基于機器學習的遙感圖像水體提取研究.pdf

1、地表水體信息的獲取對洪澇災害分析、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。隨著遙感技術的發(fā)展，利用遙感技術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用的需要，越來越多的研究者利用機器學習方法來提取水體信息，淺層機器學習模型取得了一定的效果，但需進行復雜的人工特征分析與選取。深度學習是機器學習研究中一個新的領域，是當前人工智能的研究熱點，其深層網(wǎng)絡模型

2、具有強大的表達能力，能夠從樣本中自學習更有用的特征，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。本文采用機器學習方法建立相關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，分析了這些方法的優(yōu)缺點。詳細介紹了遙感圖像的預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

3、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)絡訓練。
　　(3)提出一種基于棧式自編碼的遙感圖像水體提取方法。該方法結合無監(jiān)督與有監(jiān)督學習的優(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)絡模型，采用逐層貪婪訓練法依次訓練網(wǎng)絡的每一層，從像素層面無監(jiān)督學習特征，避免了顯式的特征抽取過程；利用學習到的特征以及

4、相應的樣本標簽有監(jiān)督訓練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構，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。其局部感受野和權值共享大大減少了需要訓練的網(wǎng)絡參數(shù)數(shù)量，降低了網(wǎng)絡模型的復雜度，空間的子采樣結構對一定范圍內(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