資源描述：
《基于機器學(xué)習(xí)的遙感圖像水體提取研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、碩士研究生學(xué)位論文新疆大學(xué)論文題目(中文)：基于機器學(xué)習(xí)的遙感圖像水體提取研究論文題目(外文)：ResearchonWaterBodyExtractionfromRemoteSensingImageBasedonMachineLearning研究生姓名：王知音學(xué)科、專業(yè)：工學(xué)、軟件工程研究方向：軟件工程技術(shù)導(dǎo)師姓名職稱：禹龍教授論文答辯日期2016年5月23日學(xué)位授予日期2016年6月日新疆大學(xué)碩士研究生學(xué)位論文摘要地表水體信息的獲取對洪澇災(zāi)害分析、環(huán)境保護、水資源開發(fā)和利用等多個方面具有重要意義。隨著遙感技術(shù)的發(fā)展，利用遙感技術(shù)手段獲取地表水體信
2、息越來越占據(jù)主要地位。目前，譜間關(guān)系法和歸一化差異水體指數(shù)等傳統(tǒng)的水體提取方法已經(jīng)不能滿足當前大范圍應(yīng)用的需要，越來越多的研究者利用機器學(xué)習(xí)方法來提取水體信息，淺層機器學(xué)習(xí)模型取得了一定的效果，但需進行復(fù)雜的人工特征分析與選取。深度學(xué)習(xí)是機器學(xué)習(xí)研究中一個新的領(lǐng)域，是當前人工智能的研究熱點，其深層網(wǎng)絡(luò)模型具有強大的表達能力，能夠從樣本中自學(xué)習(xí)更有用的特征，在語音分析、圖像識別和自然語言處理等方面取得了突破性進展。本文采用機器學(xué)習(xí)方法建立相關(guān)模型進行水體信息提取，主要工作包括以下幾個方面：(1)對傳統(tǒng)的水體提取方法進行了總結(jié)，分析了這些方法的優(yōu)缺點。
3、詳細介紹了遙感圖像的預(yù)處理方法和支持向量機（SVM）模型，為后文的實驗做準備。(2)提出一種基于BP神經(jīng)網(wǎng)絡(luò)的河道水體提取方法。該方法綜合能有效提取水體尤其是細小水體的多種方法，充分利用特征組合的優(yōu)勢，從ETM+影像中提取譜間關(guān)系、改進的歸一化差異水體指數(shù)、K-T變換的第三分量（TC3）以及IHS彩色空間等多種特征進行網(wǎng)絡(luò)訓(xùn)練。(3)提出一種基于棧式自編碼的遙感圖像水體提取方法。該方法結(jié)合無監(jiān)督與有監(jiān)督學(xué)習(xí)的優(yōu)點，通過堆疊多層稀疏自編碼器和softmax分類器建立深度網(wǎng)絡(luò)模型，采用逐層貪婪訓(xùn)練法依次訓(xùn)練網(wǎng)絡(luò)的每一層，從像素層面無監(jiān)督學(xué)習(xí)特征，避免了
4、顯式的特征抽取過程；利用學(xué)習(xí)到的特征以及相應(yīng)的樣本標簽有監(jiān)督訓(xùn)練softmax分類器；采用反向傳播算法優(yōu)化整個模型。(4)提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像水體提取方法。該方法充分利用了遙感圖像的光譜和空間信息，采用模擬人腦的分層結(jié)構(gòu)，直接從原始數(shù)據(jù)中提取由低層到高層、由具體到抽象的特征。其局部感受野和權(quán)值共享大大減少了需要訓(xùn)練的網(wǎng)絡(luò)參數(shù)數(shù)量，降低了網(wǎng)絡(luò)模型的復(fù)雜度，空間的子采樣結(jié)構(gòu)對一定范圍內(nèi)的平移、縮放以及其他形式的變形具有高度不變性，在圖像處理方面具有獨特的優(yōu)勢。在相關(guān)數(shù)據(jù)上進行的實驗表明，與現(xiàn)有的一些方法相比，本文構(gòu)建的水體提I新疆大學(xué)碩士
5、研究生學(xué)位論文取模型能有效的從遙感圖像中提取所需要的水體信息，提高了水體提取的準確率和自動化程度，更具有應(yīng)用性。關(guān)鍵詞：機器學(xué)習(xí);遙感圖像;水體提取;深度學(xué)習(xí);BP神經(jīng)網(wǎng)絡(luò)II新疆大學(xué)碩士研究生學(xué)位論文AbstractSurfacewaterbodyextractionhasgreatsignificationformanyaspectsaboutfloodanalysis,environmentalprotection,waterresourcesexploitationandutilization,etc.Withthedevelopmento
6、fremotesensingtechnology,themainpositionisincreasinglyoccupiedbyremotesensingtechnologyforobtainingwaterbodyinformation.Atpresent,traditionalwaterbodyextractionmethodssuchasspectralrelationshipmethodandnormalizeddifferencewaterindexcouldnotsatisfycurrentlarge-scaleapplication,
7、moreandmoreresearchersadoptmachinelearningmethodstodoit.Shallowmachinelearningmodelshaveachievedcertaineffect,buttheyneedcomplexartificialfeatureanalysisandselection.Deeplearningisanewfieldofmachinelearningresearchandbecomescurrenthotresearchtopicofartificialintelligence.Itsde
8、epnetworkmodelhasstrongexpressionabilityandcanself-learnmoreu
