基于双分支卷积网络的高光谱与多光谱图像协同土地利用分类

发布时间：2021-11-04 15:43

　　高精度监测土地利用对实现可持续发展有重要意义。然而,由于遥感传感器成像的限制和地物的复杂性,单一的高光谱和多光谱图像已经不能满足高精度土地利用分类的要求,充分利用高光谱和多光谱遥感图像的互补信息能克服仅采用单一遥感图像分类的不足。该研究设计双分支卷积神经网络协同高光谱和多光谱遥感图像进行土地利用分类。针对高光谱图像设计3维-1维卷积神经网络（3D-1D Convolutional Neural Networks,3D-1D CNN）分支自动提取高光谱图像的空间-光谱特征;针对多光谱图像,设计3维卷积神经网络（3D Convolutional Neural Networks,3D CNN）分支提取多光谱图像的空间-光谱特征;设计融合层将从高光谱和多光谱图像提取的特征进行融合,最后通过全连接层输出土地利用类别。研究表明,与决策树（Decision Tree,DT）、支持向量机（Support Vector Machine,SVM）以及1D、2D和3D CNN方法相比,该文提出的基于双分支卷积神经网络的方法在两个数据集上Kappa系数平均分别提升了15.9、8.1、5.4、5.4和2.7个百... 

【文章来源】：农业工程学报. 2020,36(14)北大核心EICSCD

【文章页数】：11 页

【部分图文】：

试验数据的真彩色图像

基于双分支卷积网络的高光谱与多光谱图像协同土地利用分类流程图

本文设计3D CNN分支（如图3中C所示）提取多光谱图像的空间和光谱特征。该网络分支包括3个3D卷积层，1个3D最大值下采样层。每个卷积层后都进行批量标准化，激活函数采用Leaky ReLU。最后将提取的多光谱图像空间-光谱特征转成向量形式。2.2.3 双分支特征融合

【参考文献】：
期刊论文
[1]基于特征优选随机森林算法的农耕区土地利用分类[J]. 王李娟,孔钰如,杨小冬,徐艺,梁亮,王树果.  农业工程学报. 2020(04)
[2]基于Sentinel-1A影像和一维CNN的中国南方生长季早期作物种类识别[J]. 赵红伟,陈仲新,姜浩,刘佳.  农业工程学报. 2020(03)
[3]基于深度卷积神经网络的高分辨率遥感影像场景分类[J]. 孟庆祥,吴玄.  测绘通报. 2019(07)
[4]深度学习在遥感影像分类与识别中的研究进展综述[J]. 王斌,范冬林.  测绘通报. 2019(02)
[5]基于裸土期多时相遥感影像特征及最大似然法的土壤分类[J]. 刘焕军,杨昊轩,徐梦园,张新乐,张小康,于滋洋,邵帅,李厚萱.  农业工程学报. 2018(14)
[6]基于网格搜索随机森林算法的工矿复垦区土地利用分类[J]. 陈元鹏,罗明,彭军还,王军,周旭,李少帅.  农业工程学报. 2017(14)
[7]基于多季相光谱混合分解和决策树的干旱区土地利用分类[J]. 姜宛贝,孙强强,曲葳,刘晓娜,于文婧,孙丹峰.  农业工程学报. 2016(19)
[8]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安.  自动化学报. 2016(09)
[9]Land Cover Classification of RADARSAT-2 SAR Data Using Convolutional Neural Network[J]. LIN Wei,LIAO Xiangyong,DENG Juan,LIU Yao.  Wuhan University Journal of Natural Sciences. 2016(02)
[10]利用多时相雷达数据进行多云多雨地区的土地利用分类研究[J]. 徐天,丁华祥.  测绘通报. 2014(09)

博士论文
[1]基于高光谱数据的多源遥感图像协同分类研究[D]. 陆小辰.哈尔滨工业大学 2018
[2]基于深度学习的高光谱影像分类方法研究[D]. 马晓瑞.大连理工大学 2017



本文编号：3476025