首页> 正文

基于深度卷积神经网络的极化SAR建筑区域提取方法

2020-12-08阅读(779)

基于深度卷积神经网络的极化SAR建筑区域提取方法

论文摘要

随着城市的飞速发展以及数字城市的建设,作为地物类别中的主要内容和地形图中重要的成图元素,建筑区的识别与提取越来越重要。目前,在光学影像中对建筑区的提取已经取得了较好的研究成果,但光学传感器成像依赖于光照条件,在云雨雾雪天气、夜间环境中,无法完成持续有效的监测。全极化合成孔径雷达（PolSAR）兼具微波主动遥感方式和极化合成获取地物信息的优势,具有比传统光学影像更为精确的地物表达和监测能力。由于PolSAR影像的特殊成像方式,PolSAR影像中建筑区域具有大量复杂的散射特性,这加大了PolSAR影像中建筑区域识别的难度。同时,随着SAR系统的不断完善及发展,传统的解译方法也无法满足人们对于在海量数据中快速的自动提取建筑区域的需求。近年来深度学习方法在图像处理领域快速发展并展现出了良好效果,使得越来越多的研究者将目光投向了如何更好地将深度学习与SAR影像结合这一问题。其中,深度学习中的语义分割方法可以对影像进行逐像素分类,从而达到良好的影像分割效果。基于语义分割网络的PolSAR影像建筑区域提取方法,不仅能够利用PolSAR数据的极化散射特征还能提取影像的高层特征,使多维的地物特征信息参与建筑区域提取过程,有利于提高PolSAR数据的特征利用率。本文基于此,进行了以下探索:（1）提出了一种结合全卷积神经网络模型（FCN）与条件随机场（CRF）的PolSAR影像建筑区域提取方法。该方法将Freeman分解后的三分量分别对应网络输入的三个通道,充分利用了PolSAR影像的低层特征和FCN的语义分割网络特性,实现端对端的分类,同时利用CRF做优化后处理,更好地联系上下文信息,使提取结果更加精确。实验表明将FCN与CRF相结合不仅可以提高建筑区域的提取精度,更大大的减少了建筑区域与其他地物的混分情况。（2）提出将语义分割网络中的新型网络LinkNet应用于PolSAR影像。该网络是由多个编码器、解码器组成的编码解码型结构网络,同时可以联系前文输入信息,将该网络应用于PolSAR影像建筑区域提取,验证了不同结构的深度学习网络模型对PolSAR影像建筑区域提取的有效性,同时探索了针对不同网络结构PolSAR影像在样本集制作中应注意的问题。实验表明LinkNet不仅可以对小幅影像进行较为精准的建筑区域提取,对于大幅影像的建筑区域提取也取得了较好的效果。（3）将本文所提两种方法与PolSAR影像经典处理方法H/a-Wishart、SVM进行了详细的比较,分析表明本文所提的两种方法虽然存在小范围的漏分现象,但整体精度均高于其他两种经典方法,尤其在建筑区域提取完整度及轮廓提取精度方面表现良好,并能达到一定程度的自动提取。

论文目录

  • 摘要
  • abstract
  • 第1章 绪论
  •   1.1 研究背景
  •   1.2 国内外研究现状
  •     1.2.1 PolSAR影像建筑物提取现状
  •     1.2.2 深度卷积神经网络发展现状
  •     1.2.3 深度卷积神经网络在SAR影像建筑物提取中应用现状
  •   1.3 现有方法存在的问题
  •   1.4 本文主要内容及结构安排
  • 第2章 PolSAR影像基础理论
  •   2.1 PolSAR影像的表征
  •   2.2 滤波方法
  •     2.2.1 Lee-Refined滤波原理
  •     2.2.2 MeanShift滤波
  •   2.3 极化特征提取
  •     2.3.1 Pauli分解
  •     2.3.2 Freeman-Durden分解
  • 第3章 深度学习基础理论
  •   3.1 深度学习概述
  •   3.2 深度卷积神经网络
  •     3.2.1 数据输入层
  •     3.2.2 卷积层
  •     3.2.3 RELU激励层
  •     3.2.4 池化层
  •     3.2.5 全连接层
  •   3.3 全卷积神经网络
  •     3.3.1 卷积化与反卷积
  •     3.3.2 跳跃结构
  •   3.4 LinkNet
  •     3.4.1 编码器
  •     3.4.2 解码器
  • 第4章 基于FCN与 CRF的 PolSAR影像建筑区域提取
  •   4.1 实验区概况
  •   4.2 数据预处理
  •     4.2.1 Lee Refined滤波
  •     4.2.2 Freeman分解
  •   4.3 样本集构建
  •   4.4 网络的搭建与训练
  •     4.4.1 网络的搭建
  •     4.4.2 网络模型训练
  •   4.5 建筑区域提取结果优化
  •   4.6 实验结果与分析
  •     4.6.1 实验结果与精度
  •     4.6.2 实验结果分析
  • 第5章 基于LinkNet的 PolSAR建筑区域提取
  •   5.1 实验区概况
  •   5.2 数据预处理
  •     5.2.1 MeanShift滤波
  •     5.2.2 Freeman分解
  •   5.3 样本集构建
  •   5.4 网络的构建与训练
  •     5.4.1 网络的构建
  •     5.4.2 网络模型训练
  •   5.5 实验结果与分析
  •     5.5.1 实验结果与精度评价
  •     5.5.2 实验结果分析
  •   5.6 LinkNet方法泛化性分析
  • 6.结论与展望
  •   6.1 结论
  •   6.2 展望
  • 参考文献
  • 致谢
  • 作者简历及在读期间参与的研究工作

