论文部分内容阅读
[摘 要]本文在深度学习的基础上，对无人机遥感影像进行详细分析和研究，利用无人机遥感影像对水体进行识别和判断。这种方式的应用，具有非常良好的效果，无人机遥感影像其本身的分辨率比较高，但是其本身的信息量过大，所以很容易导致精度分类准确性不高。因此，在这种情况下，就需要利用深度学习的方式对其进行水体识别，这样才能够保证最终的分类准确性，本次对此进行分析。
[关键词]深度学习；无人机；遥感影像；水体识别
中图分类号：TP751 文献标识码：A 文章编号：1009-914X（2018）07-0082-01
在针对淡水生物进行研究的时候，以及对区域间水文与气候变化情况进行分析的时候，无论是水体空间具体分布情况或者是地理相关信息的获取，都对研究具有非常重要的影响和作用。特别是在地理相关信息的获取过程中，要保证信息的真实性和有效性，这样才能够为研究提供有效的理论依据对其进行支持。在这种情况下，遥感能够实现对地表信息的动态化监测，并且能够对其进行实时有效的监督和控制。在遥感技术的应用过程中，能够实现多时相、多光谱的针对地表水进行动态监测，这也是在针对水资源进行研究时的重要工具和措施之一。在这种大环境背景下，在深度学习的基础上，越来越多的学者对无人机遥感影像技术的应用给予了更多的关注和重视，通过研究可以看出，在现阶段相关学者对无人机遥感的影像进行获取，通过对影像的深入分析可以从中对水体进行识别。这样不仅能够保证对水体进行有效识别和分类研究，而且还能够保证分类精度。
1.深度学习和卷积神经网络分析
深度学习这一概念在最初的时候是由Hinton在2006年的时候提出，并且在特征学习过程中取得了突破性的进展。在这种情况下，深度学习能够展示出比较强大的特征表达能力。而这一表达能力在计算机视觉应用领域当中已經得到了广泛的应用，并且通过实践可以看出这种能力的应用效果比较良好。一方面，该能力的应用以及体现与方式相比存在明显的差异性，而这种差异性需要大量的人工设计特征学习结构对其进行对比分析。针对这种情况，在实际操作过程中，就需要利用深度学习对其进行深入分析和研究，这样才能够将其内在的一些要素充分展示[1]。深度学习在具体应用过程中，可以直接利用深度神经网络结构实现自动数据提取，也就是说在实际操作过程中，自动从数据当中提取出相对应的特征学习。而这些在之前是需要利用传统方式进行操作，传统方式操作其不仅需要耗费大量的人力成本，而且还不能够保证效率和质量。但是利用深度学习神经网络结构的方式，不仅能够实现自动化提取，而且还能够将这些手工操作的特征学习过程都逐渐转化成为利用网络结构进行工作的内容[2]。除此之外，其本身另外一方面特征就是深度学习与纯铜特征提取方法相比，其本身是更加具有代表性的一种特征体现。深度学习一般情况下，比较常见的模型包括自动编码器、深度信任网络、卷积神经网络等，这些都是在深度学习中必不可少的重要组成部分。下图1所展示的内容就是深度学习结构示意图。
在针对深度学习结构示意图进行分析之后，与实际情况进行结合可以发现卷积神经网络模型经常被应用在一些影像的处理或者是语音识别等方面。卷积神经网络模型已经逐渐成为图像识别以及分别领域、语音领域在研究过程中的重点研究方向和内容。
卷积神经网络是一种前馈神经网络，其本的神经元之间相互的连接模式大多数情况下，都直接取决于动物视觉皮层的各种组织方式[3]。通过对其进行的实践分析可以看出，动物视觉皮层组织方式大多数情况下，都是直接将神经元直接在区域当中平铺重叠并且实现相互之间的排列组合。卷积神经网络在现今发展过程中，已经被广泛的应用在图像和视频的识别过程中，并且通过实践可以看出，卷积神经网络的具体应用情况比较良好。卷积神经网络结构在具体构建以及应用过程中，主要是直接将很多不同层作为输入量，并且通过实践将其逐渐转化成为一个输出量，中间包含层具有比较多的不同类型。卷积层、池化层以及全连接层等，这些都是在其中有所体现的重要组成部分。卷积审计网络在训练过程中，一般会被分成两个阶段，其中包括向前传播阶段和向后传播阶段，具体结构模型示意图如图2所示[4]。
2.最大稳定极值区域分析
