基于深度学习的低光照图像增强方法研究
这是一篇关于低光照图像增强,全卷积神经网络,Retinex分解,动态网络,深度学习的论文, 主要内容为在夜晚、背光等低光照环境下,由于无法得到充足的曝光,导致成像设备拍摄的图像不仅存在严重的噪声,并且所包含信息量也极低。这不仅会影响人们的视觉体验和日常分享的需求,还会显著影响如目标检测、物体分类等计算机视觉任务的性能。低光照图像增强技术可以将欠曝光图像中的噪声降低、增强其光照强度、提高其对比度,有较高的研究和应用价值。近年来,低光照图像增强技术已经有了较大的发展,产生了以直方图均衡、伽马矫正和Retinex理论模型等为代表的传统方法和基于成对数据集、非成对数据集以及单图像数据集的深度学习方法。但是现有多数方法得到的结果仍存在对比度低、受噪声污染严重、细节缺失严重等问题;此外,很少有方法考虑到对于不同使用者其所期望的增强效果可能存在差异,这个低光照增强任务所具有的特点。针对以上问题,本文主要开展了以下工作:(1)基于全卷积神经网络的低光照图像增强。本文对全卷积神经网络的构成以及特性进行了详细的分析。基于Res-Net和U-Net构建了新的全卷积神经网络模型,并与目前主流的全卷积神经网络在低光照图像增强任务上进行了对比实验和分析,最终得出最适合本文任务的参数、损失函数以及网络。(2)基于图像分解的低光照图像增强。针对在极端情况下,大部分低光照图像增强方法的结果仍存在目标轮廓模糊、颜色昏暗、细节缺失以及色彩不连续的问题,本文在研究工作(1)的基础上根据Retinex理论模型构建了基于深度学习的图像分解模块、反射分量恢复模块以及亮度增强模块,分别实现将低光照图像分解为其反射分量与照度分量,对反射分量进行噪声去除以及颜色矫正,以及对照度分量进行增强。最后将恢复和增强后的反射分量与照度分量融合得到增强后的图像。通过分析并与同领域具有代表性的算法进行实验对比,验证了本文方法的有效性。(3)基于动态网络的低光照图像增强算法研究。针对使用传统深度学习方法进行低光照图像增强,无法同时满足不同用户主观需求的问题。本文设计了一个使用不同数据集分阶段训练不同参数的动态训练方法,实现了用户可以按照自身主观喜好对增强效果进行调节的动态网络模型。在不同数据集、不同亮度等级的图像上进行了主观、客观以及泛化性的对比实验,并且召集了志愿者对多种方法的增强结果进行评判,选出最符合其审美的图像。通过以上实验验证了本文的动态网络能满足不同使用者的主观喜好。
基于机器学习的多源遥感农村居民点提取方法研究
这是一篇关于农村居民点,自动提取,CART,随机森林,Google Earth Engine(GEE),机器学习,全卷积神经网络的论文, 主要内容为农村居民点是农业劳动者生产和生活的主要定居场所,是农村发展的重要载体。近年来,随着我国城镇化的快速发展和社会经济的不断进步,农村居民点的空间格局产生了巨大的改变,同时也带来了一些负面的影响,比如“空心村”现象和“人地关系发展不平衡”等问题。中国是一个农业大国,农村居民点数量多、分布分散,农村居民点的无序发展侵占了大量良田,不利于土地资源的集约化利用,影响了农村的现代化进程。因此,全面认识农村居民点的空间分布、结构和规模,是对农村居民点科学管理以及对于我国农村土地资源合理开发利用的重要保证。遥感技术由于其大范围、高时效的观测特性,已经成为获取精确地物信息的重要手段。然而,对于农村居民点的精确、高效提取仍然存在着许多困难。为此,本文首先基于Google Earth Engine(GEE)云计算平台,分别利用Landsat影像数据和Sentinel影像数据,辅以夜间灯光数据和数字高程模型(Digital Elevation Model,DEM)数据,集成浅层机器学习算法,设计了农村居民点自动提取机器学习模型;紧接着又基于Tensorflow深度学习框架,利用Sentinel-2多光谱影像数据,集成深度学习算法,设计了农村居民点自动提取深度学习模型。