基于卷积神经网络的面向对象遥感影像分类方法研究

发布时间：2020-04-10 19:09

【摘要】：近年来,随着遥感技术的迅猛发展,人们可以十分便捷、高效地获取高空间分辨率遥感影像(简称高分影像)。高空间分辨率使影像中的地物细节更加清晰与丰富,但是同时也为地物分类带来了新的挑战。使用传统的分类方法对高分影像进行分类只能提取影像中的低层次特征,难以得到满意的分类结果。如何深入挖掘蕴藏在高分影像中的高层次特征是高分影像分类精度提升的关键。目前有学者提出基于卷积神经网络技术的逐像素分类方法,可以提取并利用影像中的高层次特征,取得更高的分类精度。但是由于采用像素作为分析基元,在实际应用中仍存在一定的缺陷与不足,如在分类结果中存在大量椒盐现象等。因此研究将面向对象影像分析思想和卷积神经网络分类技术相结合的理论与方法,充分利用高分遥感影像的深度特征进行地物识别和分类,对于高分辨率遥感影像的高精度信息提取具有重要意义与实用价值。本文结合高分影像自身的特点,剖析了高分影像分类的难点,对目前卷积神经网络技术在高分影像分类中应用的优劣进行了分析与综述。在卷积神经网络技术与面向对象分析的理论基础上,建立了一种基于卷积神经网络的面向对象高分影像分类思想与框架。以分割对象作为分析基元,利用卷积神经网络提取的高层次特征对其进行分类,提出了基于单尺度卷积神经网络的超像素分类方法。此外,本文针对高分影像尺度效应明显的特点,对卷积神经网络的结构进行改进,提出了基于多尺度卷积神经网络的超像素分类方法。本文以两幅高分影像作为实验数据进行对比试验,印证了所提新方法的优越性和可靠性。通过实验结果可知,基于卷积神经网络的面向对象分类方法有三个主要优点:(1)以分割对象作为分析基元,克服了基于卷积神经网络逐像素分类方法的缺陷。可以有效避免由于混合像元造成的椒盐现象,极大减少了分类的计算量,并取得更高的分类精度。(2)使用卷积神经网络可以充分提取并利用高分影像中的高层次特征,大幅提升高分影像的分类精度。(3)使用多尺度卷积神经网络可以充分提取影像中多尺度的高层次信息,减少了尺度效应对分类结果的影响,解决高分影像多尺度特征难以提取与利用的难题,进一步提升高分影像的分类精度。本文建立了卷积神经网络技术与面向对象分析之间的桥梁,从新的角度将卷积神经网络技术与遥感影像分类相结合,对未来的研究有重要的理论意义和应用价值。
【图文】：

影像,卷积,分类器,全连接

如图 2-1 所示，卷积神经网络是一种受人类大脑神经元结构和信号传输方式启发，由多个卷积层（Convolutional Layer，Conv Layer）、池化层（Pooling Layer）、全连接层（Fully Connected Layer，FC Layer）以及一个分类器所构成的深层神经网络（Fukushima and Miyake, 1982; LeCun, et al., 1989）。卷积神经网络是对人类视觉认知机理和过程的模拟。使用卷积层进行特征提取，并利用池化层对特征进行高层次的抽象表达，从而实现对影像中高层次特征的挖掘和理解。卷积神经网络的结构具有鲜明的特点：每一个卷积层后通常会紧接一个池化层，共同组成一个特征提取器。通过对多个卷积-池化结构的堆积可以实现高层次特征的提取。但是卷积-池化结构所输出的是二维特征图，这种复杂且高度抽象的高层次特征并无法直接输入到传统的分类器中。因此最后一个池化层的输出结果，也就是由卷积-池化结构所提取的特征，需要输入到一个多层的全连接网络结构当中，从而实现二维特征到一维特征的映射和优化。最后，全连接层输出的一维特征被输入到分类器中，进而得到最终的分类结果。

特征图,卷积,基本原理,卷积核

第二章卷积神经网络十分适用于对高层次特征的高效提取（LeCun, et al., 1998）。在卷积神经网络的训练过程中，卷积层中有两类参数需要被训练和优化，分别是卷积核的参数以及卷积层的偏置项。卷积层的基本原理如图 2-2，卷积层将卷积核参数与影像的局部感受野进行点积运算，之后将点积运算的结果和偏置项相加结果输入激活函数中，，得到最终输出的特征图。卷积层的计算方式如下： 2
【学位授予单位】：中国地质大学(北京)
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：P237

【参考文献】