面向遥感影像的快速分类及精度评价方法研究

发布时间：2020-05-27 18:33

【摘要】：对地观测技术的快速发展为各领域提供了高精度、高时效和大面积覆盖的海量遥感数据,如何在海量遥感数据中快速提取有用信息,缓解“大数据,小知识”的现状,成为制约遥感数据应用的关键问题之一。近年来以“深度卷积神经网络”为代表的深度学习方法在图像识别和分割等领域取得了巨大突破,亦被用于基于遥感影像的地物分类等方面。但遥感影像具有多波谱特性和空间位置特征,基于遥感影像的深度卷积神经网络训练存在计算效率低,空间信息缺失等问题。同时,针对遥感影像分类结果的精度评价,由于遥感影像的空间相关性致使传统的精度评价方法存在样本冗余度高和精度评价效率低等问题。因此,本文以遥感影像的快速分类和精度评价为目的,研究基于深度卷积神经网络的遥感影像快速分类方法和基于灰度共生矩阵的遥感影像分类结果快速评价方法。主要的研究内容包括:(1)提出了一种基于改进的深度卷积神经网络遥感影像分类模型本文分类模型的改进主要体现在以下两方面:针对遥感影像的空间位置特征,通过对遥感影像进行“波段化”预处理,使遥感影像的空间位置信息转化为“经度波段”和“纬度波段”,并使其与其他波段一起构成输入数据,以提高深度卷积神经网络模型对遥感影像的空间位置特征识别度。针对遥感影像的多波谱特性,在深度卷积神经网络的卷积结构中设置瓶颈单元,实现对输入影像降维;通过分组卷积,降低深度卷积神经网络遥感影像分类模型训练时的卷积计算量;针对遥感影像的光谱连续性,构建通道洗牌结构,提升分组卷积阶段神经网络的特征提取能力。(2)提出了一种基于灰度共生矩阵的遥感影像分类结果精度评价方法本文提出的精度评价方法主要解决以下两方面问题:如何确定抽取多少样本量用于遥感影像分类结果的精度评价;如何确定怎样布设待评价的样本单元,以降低样本之间的信息冗余度。针对遥感影像分类结果精度评价抽取多少样本量的问题,本文基于灰度共生矩阵量化了遥感影像空间相关性与像素间隔的数学关系,并通过该量化关系计算出了不同空间相关性系数下样本量的大小;针对精度评价样本点的布设问题,本文结合遥感影像在不同方向上的空间相关性,优化了系统抽样的步长设计。最后基于遥感影像的海岛地物分类及精度评价为例,验证了本文提出的快速分类及精度评价方法。本文将自主构建的1500幅海岛遥感影像数据集输入改进深度卷积神经网络进行训练,得到了用于遥感影像海岛的分类模型。改进后分类模型与原模型相比,模型训练时间降低至原来的1/18。并通过基于灰度共生矩阵的精度评价方法,用较少的样本量对多幅海岛分类结果进行了准确地精度验证。评价结果显示这些海岛的分类精度均在90%以上。实验表明:本文面向遥感影像提出的改进的深度卷积神经网络分类方法,可快速训练分类模型并实现遥感影像的快速分类;基于灰度共生矩阵的分类结果精度评价方法在保证分类精度的前提下,可有效的降低评价样本间的冗余性,提升评价效率。
【图文】：

遥感影像,遥感影像分类,实际应用,精度

图 1-1 本文研究内容Fig 1-1 The research content of this article遥感影像分类后，需要在实际应用前对分类结果进行精度验证，只有当分类精度达标时才可使用。在精度验证阶段①基于灰度共生矩阵量化遥感影像的空间相关性系数与像素间距的关系；②并通过该量化关系计算出了不同空间相关性系数下样本量的大小，以确定精度评价所需的样本量；③通过量化的样本点空间相关性，优化系统抽样的步长设计，进而确定评价样本量与样本空间分布的关系，减少样本点间信息的冗余；④建立评价样本点误差矩阵，对分类精度进行了精确的量化评价；⑤最终基于灰度共生矩阵的精度评价模型对遥感影像分类结果进行评价。1.6 章节安排第一章，描述采用深度卷积神经网络方法进行遥感影像分类过程中遇到的实际问题，并研讨了分类结果精度评价过程中应考虑的遥感影像空间相关性问题，并针对遥感影像的特征，提出解决问题的方向。回顾深度学习技术的发展过程，分析国内外以深度学习方法解决遥感影像分类，以及精度评价提取领域的现状与发展趋势，阐述改进深度卷积神经网络分类方法以及精度验证这一完整过程研究思路

网络结构图,网络结构,多层神经网络,基本架构

2.1.1 深度卷积神经网络深度卷积神经网络的雏形是 LeNet。LeNet 解决了普通神经网络中神经元间全连接而造成参数过多和训练难的问题，实现了多层神经网络的训练。图 2-1 为深度卷积神经网络 LeNet 的基本架构[12]。
【学位授予单位】：上海海洋大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751;TP183

【参考文献】