    • 文章来源

    类型: 硕士论文

    作者: 肖雨彤

    导师: 张继贤

    关键词: 建筑区域提取,深度学习,全卷积神经网络

    来源: 中国测绘科学研究院

    年度: 2019

    分类: 基础科学

    专业: 自然地理学和测绘学

    单位: 中国测绘科学研究院

    分类号: P237

    总页数: 67

    文件大小: 5482K

    下载量: 135

    相关论文文献

    • [1].基于优化神经网络的地质灾害监测预警仿真[J]. 计算机仿真 2019(11)
    • [2].基于进化神经网络的304不锈钢车削加工表面粗糙度预测[J]. 轻工机械 2019(06)
    • [3].时频联合长时循环神经网络[J]. 计算机研究与发展 2019(12)
    • [4].几种典型卷积神经网络的权重分析与研究[J]. 青岛大学学报(自然科学版) 2019(04)
    • [5].基于GA-BP神经网络异纤分拣机检测参数优化[J]. 棉纺织技术 2020(01)
    • [6].基于集成神经网络的织物主观风格预测研究[J]. 纺织科技进展 2020(01)
    • [7].试析神经网络技术在机械工程中的应用及发展[J]. 网络安全技术与应用 2020(02)
    • [8].一种深度小波过程神经网络及在时变信号分类中的应用[J]. 软件 2020(02)
    • [9].不同结构深度神经网络的时间域航空电磁数据成像性能分析[J]. 世界地质 2020(01)
    • [10].基于深度神经网络的航班保障时间预测研究[J]. 系统仿真学报 2020(04)
    • [11].基于生成对抗网络和深度神经网络的武器系统效能评估[J]. 计算机应用与软件 2020(02)
    • [12].基于循环神经网络的双轴打捆机智能换挡策略研究[J]. 安徽工程大学学报 2020(01)
    • [13].基于图神经网络的实体对齐研究综述[J]. 现代计算机 2020(09)
    • [14].基于改进的循环神经网络深度学习跌倒检测算法[J]. 电脑编程技巧与维护 2020(03)
    • [15].神经网络探索物理问题[J]. 物理 2020(03)
    • [16].基于GA-BP神经网络的城市用水量预测[J]. 现代电子技术 2020(08)
    • [17].基于深度神经网络的药物蛋白虚拟筛选[J]. 软件工程 2020(05)
    • [18].基于轻量级神经网络的人群计数模型设计[J]. 无线电工程 2020(06)
    • [19].高效深度神经网络综述[J]. 电信科学 2020(04)
    • [20].含磁场耦合忆阻神经网络放电行为研究[J]. 广西师范大学学报(自然科学版) 2020(03)
    • [21].基于神经网络及特征运算的老年人平衡能力分析[J]. 重庆工商大学学报(自然科学版) 2020(04)
    • [22].神经网络技术在机械工程中的应用及发展探析[J]. 科技创新与应用 2020(18)
    • [23].基于竞争神经网络的变电站巡视周期分类[J]. 科技创新与应用 2020(18)
    • [24].基于双向循环神经网络的语音识别算法[J]. 电脑知识与技术 2020(10)
    • [25].结合相似日与改进神经网络的短期光伏发电预测[J]. 广西电业 2020(04)
    • [26].基于神经网络的流感大数据分析[J]. 中华医学图书情报杂志 2020(03)
    • [27].长短时记忆神经网络在地电场数据处理中的应用[J]. 地球物理学报 2020(08)
    • [28].基于门控循环单元神经网络的公交到站时间预测[J]. 南通大学学报(自然科学版) 2020(02)
    • [29].鼠脑神经网络的同步辐射3D成像研究[J]. 核技术 2020(07)
    • [30].基于长短记忆神经网络的短期光伏发电预测技术研究[J]. 华北电力大学学报(自然科学版) 2020(04)

    标签：;  ;  ;  

    基于深度卷积神经网络的极化SAR建筑区域提取方法
    下载Doc文档

    猜你喜欢

    © 2024 毕论降 版权所有 鄂ICP备12018319号-6