本文的主要工作包括以下三个方面:(1)基于Landsat数据和CART算法的农村居民点自动提取研究通过Google Earth高分辨率遥感影像和文献调研发现,徐州市的农村居民点主要包括低密度大团块型和中密度宽带型。以徐州市为例,利用Landsat 8 OLI遥感影像、VIIRS-DNB夜间灯光数据和SRTM DEM数据多源数据,生成光谱、纹理和地形多维分类特征集,构建分类回归树(Classification and Regression Tree,CART)模型,最终实现了徐州市农村居民点的精确自动提取。该方法提取精度较高,总体分类精度达到了96%,Kappa系数为0.81。实验结果表明:徐州市农村居民点面积约为1545.02 km2,占徐州市总面积的13.8%;丰县周围、沛县西北部、邳州市北部、新沂市北部和贾汪区西南部的农村居民点主要为低密度大团块型的农村居民点;徐州市区附近、睢宁县附近和新沂市南部的农村居民点主要为中密度宽带型的农村居民点。(2)基于多源Sentinel数据和随机森林算法的农村居民点自动提取研究基于Sentinel系列数据设计农村居民点自动提取模型,相较于Landsat提取模型,该模型的提取效率更高,普适性更强。该模型与Landsat提取模型的技术流程大致相同,不同之处主要在于引入了Sentinel-1 SAR数据,SAR数据有着丰富的后向散射系数和空间纹理信息,可以有效提高地物提取的精度。同时,利用了分区策略和迁移性的思想,大大提高了提取的效率。据此,最终实现了2019年长江三角洲农村居民分布信息的提取。结果表明:该模型提取农村居民点的总体精度为96%,Kappa系数为0.84;2019年长江三角洲农村居民点面积大约为32121.1km2,占总面积的17.41%。其中高密度农村居民点主要分布在北部平原和东部沿海;低密度农村居民点主要分布在中部丘陵和南部山区。(3)基于Sentinel-2多光谱数据和全卷积神经网络模型的农村居民点自动提取研究基于Sentinel-2光学遥感数据,利用全卷积神经网络深度学习模型,训练一套适用于长江三角洲农村居民点提取的模型,对长江三角洲的农村居民点进行提取研究,并与基于浅层机器学习算法提取的结果进行了比较。结果表明:利用全卷积神经网络模型提取的长江三角洲农村居民点在总体精度和Kappa系数上分别达到了98%和0.91,相比于随机森林算法在精度上有了较大的提升。全卷积神经网络算法对于大规模块状的农村居民点提取结果较好,然而对于一些小规模零散的农村居民点,全卷积神经网络算法提取的结果稍差于随机森林模型提取的结果。全卷积神经网络算法提取结果中存在一定的混分,这导致小规模零散的农村居民点区域可能会存在一定的高估。本文的研究成果能够为长江三角洲的农村发展规划和乡村环境评价提供重要的数据资料和技术支撑。本文所提出的多源遥感数据自动提取算法对于全国乃至全球尺度下其他地物信息的提取研究也具有一定的参考价值。
基于全卷积神经网络的海表面温度场的预报研究
这是一篇关于深度学习,全卷积神经网络,海表面温度,预报的论文, 主要内容为从19世纪中期最早的SST观测方法水桶观测,到20世纪70年代浮标观测SST,再到20世纪80年代开始使用卫星遥感技术测量海水温度,随着测量海表温手段的变化可以知道之前获取的SST数据日增长量与现在相比是较少的,之前采取的观测方式需要大量的人力且观测的空间范围有限。随着科学技术的发展观测SST的方法变得越来越智能化,获取的数据区域范围越来越大且空间分辨率越来越高,数据呈指数型的增长。海洋中的数据已经达到了大数据的水平,需要使用更高效的研究手段处理数据、分析数据的情况。SST是研究海洋水文状况的重要参数之一,准确预测SST对于全球气候和海洋生态环境有重要的研究意义。SST是影响海洋渔场时空变动的环境因子,海洋经济的发展离不开对渔业资源的利用。