论文部分内容阅读
近些年来,空间观测技术在卫星传感器、数据获取存储技术的进步带动下得到了快速发展,目前我们可以快速获取并存储海量的高分辨率遥感卫星图像,这些遥感图像已经成为我们人类观察和研究地表生态环境和社会环境的一种重要手段。由于天气因素的影响,云总是不可避免地出现在遥感图像中,降低了图像的质量,极大地影响了卫星遥感图像的应用与发展。面对如此海量的卫星遥感图像,快速、高效、准确地将云识别分割出来,对提高图像的利用率具有重要意义。而深度学习作为人工智能的一个重要分支,目前已经在计算机视觉领域取得了巨大成功。针对上述问题,本文借助深度学习方法围绕遥感图像中的云识别和云分割技术展开研究,主要内容如下:第二章首先阐述了深度学习神经网络的基础理论,详细介绍了卷积神经网络的相关内容,如网络结构、训练过程和常用模型等。然后分析了云层的相关特性,从灰度特性和纹理特性两个方面对云层和下垫面的特征进行提取对比,为后续研究奠定了基础。第三章研究了遥感图像中的云识别问题。面对海量的图像数据,传统的依靠人工进行识别的方法需要消耗巨大的精力和时间,本文提出了一种智能化的云识别方法,借助深度学习卷积神经网络在特征提取上的技术优势,利用自制的数据集对网络模型进行训练,挖掘提取图像的深度特征,实现对云图的高精度识别。第四章研究了遥感图像中的云分割问题,提出了一种基于全卷积神经网络的云分割方法。首先介绍了全卷积神经网络和残差神经网络,然后对数据集中的图像进行了标注,在ResNet-50的基础上构建全卷积神经网络模型,分别在训练集和测试集上对网络进行训练和测试,验证了该方法在云分割问题上的有效性。总的来说,深度学习在本文云识别和分割处理任务中得到了满意的结果,在实现遥感图像智能化处理方向上具有巨大的应用价值。