基于Contourlet残差网和蚁群优化算法的多光谱影像分类

发布时间：2020-04-09 01:45

【摘要】：随着遥感成像技术的飞速发展,获取到的多光谱影像的分辨率越来越高,所包含的光谱信息也越来越丰富。但是多光谱影像存在同物异谱、同谱异物、同物多形以及标记困难带来的标记样本数量少的问题,给多光谱影像分类带来了严重的挑战。本文针对上述问题,结合深度卷积神经网络在图像特征提取方面的优势,提出了基于Contourlet残差网和蚁群优化算法的多光谱影像分类方法,其中的主要工作包括:1.提出了一种基于蚁群优化(Ant Colony Optimization,ACO)算法和深度残差网络的多光谱影像分类方法。针对多光谱影像中标记样本数量少的问题,该方法提出一种基于ACO算法的训练样本选取策略,利用ACO算法选择多样性的样本,提高分类模型的泛化性能。同时针对多光谱影像中的同物异谱、同谱异物问题,本方法还构建了一种基于残差块的深度残差网络来进行特征提取,能够提取到更有区分度的深层特征,提高模型的分类准确率。通过在温哥华及西安地区等四幅多光谱影像上的实验证明,本方法构建的深度残差网络能够取得比随机森林、K最邻近等传统分类方法以及LeNet等基于深度学习的分类方法更高的总体分类精度,同时基于ACO算法的采样策略也优于随机采样、聚类采样等采样策略。2.提出了一种基于加权可变形卷积网络(Weighted Deformable Convolution Network,WDCNet)的多光谱影像分类方法。针对多光谱影像中的同物多形问题,该方法对可变形卷积进行了改进,提出了一种基于加权可变形卷积模块的深度卷积神经网络WDCNet。与传统卷积模块相比,加权可变形卷积模块可以提高神经网络在提取特征时的灵活性,提高模型的特征表达能力。通过在温哥华及西安地区等四幅多光谱影像上的实验证明,WDCNet的分类性能优于残差网、可变形卷积网等分类模型,并且将基于ACO算法选取到的样本作为WDCNet的训练样本,可进一步提高模型的分类精度。3.提出了一种基于非下采样轮廓波变换(Nonsubsampled Contourlet Transform,NSCT)和WDCNet的多光谱影像分类方法。针对WDCNet对于包含复杂信息且具有相似形状的边缘点难以分类的问题,提出将基于NSCT边缘检测的加权损失函数作为WDCNet的目标函数进行模型训练。首先利用非下采样轮廓波变换进行边缘检测,然后根据边缘检测结果设计出基于边缘检测的加权损失函数,增大边缘点损失在总损失中的占比,改善边缘点的分类效果。通过在温哥华及西安地区等四幅多光谱影像上的实验证明,利用NSCT进行边缘检测的分类效果好于Canny算子、Sobel算子等边缘检测算子,同时利用加权损失函数训练出来的模型的分类效果好于传统交叉熵损失函数训练出来的模型的分类效果,提高了模型的泛化能力。
【图文】：

(d)聚类采样(e)本章算法图2.13图像1上的测试结果图类别的样本分布，从而提高模型的泛化性能。提出的算法和其他对比算法在图像2上的测试结果的评价指2.10中可以看出，基于随机采样分类网络的总体分类精度为0.9777，但是其在树木、道路以及船只上的准确率分别3.88%，与其他类别相比仍然有很大的改进空间。通过实验2、1的对比可以看出，基于蚁群优化算法的采样策略对总体分树、船只、道路以及第二种建筑物的分类效果均有所改善。略在船只这一类达到了最好的分类效果，，分类准确率为96.97法能够将船只的相似像素点更好的聚合在一起，从而提高这5的本章算法与实验1相比，AA提高了1.09%，OA提高了2的平均分类效果好于其他算法，对每一类地物目标的分类效

(d)聚类采样(e)本章算法图2.14图像2上的测试结果图提出的算法和其他对比算法在图像3上的测试结果的评价指表2.11图像3上的10次实验平均性能结果表实 验序 号1 2 3 4 5方 法 随机采样 ACO-TLP ACS 聚类采样 本章算法每一类的精确率/%建筑物 199.00 99.70 97.76 99.50 98.72建筑物 282.94 84.02 93.21 84.41 95.95植被 187.90 87.67 86.17 87.55 93.80植被 293.20 91.66 91.50 84.90 81.91裸地99.24 99.60 99.77 99.46 98.92建筑物 399.69 99.98 99.69 99.99 98.53道路80.86 87.90 82.94 84.50 90.49建筑物 497.19 98.72 93.77 95.46 98.23OA/%
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751;TP18