SST对于热带气旋的产生、强度变化、运动路径也有重要影响,准确预测SST对于人们更好的预警自然灾害有重要的影响意义,同时可以减少自然灾害对人们造成的经济损失。深度学习为人们研究海洋要素提供了一个新的研究方法,最近基于纯数据驱动的神经网络这种深度学习预测的方法在海洋领域和其他地球科学领域已经得到了运用,这些方法是基于大量历史数据去预测下一个时间状态。纯数据驱动的方法在许多预测任务中表现出可以取代经典方法的性能,使用深度学习挖掘出蕴含在海量海洋要素中的信息,对于人类更好的认识和利用海洋资源提供了一个很好的平台。前人在预测SST的研究中大多数是基于特定站点预测SST,没有考虑空间要素,对于整体海域的SST预测的研究仍然有很大的提升空间尤其是对预测SST的精度的提升。本文希望提出一个模型从而达到提高研究海域内预测SST的精度的目的,为预测SST的研究提供参考,本文研究内容如下:(1)对研究区域分析和数据集构建。一方面对研究区域的位置和研究区域SST的特点进行分析,另一方面是使用科学的SST数据来研究。本文研究区域位于东太平洋热带不稳定波区域,选取2006-2021年总共16年的数据进行研究。本研究是时间序列预测问题,对数据分析时主要是对数据的时间序列特征分析。数据确定好后需要对数据进行预处理,同时需要构建适合输入神经网络的数据集。训练集、验证集、测试集的占比为6:1:1,其中训练集为2006-2017年的数据,验证集为2018-2019年的数据,测试集为2020-2021年的数据。(2)提出使用U-net神经网络预测研究区域内的SST。先对U-net神经网络的组成进行介绍然后具体分析里面的元素构造,对于每一个元素的作用简要说明,基于前人关于U-net神经网络的预测研究提出本研究中预测区域内SST的U-net模型。原始数据进行训练前先归一化为[0,1]范围,归一化可以消除奇异样本数据对实验的影响,提高模型训练速度。对构建好的模型添加Spatial Dropout2D层来简单改进模型预测效果。训练过程中使用的损失函数是均方误差,模型评价指标为均方根误差、平均绝对误差、决定系数这三个。(3)修改U-net神经网络提高预测SST的精度。本研究对已有的U-net模型添加一些要素进行改造从而获取更高精度预测SST的模型,分析对比模型预测结果。主要从增加输入层和添加空洞卷积这两个方面来修改模型,对于增加输入尺度信息是通过添加原始图像的缩小图像到模型池化和上采样输入中,同时分析添加位置对模型预测效果的影响。空洞卷积是添加相同空洞率的空洞卷积或添加不同空洞率的空洞卷积组成的模块,分析添加不同数量相同空洞率的空洞卷积在测试集上的预测结果,还有不同空洞率组成的模块添加在编码器最底层在测试集上的训练结果,对比分析空洞卷积的添加对模型预测SST效果的影响。(4)提出DMU-net模型预测SST。这个模型是融合了前面提出的两种修改手段,增加输入层和添加空洞卷积进一步提出的新的预测SST的模型,与之前提出的模型对比分析预测的评价指标,得出这个模型的预测效果是最好的。
基于改进3D U-Net分割脑胶质瘤的方法研究
这是一篇关于深度学习,全卷积神经网络,脑胶质瘤分割,脑部磁共振图像的论文, 主要内容为脑胶质瘤是一种极为危险的癌症肿瘤。精准划分脑胶质瘤与正常组织的边界、精准区分脑胶质瘤内部的各个区域,在临床诊断和治疗上具有极其重要的意义。传统方法与机器学习的分割效果已远低于深度学习方法,基于深度学习分割脑胶质瘤已成为脑胶质瘤分割的研究热点。针对脑胶质瘤样本数据量少的问题,研究了从形状层面增加数据多样性的方法,在仿射变换增强数据的基础上,结合弹性变换对脑胶质瘤数据进行增强。针对U-Net分割脑胶质瘤缺乏空间与全局信息等问题,首先在U-Net结构的基础上设计了改进的GR-U-Net模型。GR-U-Net在编码和解码阶段的子模块中引入残差机制,并运用组归一化减轻了批处理数量对模型的影响,提高了脑胶质瘤的分割精度。