一种面向农田提取的高分遥感影像分割模型

发布时间：2020-05-12 15:41

【摘要】：农田是重要的地表覆盖类型,农田信息的提取对农业生产管理有着十分重要的意义,利用高空间分辨率遥感图像及时、准确地提取农田信息,能够为土地等级评价、基本农田保护、耕地动态监测及决策制定提供重要的参考。高分二号是我国自有的第一颗空间分辨率优于1米的光学遥感卫星,是高精度提取农田的重要数据源,但在高分二号遥感影像上,农田的单个植株覆盖面积很小,设计从遥感影像上提取农田的卷积神经网络结构时,需要充分考虑到影像的空间分辨率与植株的覆盖面积的比例关系。为了更好的提取农田信息,本文提出了一种卷积-编码器网络模型(Convolutional Encode Neural Networks,CENET),并结合有监督的训练方法,实现了对高分二号影像农田的提取。以2018年1月11日的山东省章丘市高分二号遥感影像作为数据源,进行了测试。本文的主要工作及结论如下:1、卷积-编码器网络模型的设计。农田农作物的单个植株覆盖面积较小、包含像素量较少、包含细节信息较少、且植株连续,传统的一些图像分割算法不能很有效解决上述问题,本文针对上述农田的特点,设计了卷积-编码器模型(CENET)对农田进行图像语义分割。通过“宽度”卷积方式,充分利用农田图像的特点实现了农田图像像素级的分割。2、基于卷积-编码器模型(CENET)的农田图像分割算法实现。模型共分为两个子模型,第一个模型为训练模型,共分为三个部分,第一部分为卷积层,用于学习农田的特征;第二部分为全连接层,用来把卷积输出的二维特征图转化成一维的一个向量;第三部分为编码器,编码器利用转换函数对学习到的特征进行编码,并将编码结果映射为相应的类别号。第二个模型为识别模型,在编码器的基础上,利用贝叶斯原理对训练过程中得到的像素的分类值进行统计分析,获取先验知识,并对全连接层的输出进行判断。在模型训练阶段,利用标记的农田和其它类别的样本,对模型进行分类别训练,使模型获得足够的区分能力。利用训练好的模型对图像进行逐像素分割,得到最终提取结果。3、模型优化及对比实验设计。本文采用批标准化(Batch Nomalization,BN)对模型进行了优化,用于激活函数前,能加快模型学习速度,使得模型训练过程更加稳定,同时起到了正则化的作用。利用贝叶斯作为分类识别的辅助手段,进一步提高了分割的精度。本文采用SegNet模型、全卷积神经网络(FCN)方法与CENET模型进行实验比较分析,并进行精度评价。研究结果表明:相对于SegNet模型、全卷积神经网络(FCN)方法,本文的CENET网络模型能更准确地挖掘农田的特征,达到了从高分二号影像上高精度提取农田的目标。
【图文】：

特征图,局部连接,全连接,卷积核

图 1 全连接与局部连接图Fig.1 Full connection and local connection chart（2）权重共享隐所谓的权重共享，即给定一张输入图片，用一个卷积核去卷积这张图，卷积核里的值就是权重，这张图每个位置都是被同样的卷积核卷积，所以权重是一样的，这就叫共享。但是采用权重共享只能提取到一种特征，因为一种卷积核的权值相同，提取到图像的特征也只能是一种，所以使用不同的卷积核，就能提取图像的不同特征。那么如果有一百种卷积核，就能提取到一百种特征图，这些特征图就组成了一层神经元。此时只需要 100*100 个参数。通过权值共享的方式，，大大地减少了网络中的权重数量，加速了卷积神经网络模型的训练过程。模型参数的个数只与卷积核的大小以及种类有关，而与隐层神经元无关。但是隐层的神经元个数与原图像的大小、卷积核的大小和卷积核在图像中的滑动步长有关。假如

一种面向农田提取的高分遥感影像分割模型

最大池化与平均池化
【学位授予单位】：山东农业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751

【参考文献】