基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

发布时间：2024-03-10 14:35

　　土地利用信息是国土资源管理的基础和重要依据,随着高分辨率遥感图像数据的日益增多,迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分,在特征选择上存在一定的局限性。为此,提出一种基于多尺度学习与深度卷积神经网络(deep convolutional neural network,DCNN)的多尺度神经网络(multi-scale neural network,MSNet)模型,基于残差网络构建了100层编码网络,通过并行输入实现输入图像的多尺度学习,利用膨胀卷积实现特征图像的多尺度学习,设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验,总体分类精度达91.97%,并将其与传统全卷积网络(fully convolutional networks,FCN)方法和基于支持向量机(support vector machine,SVM)的面向对象方法进行了对比,结果表明,本文所提方法分类精度更高,分类结果整体性更强。

【文章页数】：9 页

【部分图文】：

图2MSNet模型总体结构

基于多尺度学习和DCNN，构建了MSNet模型。其总体结构如图2所示。该模型包含3条并行输入流，每条并行输入流包括由100个卷积层组成的编码网络，以及由4个膨胀卷积层和1个上采样层组成的分类预测网络，图2中标示的输入、输出数据和各特征图的参数均为数据大小×维度。输入端同时输入3个....

图4残差块结构

本文应用的残差块结构如图4所示。以256维的特征层输入为例，第1层卷积核为1×1、维度为64，此卷积层输出的特征层被降至64维，使后续3×3卷积核具有较小的输入、输出尺寸瓶颈，经批标准化（batchnormalization,BN）层后输入至ReLU层；第2层卷积核为3×3，....

图1不同土地利用类型的复杂组成

在高分辨率遥感图像中，相对于地物，土地利用类型是更抽象的高层语义类别，相当于具有特定含义或按照不同规则组合的地物。具体来说，各土地利用类型均由大量复杂的地物组成，如建筑区不仅包括建筑物，还包括建筑区内的部分道路、绿化植被、小型水体和阴影等；耕地不仅包括农作物，还包括作物间的裸土、....

图5研究区航空遥感图像

选取深度学习中传统FCN方法和高分辨率遥感图像应用较多的基于SVM的面向对象方法这2种较具代表性的图像分类方法进行对比。其中，MSNet方法和传统FCN方法使用Python语言和基于谷歌开发的TensorFlow框架进行搭建和训练；基于SVM的面向对象方法用易康eCognit....

本文编号：3924944