【相似文献】

相关期刊论文 前10条

1 聂品;汤玉奇;冯兰平;李明;兰翠玉;;基于稀疏表示和字典学习的全色与多光谱影像融合[J];测绘与空间地理信息;2017年03期

2 李雪;舒宁;;一种改进的多光谱影像模糊加权聚类方法[J];地理空间信息;2006年06期

3 贾永红;遥感多光谱影像空间分解力增强的融合方法[J];遥感技术与应用;1997年01期

4 李军,周月琴,李德仁;小波变换用于高分辨率全色影像与多光谱影像的融合研究[J];遥感学报;1999年02期

5 贾永红,孙家柄;遥感多光谱影像数据与航片数字化影像融合方法的研究[J];测绘通报;1997年05期

6 汪爱华;迟耀斌;王智勇;伍菲;王晓明;李丽;严明;;北京1号小卫星多光谱影像全国镶嵌技术与制图研究[J];遥感学报;2009年01期

7 刘磊;江东;徐敏;尹芳;;基于多光谱影像和专家决策法的作物分类研究[J];安徽农业科学;2011年25期

8 刘磊;江东;徐敏;尹芳;;基于多光谱影像和专家决策法的作物分类研究(英文)[J];Agricultural Science & Technology;2011年11期

9 鄂栋臣;陈刚;;基于粗阈值和梯度算法的南极多光谱影像云区的提取[J];极地研究;2005年02期

10 黄先德;周群;王兴;;资源三号卫星全色与多光谱影像融合方法[J];测绘通报;2015年01期

相关会议论文 前10条

1 车成邦;方中浩;潘俊;;基于多光谱影像的高分八号卫星平台震颤检测方法研究[A];第四届高分辨率对地观测学术年会论文集[C];2017年

2 周蓉;薛志宏;;利用PCI软件生成数字正射影像的关键技术[A];第十八届华东六省一市测绘学会学术交流会江苏优秀论文集[C];2016年

3 檀静;李云梅;;基于环境一号卫星多光谱影像数据的三湖一库总悬浮物浓度反演[A];第十六届中国环境遥感应用技术论坛论文集[C];2012年

4 罗旭东;;多光谱影像分析技术在生物医学领域的应用[A];广东省生物物理学会2013年学术研讨会论文集[C];2013年

5 陈君颖;田庆久;;高分辨率遥感植被分类模式研究[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年

6 姚霞;刘勇;王妮;程涛;田永超;曹卫星;朱艳;;基于无人机遥感的小麦氮素营养和生长监测[A];2014年中国作物学会学术年会论文集[C];2014年

7 钟志勇;陈鹰;黎运高;;分辨率相差较大的卫星影像融合方法研究[A];中国图象图形学会第十届全国图像图形学术会议（CIG’2001）和第一届全国虚拟现实技术研讨会（CVR’2001）论文集[C];2001年

8 施拥军;周国模;徐文兵;;多源遥感影像林分类型分类精度研究[A];首届中国林业学术大会论文集[C];2005年

9 康停军;武文波;姚静;;四种遥感影像数据融合方法的比较分析[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

10 封静;季民河;胡笳;;基于高分分辨遥感的红树林郁闭度光谱混合分析[A];第十七届中国遥感大会摘要集[C];2010年

相关重要报纸文章 前2条

1 刘晓军;北京：一号小卫星迅速完成卫星成像任务[N];科技日报;2008年

2 记者 杨蕾;2012年宇航发射“开门红”[N];中国航天报;2012年

相关博士学位论文 前3条

1 黄登山;像素级遥感影像融合方法研究[D];中南大学;2011年

2 张瑛;基于统一理论框架的遥感影像融合方法研究[D];电子科技大学;2009年

3 张志新;地球同步轨道卫星遥感图像舰船检测与运动监测[D];中国科学院大学(中国科学院遥感与数字地球研究所);2017年

相关硕士学位论文 前10条

1 卫淑波;基于Contourlet残差网和蚁群优化算法的多光谱影像分类[D];西安电子科技大学;2019年

2 刘蕊;阜新市重点沙化地区遥感监测与应用研究[D];辽宁工程技术大学;2016年

3 吴昊;高分辨率卫星多光谱影像的云雪分离研究[D];武汉大学;2018年

4 刘彦君;基于无人机多光谱影像的小微水域水质要素反演[D];浙江农林大学;2019年

5 柴勃隆;多光谱影像调查在莫高窟壁画保护中的应用研究[D];兰州大学;2013年

6 阿也提古丽·斯迪克;宁夏平罗土壤含盐量遥感估算方法研究[D];南京大学;2011年

7 张黎宁;基于像素层的SPOT5全色与多光谱影像融合研究[D];南京林业大学;2006年

8 白杨;不透水面在城市建成区提取及扩展分析中的应用[D];辽宁工程技术大学;2013年

9 肖剑伟;基于多光谱影像的岩性信息提取技术研究[D];中国地质大学（北京）;2008年

10 范文婷;基于小波变换的遥感影像融合方法研究[D];中国地质大学（北京）;2008年

本文编号：2620113