基于自编码器与卷积神经网络的遥感对象分类

发布时间：2020-06-21 10:47

【摘要】：遥感分类是从遥感影像中获取有用数据和信息的必要手段,近年来,随着高分辨率遥感技术的快速发展,传统的基于像元的分类方式已难以满足目前的分类需求,面向对象的分类方法应运而生,目前,一般的面向对象分类方法需要依靠人工选取特征以用于分类,不仅耗费人力物力,同时人为特征选取具有强烈的盲目性和主观性。深度学习是目前人工智能领域较前沿的学习算法,它自动提取目标特征的特性使其在各个研究领域备受欢迎,因此本文将深度学习的两个经典算法自编码器和卷积神经网络应用到面向对象遥感分类中来,但将两种算法直接用于分类会面临网络难以训练及需要大量有标签样本的问题,本文则对问题进行了详细的分析,并提出了相应的解决方案,旨在提高自编码器和卷积神经网络在面向对象遥感分类中的分类性能,为面向对象遥感分类提供一种自动学习特征的探索性思路。具体研究成果如下:(1)设计了栈式自编码器和BP神经网络混合模型。针对将自编码器应用于面向对象遥感分类时,由于以众多像元组成的对象为基本分类单元而导致的输入数据维度较高,以至自编码器难以训练的问题,提出了栈式自编码器和BP神经网络混合模型,将局部采样的小样本利用栈式自编码器对未标记的样本进行无监督特征提取,同时预训练权重,然后通过BP神经网络使用有标签的样本进行权重微调,并利用集成学习的思想集成小样本的分类结果,通过实验证明,该模型的分类精度能够达到0.930,是一种有效可行的分类方法。(2)建立了基于多分类器的多尺度卷积神经网络模型。针对卷积神经网络在面向对象遥感分类时,由于卷积神经网络自身结构复杂需要大量有标签样本训练以及因遥感数据多样性而使得有标签的样本数据获取较困难的问题,提出利用多分类器集成的思想改进卷积神经网络的分类性能,即从网络的输出端进行改进,将分类任务进行分解,再利用本文改进的贝叶斯投票法进行集成,实验结果表明,该模型的分类精度能够达到0.916,为面向对象遥感分类提出了一条新的探索途径。(3)实现了卷积自编码器和卷积神经网络混合分类模型。针对卷积神经网络在分类时面对的问题,提出从网络输入端进行改进,首先使用卷积自编码器对原始数据进行预处理,提取原始数据的高维特征,将提取的特征作为卷积神经网络的输入,实验结果表明该模型简化了卷积神经网络的结构,使分类精度达到0.944,并且分类效率得到提高,在分类精度不低于0.9的情况下有标签的样本使用可以减少一半以上,是一种非常有效的设计方案。
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP183;TP751
【图文】：

遥感分类,面向对象

图 2-1 面向对象遥感分类一般流程2.1.1 多尺度分割从宏观上来说，尺度是指待处理对象粒度的大小，在面向对象遥感分类中，尺度是指区域内像素的个数或区域合并的异质性阈值。由于地球表面不同的地物大小不同，即不同的地物类型具有不同的尺度，在遥感影像中也表现出不同的尺度特征，因此为了找出不同地物对象与其对应的尺度特征，以使得地物的轮廓能够很好的被表达出来，需要对影像进行多尺度分割。尺度影像分割是指首先设定某个阈值，然后根据遥感影像中地物目标的光谱信息、形状特征、纹理特征、上下文特征等，将具有相似特征值的异质性在设定的阈值范围之内的相邻像元合并，形成一个个具有真实自然地理语义的“对象”，多尺度分割则是通过设定不同分割阈值对同一幅影像进行分割，来建立不同尺度层次下的影像对象层，从而反映遥感影像中地物的等级关系。由多尺度分

示意图,多尺度,流程,示意图

若大于设定的尺度，则停止合并，若小于阈值，则继续合并，直至所有的对象的异质性均达到设定的阈值为止，合并停止[51]。多尺度分割即设定多个尺度，其中小尺度的对象按照上述步骤生成，小尺度对象继续向上合并生成大尺度对象，由此完成多尺度分割，也形成了对象之间具有上下层语义的关系图层。多尺度分割流程示意图如下所示：

【相似文献】