基于機(jī)器學(xué)習(xí)的遙感圖像水體提取研究.pdf

1、地表水體信息的獲取對(duì)洪澇災(zāi)害分析、環(huán)境保護(hù)、水資源開發(fā)和利用等多個(gè)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(dāng)前大范圍應(yīng)用的需要，越來越多的研究者利用機(jī)器學(xué)習(xí)方法來提取水體信息，淺層機(jī)器學(xué)習(xí)模型取得了一定的效果，但需進(jìn)行復(fù)雜的人工特征分析與選取。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)研究中一個(gè)新的領(lǐng)域，是當(dāng)前人工智能的研究熱點(diǎn)，其深層網(wǎng)絡(luò)模型

2、具有強(qiáng)大的表達(dá)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(shí)別和自然語言處理等方面取得了突破性進(jìn)展。本文采用機(jī)器學(xué)習(xí)方法建立相關(guān)模型進(jìn)行水體信息提取，主要工作包括以下幾個(gè)方面：
　　(1)對(duì)傳統(tǒng)的水體提取方法進(jìn)行了總結(jié)，分析了這些方法的優(yōu)缺點(diǎn)。詳細(xì)介紹了遙感圖像的預(yù)處理方法和支持向量機(jī)（SVM）模型，為后文的實(shí)驗(yàn)做準(zhǔn)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(xì)小水體

3、的多種方法，充分利用特征組合的優(yōu)勢(shì)，從ETM+影像中提取譜間關(guān)系、改進(jìn)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(jìn)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(diǎn)，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，避免了顯式的特征抽取過程；利用學(xué)習(xí)到的特征以及

4、相應(yīng)的樣本標(biāo)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(gè)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(duì)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(dú)特的