基于深度特征学习的高分辨率遥感影像分类

发布时间：2021-06-28 16:28

　　高分辨率遥感影像目标分类与识别是高分辨率对地观测系统和自动识别系统信息提取和处理的重要组成部分。高分辨率遥感影像作为一种空间大数据,逐渐被应用于应急减灾、现代军事、精准农业等领域中,对影像实时处理效率、分类精度和自动化水平提出更高的要求。随着高分辨率遥感数据量的海量增长、数据表现形式的逐渐多样以及遥感影像场景的复杂,人工设计的特征已无法满足高分辨率遥感影像的精确分类和识别任务。因此,研究基于深度学习的流程和方法对提高遥感信息的提取精度和分类效率具有重要的意义和价值。本文针对高分辨率遥感影像的分类问题,开展以下几个方面的研究:首先,针对深度学习监督分类中大量标签样本获取费时费力的问题,提出利用支持向量机的方法生成类内距离小、类间距离大的样本集,然后采用一系列数据增强操作对数据集进行扩展,丰富数据样本的多样性,以使得训练的神经网络模型更具泛化能力。其次,针对传统卷积神经网络中全联接层将特征图像压缩为一维而丢失空间信息的问题,本文在VGG-16网络基础上提出修改后的SVM-FCN深度全卷积网络。为提高物体的判别精度,网络中还融合了不同层级网络的特征表达。在预测分类阶段,本文提出滑动步长大于1... 

【文章来源】：中国科学院大学(中国科学院遥感与数字地球研究所)北京市

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

本文的技术路线图

第 2 章 基于卷积神经网络的高分辨率遥感影像分类理论与方法2.1 高分辨率遥感影像分类概述遥感影像分类指的是对影像中各地物的光谱和空间特征进行综合分析，基于某种手段选择能表达地物的特征，最后通过一定的分类算法或者依据将特征划分为不同的地物类别。图 2.1 给出了高分辨率遥感影像分类方法的基本框架：首先，对高分辨率遥感影像进行预处理，然后根据待分类地物的特性提取和选择空间、纹理等多种特征，将其作为分类器的输入，训练分类器并完成影像的预测。在面向对象的高分辨率遥感影像分类中，在对原始影像预处理后需要进行图像的分割，之后再进行特征的提取和分类。在实际应用中，考虑分类结果中异常点以及空间平滑性，常使用最大/最小分析、聚类处理以及聚类处理进行分类后处理，以进一步提高分类精度。

大池化最为常用。在实际应用中，通常组合多个卷积层，之后采用全连接层进行训练，单层卷积倾向学习局部特征，而多层卷积可使得学到的特征更全局化。卷积层和池化层的参数、层数以及全连接层分类器类型根据实际应用来确定。卷积神经网络的结构组成如图2.6所示。

【参考文献】：
期刊论文
[1]深度学习在遥感影像分类中的研究进展[J]. 付伟锋,邹维宝.  计算机应用研究. 2018(12)
[2]深度学习方法用于遥感图像处理的研究进展[J]. 罗仙仙,曾蔚,陈小瑜,张东水,庄世芳.  泉州师范学院学报. 2017(06)
[3]结合深度学习与条件随机场的遥感图像分类[J]. 夏梦,曹国,汪光亚,尚岩峰.  中国图象图形学报. 2017(09)
[4]基于CNN模型的高分辨率遥感图像目标识别[J]. 曲景影,孙显,高鑫.  国外电子测量技术. 2016(08)
[5]基于谱空间统计特征的高分辨率影像分割尺度估计[J]. 明冬萍,周文,汪闽.  地球信息科学学报. 2016(05)
[6]卷积神经网络在高分遥感影像分类中的应用[J]. 曹林林,李海涛,韩颜顺,余凡,顾海燕.  测绘科学. 2016(09)
[7]第1讲 深度学习:开启人工智能的新纪元[J]. 李轶南,张雄伟,李治中,吴海佳,孙久皓.  军事通信技术. 2015(04)
[8]高分辨率影像分割的分形网络演化改进方法[J]. 邓富亮,杨崇俊,曹春香,范协裕.  地球信息科学学报. 2014(01)
[9]基于改进的区域增长算法的高分辨率影像分割[J]. 李亮,舒宁,黄亮.  地理空间信息. 2010(05)
[10]支持向量机在空间信息处理领域的应用研究[J]. 谭琨,杜培军,郑辉.  测绘科学. 2007(02)



本文编号：3254660