片本身和建筑物分布多样性的影