最大稳定极值区域主要是指在分水岭的基础和概念上，对其本身的稳定区域进行分析，这一概念最初是由Matas提出。在实际操作中，利用最大稳定极值区域方式对实际情况进行计算和判断的时候，首先要利用与实际情况相符和的阈值得出相对应的二值化图像。二值化图像主要是指将像素灰度值大于或者是对于阈值的灰度值具体设置值，将其设置在255度左右，也就是呈现出白色状态之后。与此同时，如果是想要设置成与实际情况相反状态的时候，需要将阈值设置与实际情况相符和的状态要低一些，也就是将其设置为0，呈现出黑色状态。如果阈值在0的状态下时，可以直接得出全白图像，而当阈值在255的时候，就可以得到全黑图像[5]。在这种情况下，可以根据实际情况的具体要求，从0至255为止一直调整，除此之外，还需要对图像的每一个像素点灰度值进行检查。将灰度值大于或者是与阈值相等的像素点进行记录，在极值区域当中由相互临近的相隔点组合而成。在实际操作过程中，由于阈值不断增加，所以很多极值区域在经过多个阈值的不断变化下时，其本身的区域面积也会呈现出一定的变化状态，但是大多数情况下，都会保持不变。这些区域可以职业被称之为最稳定的极值区域。
最大稳定极值区域提取主要包括以下几个方面，首先时候是MSER检测，将彩色图像逐渐转变成为灰度图像，在经过计算之后，就需要得到MSER+区域和MSER一区域[6]。除此之外，需要将MSER区域拟合或者是归一化，这样能够从根本上促使对MSER区域进行椭圆拟合，只有保证对这些数值进行准确获取和记录，才能够保证最大稳定极值区域的确定性。
3.结束语
综上所述，在深度学习的基础上，本文针对无人机遥感影像水体识别情况进行详细分析和研究。由于无人机本具有影像分辨率高、信息量大等优势特点，但是这些优势在某种程度上会导致水体识别效果不理想，导致信息提取精度不高。因此，针对这一现状，在实施过程中，在深度学习的基础上，利用卷积神经网络对水体识别模型进行构建，这样不仅能够避免出现错误现象，而且还能够提高水体识别的准确性。
参考文献
[1] 胡勇，张孝成，马泽忠等.无人机遥感影像中农村房屋信息快速提取[J].国土资源遥感.2016.28.
[2] 杨柳，陈延辉，岳德鹏等.无人机遥感影像的城市绿地信息提取[J].测绘科学.2016.07.
[3] 马潇潇，王宝山，李长春等.基于Diverse Ada Boost改进SVM算法的无人机影像信息提取[J].地理与地理信息科学.2015.01.
[关键词]深度学习；无人机；遥感影像；水体识别
中图分类号：TP751 文献标识码：A 文章编号：1009-914X（2018）07-0082-01
在针对淡水生物进行研究的时候，以及对区域间水文与气候变化情况进行分析的时候，无论是水体空间具体分布情况或者是地理相关信息的获取，都对研究具有非常重要的影响和作用。特别是在地理相关信息的获取过程中，要保证信息的真实性和有效性，这样才能够为研究提供有效的理论依据对其进行支持。在这种情况下，遥感能够实现对地表信息的动态化监测，并且能够对其进行实时有效的监督和控制。在遥感技术的应用过程中，能够实现多时相、多光谱的针对地表水进行动态监测，这也是在针对水资源进行研究时的重要工具和措施之一。在这种大环境背景下，在深度学习的基础上，越来越多的学者对无人机遥感影像技术的应用给予了更多的关注和重视，通过研究可以看出，在现阶段相关学者对无人机遥感的影像进行获取，通过对影像的深入分析可以从中对水体进行识别。这样不仅能够保证对水体进行有效识别和分类研究，而且还能够保证分类精度。
1.深度学习和卷积神经网络分析
深度学习这一概念在最初的时候是由Hinton在2006年的时候提出，并且在特征学习过程中取得了突破性的进展。在这种情况下，深度学习能够展示出比较强大的特征表达能力。而这一表达能力在计算机视觉应用领域当中已經得到了广泛的应用，并且通过实践可以看出这种能力的应用效果比较良好。一方面，该能力的应用以及体现与方式相比存在明显的差异性，而这种差异性需要大量的人工设计特征学习结构对其进行对比分析。针对这种情况，在实际操作过程中，就需要利用深度学习对其进行深入分析和研究，这样才能够将其内在的一些要素充分展示[1]。深度学习在具体应用过程中，可以直接利用深度神经网络结构实现自动数据提取，也就是说在实际操作过程中，自动从数据当中提取出相对应的特征学习。而这些在之前是需要利用传统方式进行操作，传统方式操作其不仅需要耗费大量的人力成本，而且还不能够保证效率和质量。但是利用深度学习神经网络结构的方式，不仅能够实现自动化提取，而且还能够将这些手工操作的特征学习过程都逐渐转化成为利用网络结构进行工作的内容[2]。除此之外，其本身另外一方面特征就是深度学习与纯铜特征提取方法相比，其本身是更加具有代表性的一种特征体现。深度学习一般情况下，比较常见的模型包括自动编码器、深度信任网络、卷积神经网络等，这些都是在深度学习中必不可少的重要组成部分。下图1所展示的内容就是深度学习结构示意图。
