基于深度学习的遥感影像分类应用研究

发布时间：2020-10-25 00:48

　　 遥感影像记录了丰富的地面物体光谱信息、空间结构信息,是地面物体整体面貌最直观的表现。利用影像记录的信息对遥感影像中的目标进行识别和分类是获取目标信息的主要途径,这些地物目标的分类结果对农业生产、环境保护、军事侦察、地理测绘制图等具有重要意义。但是由于遥感影像地物目标种类复杂,高分辨率遥感影像欠缺光谱信息等原因,增加了遥感影像的分类难度。常被应用于遥感影像分类工作中的传统机器学习方法,在分类时不仅要克服遥感影像数据量给分类工作带来的困难,还要人工对数据进行繁重的特征分析和特征提取工作。同时,对遥感影像进行特征分析和提取也需要更为专业的专家知识,分类结果的精度也取决于先验专家知识。因此,传统的机器学习方法在遥感影像分类上有明显的局限性。近些年出现的深度学习技术,可以自动学习大量图像数据的深层次特征,它依据提取的特征对图像中目标进行准确的识别和分类决策,在一定程度上提高了图像的分类精度。鉴于遥感影像分类和图像分类技术之间的密切联系,把深度学习技术应用到遥感影像分类上极具可行性,同时该技术也能克服传统方法在遥感影像分类上的局限性,具有很高的研究价值。目前,应用于遥感影像分类领域的深度学习技术虽然取得了一定的成果,但它还存在分类精度不高、对大场景下的高分辨率遥感影像分类没有给出有效的解决方案等问题。针对上述问题,本文将基于深度学习技术的全卷积神经网络模型应用在遥感影像分类中。主要研究内容如下:(1)针对大场景下高分辨率遥感影像中目标大小差距较大,目标无法有效识别问题,本文在全卷积神经网络(FCN)模型基础上,根据剪裁策略提出一种改进的全卷积遥感影像分类模型(FCN-16s)。然后在FCN-16s模型基础上,结合改进的Skip结构得到新的FCN-16s+Skip模型。实验结果表明,相比传统FCN模型,两个改进的模型能够有效提取目标,在大场景高分辨率遥感影像分类上有着更高的精确度。(2)为了进一步提高大场景下高分辨率遥感影像的分类精度,本文提出集成的遥感影像分类方法,即将FCN-16s和FCN-16s+Skip两个模型的预测分类结果进行集成融合,使得集成后的分类结果能够具有两个模型的优点,进一步提高影像分类精度。实验结果表明,对比单一模型,集成的遥感影像分类方法具有更高的分类精确度。(3)鉴于U-Net模型的良好扩展性,为了进一步提高遥感影像分类效率和精确度,本文在U-Net模型基础上,加入融合残差结构和循环结构的循环残差卷积融合结构,形成一种基于循环残差卷积结构的遥感影像分类模型。实验结果表明,该模型能更好地自动提取和利用遥感影像的特征,从而获得高精度的遥感影像分类结果。
【学位单位】：贵州大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP751;TP18
【部分图文】：

图 1-1 论文技术路线图1.4 论文组织结构安排本文的整体结构安排如下：第 1 章为引言部分，简要阐述了本研究课题的选题背景及研究意义。针对遥感影像传统分类技术以及深度学习技术在遥感影像分类方面的应用，进行了国内外研究进展及现状的简要总结，最后介绍了本文的研究内容、技术路线和结构安排。第 2 章对深度学习模型的原理进行分析研究，首先介绍了深度学习在图像分类领域的一个常用模型——卷积神经网络的结构与原理、特点。然后介绍了卷积神经网络在图像分割上的演变——全卷积神经网络，并介绍其原理与特点。最后，研究了深度学习模型的关键问题与技术。第 3 章提出一种基于全卷积神经网络的遥感影像分类集成方法。该方法针对大场景下高分辨率遥感影像分类问题，同时对集成方法中的全卷积模型进行研究设计。其次介绍遥感影像分类实验的详细流程，包括实验数据介绍、实验数据的

度也会造成直接影像。所以，能自习模型是本章研究的重点。深度结构化学习或分层学习，是基为监督、半监督、无监督学习。深nal Neural Networks，CNN）、深度经网络（Recurrent Neural Netwo自然语言处理、医学图像分析等领某些情况下甚至优于人类专家。在积神经网络模型是两类常用的深度型tilayer Perceptron ，MLP）是最基础础模型。感知机中的节点模仿生物激传递过程，最终输出正确的决策输入信号的感知机。

下图2-2 为含有一个隐藏层的多层感知机。图 2-2 包含一层隐藏层的三层感知机结构上图 2-2 的三层感知机中，每个结点都是全连接的。设 表示 L-1 层的第i 个结点到 L 层第 j 个结点的权重， 表示输入数据， 表示第 L 层中第 i 个结点的偏置值， 表示第 L 层第 i 个结点的输出，则在三层感知机中，第三层的输出结果表示为式（2-3）所示： = ( π ) （2-3）其中， = ( π ) （2-4）由于感知机层数的增加和结点中激活函数的非线性变换性，大大增加感知机的非线性转换能力，使感知机能够解决复杂的非线性问题，更加符合解决问题的客观规律。2.2 卷积神经网络模型CNN 作为深度学习模型中重要的一类模型
【参考文献】

相关期刊论文 前8条

1 周林飞;姚雪;王鹤翔;张静;;基于Landsat?8遥感影像的湿地覆被监督分类研究[J];中国农村水利水电;2015年09期

2 刘进锋;郭雷;;神经网络前向传播在GPU上的实现[J];微型机与应用;2011年18期

3 肖鹏峰;;高分辨率遥感图像频域特征提取与图像分割研究[J];测绘学报;2008年03期

4 秦永;宋伟东;;遥感影像特征提取与选择及在影像分类中的应用[J];测绘科学;2008年01期

5 冯燕;何明一;宋江红;魏江;;基于独立成分分析的高光谱图像数据降维及压缩[J];电子与信息学报;2007年12期

6 周峰;李杏梅;刘福江;孙华山;;基于主成分分析的自组织竞争神经网络在多光谱遥感影像分类中的应用[J];光学与光电技术;2007年03期

7 汪闽,骆剑承,明冬萍;高分辨率遥感影像上基于形状特征的船舶提取[J];武汉大学学报(信息科学版);2005年08期

8 李石华,王金亮,毕艳,陈姚,朱妙园,杨帅,朱佳;遥感图像分类方法研究综述[J];国土资源遥感;2005年02期

本文编号：2855209