基于稀疏约束卷积神经网络的高分辨率遥感影像分类

发布时间：2020-04-15 03:52

【摘要】：随着遥感影像空间分辨率的提高,影像中的地物信息能够被清晰精确的表示出来,这极大程度的推动了遥感技术应用的发展,但目前的遥感影像分类方法大部分是基于中低分辨率的遥感影像,无法高效的从高分辨率遥感影像中获取有效的特征信息,这也为高分辨率遥感影像的应用带来了巨大的挑战。而近年来兴起的深度学习算法为实现高效、智能化的高分辨率遥感影像分类提供了理论依据和有效的算法。卷积神经网络(Convolutional Neural Networks,CNN)是深度学习的一个重要的结构模型,其主要特点是通过局部连接、权值共享、空间下采样等操作以减弱图像分类过程中对平移、旋转、扭曲的敏感性,因此卷积神经网络在图像识别分类领域有着广泛的应用。本文通过模仿人类视觉系统信息处理机制,将Lorentz函数稀疏约束引入到卷积神经网络中构造稀疏约束卷积神经网络模型,以实现高分辨率遥感影像的分类。本文的主要研究内容如下:(1)以MNIST手写数字体集为数据源,采用传统的卷积神经网络模型Le Net-5对其进行分类实验,分析卷积核数目及大小、池化方法、池化域大小、激活函数和网络层数对图像分类的影响,继而构造了具有更优分类性能的九层卷积神经网络模型——CNN-9;(2)本文通过模仿人类视觉处理系统的稀疏编码形式,将Lorentz函数稀疏约束引入到CNN-9中构造基于Lorentz函数稀疏约束的卷积神经网络(Sparse Convolutional Neural Networks based on Lorentz function,LCNN),通过基于MNIST数据集的分类实验从稳健性、稀疏性和分类率三个方面分析模型的计算性能。实验表明,增加了稀疏约束因子的卷积神经网络模型LCNN可在保证图像分类精度的同时大大减少了图像的分类时长;(3)将LCNN与支持向量机相结合的分类算法(LCNN-SVM),并将其应用于高分辨率遥感影像分类。其中,高分辨率遥感影像库作为数据源,LCNN为特征提取器,SVM为分类器,从混淆矩阵、总体分类精度、Kappa系数和分类时长对影像分类结果进行精度评定。实验结果表明,LCNN-SVM较传统的分类方法相比能够提高影像的分类效率的同时获得更精确可靠的分类精度。
【图文】：

结构示意图,细胞层,元组

图 1.1 neocognitron 结构示意图细胞层由承担特征提取的 S-元组成，S-元中涉及两个重要参数，即感受野前者确定输入参数的数目，后者则控制对特征数据的反应程度。在图像识可用于提取本地图像特征，例如边缘和角。多个 S-元可提取在相同位置的些细胞组即称为 S 细胞层，其基本结构模型如图 1.2 所示。同理，C 细胞 C-元组成，可处理较抽象的特征信息，其输入数据是来自前一层 S 细胞够有效的减少图像的变化和扭曲的灵敏度。

示意图,神经元,示意图,基本结构模型

图 1.1 neocognitron 结构示意图由承担特征提取的 S-元组成，S-元中涉及两个重要参数，即定输入参数的数目，后者则控制对特征数据的反应程度。在提取本地图像特征，例如边缘和角。多个 S-元可提取在相同组即称为 S 细胞层，，其基本结构模型如图 1.2 所示。同理，组成，可处理较抽象的特征信息，其输入数据是来自前一层的减少图像的变化和扭曲的灵敏度。
【学位授予单位】：长安大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：P237

【参考文献】