为进一步提高脑胶质瘤的分割精度,在网络编码阶段引入通道注意力机制,并在输出层之前加入空洞空间金字塔池化,以便最终特征图能融合多个尺度的信息,为此提出了改进的PPAD-GR-U-Net模型。PPAD-GR-U-Net还融合了网络级联机制,强化了脑胶质瘤的空间信息,实现了从模糊到精确的逐步训练与预测。最后使用传统方法对分割结果进行了后处理,包括去除孤立像素点以及进行孔洞填充等,进一步提升了脑胶质瘤的分割效果。为了验证所提出的脑胶质瘤分割方法的性能,在Bra TS2018验证集上进行了消融实验评估。利用PPAD-GR-U-Net对增强区域、全部肿瘤区域、肿瘤核心区域进行了分割,得到的Dice系数分别为0.8003、0.9006、0.8211,敏感度分别为0.8083、0.9059、0.8039,特异度分别为0.9982、0.9951、0.9985,豪斯多夫距离分别为3.2699、5.00138、8.40324。实验结果表明,PPAD-GR-U-Net能对脑胶质瘤进行高度精准的自动分割,初步了满足临床诊断与治疗对脑胶质瘤分割的应用需求。
基于贝叶斯全卷积神经网络的胡杨林遥感提取
这是一篇关于胡杨,主成分分析,全卷积神经网络,贝叶斯,迁移学习的论文, 主要内容为胡杨对平衡荒漠地区的森林生态系统,调节该地区的气候环境等都扮演着举足轻重的作用。本文对塔里木胡杨国家森林公园利用GF-2的卫星影像数据结合BU-Net模型进行胡杨分布信息提取。同时利用RBU-Net模型对胡杨国家森林公园的GF-2特征数据集进行预训练,根据参数迁移学习对新疆罗布湖旅游度假区的GF-2影像进行胡杨分布信息提取,根据特征迁移学习对新疆塔里木河胡杨国家级自然保护区和内蒙古额济纳胡杨林国家级自然保护区的Sentinel-2影像进行胡杨分布信息提取。主要研究内容如下:(1)胡杨特征提取与融合。基于遥感卫星数据,利用植被在遥感数据上的光谱响应,提取胡杨的光谱特征;根据纹理计算公式实现胡杨不同纹理特征的提取;分析胡杨不同物候期在卫星影像上的光谱特征,实现胡杨不同物候期光谱特征的提取。利用主成分分析法对以上特征进行融合,实现了多特征的降维,提高模型的运行效率并缓解模型复杂度。(2)基于BU-Net模型胡杨分布信息的提取。针对U-Net模型不能很好的表征不确定性问题,利用贝叶斯方法改进Dropout层函数,从而形成BU-Net模型。对比利用SVM、U-Net模型以及BU-Net模型方法提取的结果,结果表明,根据BU-Net模型提取的胡杨信息精度最高,同时将双时相胡杨特征融入特征集后,其提取结果的精确率、召回率、准确率以及加权调和平均值分别达到:95.37%、97.56%、97.50%、96.45%,较其他方法提取的精度有明显提升。(3)基于迁移学习胡杨分布信息的提取。为实现迁移学习中对源域的预训练任务,利用Res-Net残差块改进BU-Net模型,构建RBU-Net模型网络模型,实现不同研究区不同传感器胡杨信息的提取。对塔里木胡杨国家森林公园GF-2特征集进行预训练,结合参数迁移学习方法实现对新疆罗布湖GF-2影像数据的胡杨提取,其结果的精确度、召回率、准确率以及加权调和平均值分别达到85.18%、85.51%、86.24%、85.34%。将GF-2特征数据集和部分Sentinel-2影像特征数据集进行源域的预训练,利用特征迁移学习实现新疆塔里木胡杨国家级自然保护区的胡杨提取,其提取结果的精确度、召回率、准确率以及加权调和平均值分别达到:74.86%、77.05%、77.91%、75.94%。内蒙古额济纳胡杨林国家级自然保护区内胡杨提取结果的精确度、召回率、准确率以及加权调和平均值分别达到:59.68%、61.34%、61.28%、60.49%。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码项目助手 ，原文地址：https://bishedaima.com/lunwen/48565.html
