基于卷积神经网络的高分二号遥感影像提取方法

发布时间：2020-07-03 01:39

【摘要】：准确获取耕地、居民地、林地、道路和水域等地物的分布信息,是获取土地利用信息的主要手段。用高分二号遥感影像为数据源,利用深度学习模型对高分辨率遥感影像进行分割提取,可以获取高精度土地利用分类相关信息,对合理开发土地资源,促进精准农业发展有着重要的作用。在高分二号遥感影像上,各类地物特征复杂多样,将神经网络模型运用到遥感影像的提取,可以增加分割精度,且与传统的提取方法相比,提高了处理速度。Deeplab和RefineNet网络在自然图像识别分割时效果显著,但是它并不适合处理高分二号遥感影像,其主要原因是深层卷积忽略细节特征,并且存在多层池化层。池化在考虑背景空间信息的同时丢弃了部分位置信息。另一个原因是高分二号遥感影像与自然图像相比特征差别很大,卷积神经网络不适合直接提取高分二号遥感影像。本文分析了耕地、林地、水域、道路和居民地在高分2号遥感影像上的表现特点,以Deeplab和Refine Net模型为基础,依据每类地物的具体特点模型结构进行设计分析,结合训练结果,最终分别得到用于五类地物的网络结构,通过这两套网络模型对影像分别进行分类。主要工作如下:1、数据集制作。融合后的整幅高分二号遥感影像很大,如果直接输入网络训练,显卡会出现内存溢出的问题,本文使用ENVI 5.3直接融合高分二号遥感影像,然后使用标注软件对遥感影像进行标注,使用python编写的代码裁剪出分辨率为960*960的PNG格式的图片,将其属性标记为0到N的某个值,即不同地物的像素属性值依次标记为1、2、3、……、N,其他物体的像素点标记为0。2、各地物在高分辨率遥感影像上的影像特征主要表现为:光谱、空间、纹理、形状等特征。总结高分2号遥感图像中耕地、林地、水域、道路和居民地特点,并从理论上将各类特征进行归纳总结,为后续的模型设计奠定基础。3、针对裸地与小麦大量分布的影像,本文提出了基于ECLDeeplab(Extraction Cul tivated Land Deeplab)模型耕地信息提取方法。由于山东省中部地区12月份影像中的耕地主要为小麦和裸地,所以该模型主要提取了冬小麦和裸地两类,总体提取准确率为88.3%。4、针对每一类地物特点在RefineNet模型基础上构建网络结构,设计出了IM-RefineNet(Improved Model RefineNet)模型结构。该法能够保留高分二号遥感影像的空间位置信息。最终实验结果表明,本文的方法在高分二号遥感影像提取地物的效率有所提高,而且总体提取精度达到93%。
【学位授予单位】：山东农业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP183;TP751
【图文】：

肥城市,东平县,位置图

图 4 肥城市和东平县位置图Fig.4 Location map of feicheng and dongping选取泰安肥城市、东平县为研究区。肥城市16°02'至 116°77'和北纬 36°18 至 36°28

遥感影像,遥感影像,数据集,样本集

图 6 融合后的遥感影像Fig.6 Remote sensing image after fusion2.4 数据集制作数据集制作主要包括确定提取体系、对遥感影像进行拼接、人工标记和样本集的裁

【参考文献】