基于CNN的不同空间分辨率影像土地覆被分类研究

发布时间：2024-02-26 05:21

　　基于卷积神经网络(Convolutional Neural Networks,CNN)和5种不同空间分辨率的遥感影像,对西宁市东部一区域开展土地覆被分类研究,旨在探索CNN在不同空间分辨率下进行影像分类的差异性和对不同地物的提取能力。为提高样本的选择效率,引入了窗口滑动方法进行辅助选样。研究表明5种不同空间分辨率影像的总体分类精度均达89%以上,Kappa系数达0.86以上,分类精度较高。在所涉及的分辨率尺度范围内,空间分辨率越高,CNN分类结果越精细,并能保持较高的分类精度,表明CNN更适合高空间分辨率影像分类;但同时影像空间分辨率越高,地物表现出较高的类内变异性和低类间差异性,分类精度有降低的趋势。相比较而言,SPOT 6影像的分类精度最高,同时窗口滑动是一种有效的样本辅助选择方法。研究对今后同类工作具有一定的借鉴意义。

【文章页数】：10 页

【部分图文】：

图1研究区位置图

西宁市地处湟水流域中游河谷盆地，面积为497km2，地理坐标为36°12′27″～37°30′09″N,100°47′56″～101°56′49″E，市区平均海拔2295m，属于高原大陆性半干旱气候[11]，湟水河自西向东流经市区。研究区为西宁市东部的一区域（图1），土地利....

图2卷积运算示意图

卷积层由多个卷积核构成，卷积核通俗地理解为一系列的权重阵列[17]。卷积运算是指将卷积核的每个权重与相应的影像像元一一对应，分别求积后相加。一个卷积核负责提取图像的一种特征，为了从原始影像中提取到足够多的特征，一个卷积层往往含有多个卷积核。图2展示了一个卷积核对影像进行卷积运算得....

图3最大池化示意图

由于卷积为线性操作，无论堆叠多少层，其最终结果都是经线性计算得到。但现实世界中很多问题是线性不可分的，为增强CNN的表达能力，往往会在卷积层之后连接一个激活函数，它是一个非线性函数，用来学习影像的非线性特征，本文采用常见的ReLu函数[19]作为激活函数，其函数图像见图4。图4....

图4ReLu函数图像

图3最大池化示意图经过若干次的卷积和池化操作后，可以得到一些更高抽象层次的特征图，将所有的二维特征图展开拼接为一个一维向量，作为全连接层的输入。全连接层的每一个神经元都与前一层的所有像元相连接，一方面可以使用全连接层来扩充CNN的容量；另一方面，其主要作用是将学习到的抽象特征映....

本文编号：3911392