基于多源遙感數(shù)據(jù)的樹(shù)木檢測(cè)系統(tǒng)

《基于多源遙感數(shù)據(jù)的樹(shù)木檢測(cè)系統(tǒng)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、碩士學(xué)位論文論文題目：基于多源遙感數(shù)據(jù)的樹(shù)木檢測(cè)系統(tǒng)作者姓名高思斌指導(dǎo)教師范菁、董天陽(yáng)學(xué)科專業(yè)計(jì)算機(jī)技術(shù)培養(yǎng)類別全日制專業(yè)學(xué)位碩士所在學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院提交日期2017年5月萬(wàn)方數(shù)據(jù)浙江工業(yè)大學(xué)碩士學(xué)位論文基于多源遙感數(shù)據(jù)的樹(shù)木檢測(cè)系統(tǒng)作者姓名：高思斌指導(dǎo)教師：范菁、董天陽(yáng)浙江工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院2017年5月萬(wàn)方數(shù)據(jù)DissertationSubmittedtoZhejiangUniversityofTechnologyfortheDegreeofMasterTreeDetectionS

2、ystembasedonMulti-sourceRemoteSensingDataCandidate：GaoSibinAdvisor：FanJing，DongTianyangCollegeofComputerScienceandTechnologyZhejiangUniversityofTechnologyMay2017萬(wàn)方數(shù)據(jù)浙江工業(yè)大學(xué)學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：所提交的學(xué)位論文是本人在導(dǎo)師的指導(dǎo)下，獨(dú)立進(jìn)行研究工作所取得的研究成果。除文中已經(jīng)加以標(biāo)注引用的內(nèi)容外，本論文不包含其他個(gè)人或集體已經(jīng)

3、發(fā)表或撰寫過(guò)的研究成果，也不含為獲得浙江工業(yè)大學(xué)或其它教育機(jī)構(gòu)的學(xué)位證書(shū)而使用過(guò)的材料。對(duì)本文的研究作出重要貢獻(xiàn)的個(gè)人和集體，均已在文中以明確方式標(biāo)明。本人承擔(dān)本聲明的法律責(zé)任。作者簽名：日期：年月日學(xué)位論文版權(quán)使用授權(quán)書(shū)本學(xué)位論文作者完全了解學(xué)校有關(guān)保留、使用學(xué)位論文的規(guī)定，同意學(xué)校保留并向國(guó)家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。本人授權(quán)浙江工業(yè)大學(xué)可以將本學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。本學(xué)位論文屬于1

4、、保密□，在一年解密后適用本授權(quán)書(shū)。2、保密□，在二年解密后適用本授權(quán)書(shū)。3、保密□，在三年解密后適用本授權(quán)書(shū)。4、不保密□。（請(qǐng)?jiān)谝陨舷鄳?yīng)方框內(nèi)打“√”）作者簽名：日期：年月日導(dǎo)師簽名：日期：年月日萬(wàn)方數(shù)據(jù)浙江工業(yè)大學(xué)碩士學(xué)位論文基于多源遙感數(shù)據(jù)的樹(shù)木檢測(cè)系統(tǒng)摘要高分辨率衛(wèi)星遙感影像和LIDAR點(diǎn)云數(shù)據(jù)是林業(yè)應(yīng)用領(lǐng)域中使用非常廣泛的兩種數(shù)據(jù)。這兩種數(shù)據(jù)都可以用來(lái)檢測(cè)單棵樹(shù)信息，但各自具有相應(yīng)的適用性。高分辨率衛(wèi)星遙感影像較容易獲取，數(shù)據(jù)涉及的范圍大，可以用來(lái)獲取樹(shù)木的位置信息，冠層面積信息，但缺少樹(shù)木

5、高度等較為精確的測(cè)量信息。利用LIDAR點(diǎn)云數(shù)據(jù)則可以檢測(cè)得到樹(shù)木的三維信息，但是數(shù)據(jù)采集的成本較高。采用這兩種遙感數(shù)據(jù)檢測(cè)單棵樹(shù)信息都面臨著參數(shù)依賴性強(qiáng)、檢測(cè)結(jié)果精度不夠高的問(wèn)題。本文針對(duì)這些問(wèn)題，面向高分辨率遙感影像和LIDAR數(shù)據(jù)，開(kāi)展單棵樹(shù)木檢測(cè)技術(shù)研究，研發(fā)了基于多源遙感數(shù)據(jù)的樹(shù)木檢測(cè)系統(tǒng)。本文的主要研究?jī)?nèi)容有：1、為了在高分辨率衛(wèi)星遙感影像中更好地提取出樹(shù)木信息，本文提出了基于級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)的單棵樹(shù)檢測(cè)方法。首先，本文通過(guò)采用BP神經(jīng)網(wǎng)絡(luò)方法檢測(cè)單棵樹(shù)來(lái)降低方法的參數(shù)依賴性，提升方法的泛化性能

6、，然后為進(jìn)一步提升方法的識(shí)別精度，本文選取能量、熵、均值、偏度、峰度這5個(gè)特征，加入到BP神經(jīng)網(wǎng)絡(luò)模型中，構(gòu)成一個(gè)級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)模型來(lái)檢測(cè)樹(shù)木，從而達(dá)到降低樹(shù)木誤識(shí)率和漏識(shí)率的目的。本文選取了6個(gè)實(shí)驗(yàn)區(qū)域作為測(cè)試區(qū)域，實(shí)驗(yàn)結(jié)果表明，級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)方法的檢測(cè)效果良好。2、為了提高利用LIDAR點(diǎn)云數(shù)據(jù)檢測(cè)樹(shù)木的準(zhǔn)確率，本文提出了基于梯度方向聚類的單棵樹(shù)檢測(cè)方法。該方法首先對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行柵格化，生成實(shí)驗(yàn)區(qū)域的數(shù)字表面模型。然后計(jì)算數(shù)字表面模型的梯度方向，并利用梯度方向?qū)?shù)字表面模型進(jìn)行聚類，得到單棵樹(shù)的備選集。

7、最后根據(jù)密度特征對(duì)單棵樹(shù)的備選集進(jìn)行篩選。本文將該方法和其他檢測(cè)方法在NEWFOR項(xiàng)目的公開(kāi)數(shù)據(jù)集上的檢測(cè)結(jié)果進(jìn)行了比較，實(shí)驗(yàn)結(jié)果表明，該方法具有較好的檢測(cè)效果。3、本文設(shè)計(jì)完成了基于多源遙感數(shù)據(jù)的樹(shù)木檢測(cè)系統(tǒng)，將上述兩種單棵樹(shù)檢測(cè)方法進(jìn)行了集成和實(shí)現(xiàn)。系統(tǒng)可以處理高分辨率遙感影像數(shù)據(jù)和LIDAR點(diǎn)云數(shù)據(jù)，從中檢測(cè)出樹(shù)木的位置信息、樹(shù)木冠層大小信息和樹(shù)木高度信息。關(guān)鍵詞：遙感數(shù)據(jù)，單棵樹(shù)檢測(cè)，神經(jīng)網(wǎng)絡(luò)，梯度方向聚類i萬(wàn)方數(shù)據(jù)浙江工業(yè)大學(xué)碩士學(xué)位論文TreeDetectionSystembasedonMu

8、lti-sourceRemoteSensingDataABSTRACTHigh-resolutionsatelliteremotesensingimagesandLIDARpointclouddataareverywidelyusedinforestryapplications.Bothofthesedatacanbeusedtoobtainsingletreeinformation.High-resolutionsatelliteremo