基于深度学习U-Net模型的高分辨率遥感影像分类方法研究

《基于深度学习U-Net模型的高分辨率遥感影像分类方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、国内图书分类号：P237密级：公开国际图书分类号：528.8西南交通大学研究生学位论文基于深度学习U-Net模型的高分辨率遥感影像分类方法研究年级2015级姓名许慧敏申请学位级别工学硕士专业测绘科学与技术指导老师齐华教授二零一八年五月十七日ClassifiedIndex:P237U.D.C:528.8SouthwestJiaotongUniversityMasterDegreeThesisMETHODRESEARCHOFHIGHRESOLUTIONREMOTESENSINGIMAGERYCLASSIFICATIONBASEDONU-NetMODELOFDEE

2、PLEARNINGGrade:2015Candidate:HuiminXUAcademicDegreeAppliedfor:MasterSpeciality:SurveyingScienceandTechnologySupervisor:Prof.HuaQIMay17th,2018论文得到以下项目资助：自然资源资产评价关键技术研究及应用示范——基于多源多尺度遥感影像的自然资源资产信息提取技术研究，立项编号：2017SZ0027，四川省科学技术厅。西南交通大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关

3、部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权西南交通大学可以将本论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复印手段保存和汇编本学位论文。本学位论文属于1．保密□，在年解密后适用本授权书；2．不保密☑，使用本授权书。（请在以上方框内打“√”）学位论文作者签名：指导老师签名：日期：日期：西南交通大学硕士学位论文主要工作（贡献）声明本人在学位论文中所做的主要工作或贡献如下：（1）研究基于深度学习U-Net模型进行高分辨率遥感影像分类的方法，通过样本选取、数据增强、模型训练及预测等过程，实现高分辨率遥感影像的高效、准

4、确分类，改善了传统分类方法中人工提取特征过程繁杂且不完备、机器学习算法分类精度不高等问题。（2）通过将多源数据DSM、NDVI、nDSM分别与原始影像结合，改善高分辨率影像光谱信息不丰富的缺点，进一步提高U-Net模型的影像分类精度。（3）利用全连接CRFs进行影像后处理，消除分类结果的细小错分现象，使地物边界更加清晰，接近地面真实情况。（4）本文方法最终采用结合nDSM数据的U-Net模型及全连接CRFs后处理方法，与传统基于面向对象的机器学习分类方法、全卷积神经网络FCN-8s模型进行了对比实验，证明了本文方法的有效性。本人郑重声明：所呈交的学位论文，是

5、在导师指导下独立进行研究工作所得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中作了明确说明。本人完全了解违反上述声明所引起的一切法律责任将由本人承担。学位论文作者签名：日期：西南交通大学硕士研究生学位论文第I页摘要高分辨率遥感影像记录了地物目标详细的形状、几何结构、纹理等特征信息，广泛应用于遥感制图、精确农业、城市规划等领域，然而高分辨率遥感影像在提供高质量信息的同时，其类内差异大、光谱信息相对欠缺的特点也为高效、准确地进行遥感影像分类提出了新的挑战。一方面，高分辨率

6、影像展现了高度细节化的信息，降低了目标类间差异却增大了类内差异；另一方面，高分辨率遥感影像的数据波段有限，光谱信息丰富度不足，增大了遥感影像分类的难度。因此如何实现高分辨率遥感影像的高效且准确地分类是急需解决的重要问题。目前，在传统的高分辨率遥感影像分类方法中，最常用的是基于面向对象分类理论和机器学习算法进行分类，然而它需要人工参与分割参数选择和对象特征选取，过程耗时耗力，且机器学习中的浅层结构模型难以得到更好的分类效果。深度学习是近几年图像识别领域的一门新兴技术，能够自动学习影像深层次特征从而进行准确的分类决策，为得到更好的高分辨率遥感影像分类结果带来新的

7、契机。本文研究了深度学习中的U-Net模型进行高分辨率遥感影像分类的方法，但目前的研究没有充分考虑多源数据对分类精度的影响，容易造成因光谱信息不丰富而产生的分类精度低的问题，同时分类后的影像存在细小错分现象、地物边界平滑的问题。针对上述问题，本文开展了以下工作：（1）围绕高分辨率遥感影像分类的主题，系统查阅了国内外相关研究进展，分析归纳了目前国内外的高分辨率遥感影像分类方法，阐述了利用深度学习方法实现遥感影像准确、高效分类的优势。（2）针对高分辨率遥感影像数据波段较少、模型特征学习丰富度有限的问题，研究将DSM、NDVI、nDSM等多源数据与原始影像的结合，

8、参与深度学习U-Net模型的影像分类过程，并找到对提