在针对深度学习结构示意图进行分析之后，与实际情况进行结合可以发现卷积神经网络模型经常被应用在一些影像的处理或者是语音识别等方面。卷积神经网络模型已经逐渐成为图像识别以及分别领域、语音领域在研究过程中的重点研究方向和内容。
卷积神经网络是一种前馈神经网络，其本的神经元之间相互的连接模式大多数情况下，都直接取决于动物视觉皮层的各种组织方式[3]。通过对其进行的实践分析可以看出，动物视觉皮层组织方式大多数情况下，都是直接将神经元直接在区域当中平铺重叠并且实现相互之间的排列组合。卷积神经网络在现今发展过程中，已经被广泛的应用在图像和视频的识别过程中，并且通过实践可以看出，卷积神经网络的具体应用情况比较良好。卷积神经网络结构在具体构建以及应用过程中，主要是直接将很多不同层作为输入量，并且通过实践将其逐渐转化成为一个输出量，中间包含层具有比较多的不同类型。卷积层、池化层以及全连接层等，这些都是在其中有所体现的重要组成部分。卷积审计网络在训练过程中，一般会被分成两个阶段，其中包括向前传播阶段和向后传播阶段，具体结构模型示意图如图2所示[4]。
2.最大稳定极值区域分析
最大稳定极值区域主要是指在分水岭的基础和概念上，对其本身的稳定区域进行分析，这一概念最初是由Matas提出。在实际操作中，利用最大稳定极值区域方式对实际情况进行计算和判断的时候，首先要利用与实际情况相符和的阈值得出相对应的二值化图像。二值化图像主要是指将像素灰度值大于或者是对于阈值的灰度值具体设置值，将其设置在255度左右，也就是呈现出白色状态之后。与此同时，如果是想要设置成与实际情况相反状态的时候，需要将阈值设置与实际情况相符和的状态要低一些，也就是将其设置为0，呈现出黑色状态。如果阈值在0的状态下时，可以直接得出全白图像，而当阈值在255的时候，就可以得到全黑图像[5]。在这种情况下，可以根据实际情况的具体要求，从0至255为止一直调整，除此之外，还需要对图像的每一个像素点灰度值进行检查。将灰度值大于或者是与阈值相等的像素点进行记录，在极值区域当中由相互临近的相隔点组合而成。在实际操作过程中，由于阈值不断增加，所以很多极值区域在经过多个阈值的不断变化下时，其本身的区域面积也会呈现出一定的变化状态，但是大多数情况下，都会保持不变。这些区域可以职业被称之为最稳定的极值区域。
最大稳定极值区域提取主要包括以下几个方面，首先时候是MSER检测，将彩色图像逐渐转变成为灰度图像，在经过计算之后，就需要得到MSER+区域和MSER一区域[6]。除此之外，需要将MSER区域拟合或者是归一化，这样能够从根本上促使对MSER区域进行椭圆拟合，只有保证对这些数值进行准确获取和记录，才能够保证最大稳定极值区域的确定性。
3.结束语
综上所述，在深度学习的基础上，本文针对无人机遥感影像水体识别情况进行详细分析和研究。由于无人机本具有影像分辨率高、信息量大等优势特点，但是这些优势在某种程度上会导致水体识别效果不理想，导致信息提取精度不高。因此，针对这一现状，在实施过程中，在深度学习的基础上，利用卷积神经网络对水体识别模型进行构建，这样不仅能够避免出现错误现象，而且还能够提高水体识别的准确性。
参考文献
[1] 胡勇，张孝成，马泽忠等.无人机遥感影像中农村房屋信息快速提取[J].国土资源遥感.2016.28.
[2] 杨柳，陈延辉，岳德鹏等.无人机遥感影像的城市绿地信息提取[J].测绘科学.2016.07.
[3] 马潇潇，王宝山，李长春等.基于Diverse Ada Boost改进SVM算法的无人机影像信息提取[J].地理与地理信息科学.2015.01.