基于预训练神经网络的遥感图像场景分类方法研究

发布时间：2021-06-06 14:11

　　随着遥感技术突飞猛进的发展,遥感领域数据的获取变得越来越容易,遥感领域也受到更多学者的关注。而遥感图像场景分类作为遥感图像分析和解释的一个重要环节,也是实现地球检测的一项重要技术。近年来,国内外大量的研究人员都将目光聚焦于此,提出了大量的遥感图像场景分类方法,尽量地提取遥感场景中的语义信息。然而,现有的场景分类方法仍然存在以下不足:（1）现有的大部分分类方法依旧是基于传统的人工设计方法所提取的低级图像特征,而低级图像特征对图像的描述能力有限,影响分类效果;（2）现有基于深度特征的分类方法中,大部分是直接将所提取的特征作为最终的图像表示,没有对特征进行归一化处理,可能会存在数值异常的特征影响实验结果。而且深度特征虽然能较好的描述图像内容,但是却忽略了图像的空间分布信息,因此会限制最终的分类准确率;（3）现有分类方法采用的分类器通常只考虑了单一分类器,而单一分类器性能有限,即每一种单一分类器只能对某些场景类别具有较好的分类效果,不能实现所有场景类别的准确分类,因此也会影响分类效果;针对上述问题本文开展了基于预训练神经网络的遥感图像场景分类方法的研究,并在多个公开数据集上证明了方法的有效性。... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

遥感图像场景分类方法发展历程

华 中 科 技 大 学 硕 士 学 位 论进行调整。而从零开始训练则是只借用预训练网络的结训练网络。相较于直接利用预训练网络，这种方法需要，因此需要的数据量更大，但是往往也能取得更好的效hang F[56]等人就是通过训练一个只有两层卷积层的梯度增像进行分类。Castelluccio 等人利用 UC Merced 数据集对行了从零开始训练网络和对网络进行微调两种方法的对于从零开始训练神经网络，对预训练网络进行微调这种数据的依赖，且能取得非常好的效果，十分适用于小数较为充足时，从零开始训练神经网络同样能取得非常好体采用哪一种方式利用预训练 CNN 应取决于数据集之间数据量。具体 CNN 微调策略如图 1.2 所示。

2 提出方法及相关技术研究随着科学技术飞速发展，遥感技术不断取得重大突破。现如今遥感图像的分辨率已经达到了亚米级，这意味着，获取高甚至是超高分辨率的遥感图像已经变得更加容易。而这造成的直接后果便是遥感图像所包含的内容越发复杂，使得遥感图像类内差异大和类间相似性大的特点越发突出[1]。由于传统基于像素和面向对象的遥感图像分类方法只能对遥感数据中的地物目标做出解释，忽略了遥感图像中包含的语义信息，故难以获得较为理想的分类结果。因此，许多学者提出了面向场景的遥感图像分类方法，这种分类方法可以有效地对遥感图像进行理解与分析，并能根据图像内容给图像贴上语义标签[1]。到现在，遥感图像场景分类已经在城市监测、农作物检测与分类和森林面积监测等多方面得到应用。根据现有的遥感图像场景分类方法可以将遥感图像场景分类方法流程划分为两部分组成：特征提取和分类。具体如图 2.1所示。

【参考文献】：
期刊论文
[1]遥感图像条带噪声的多尺度变分模型去除[J]. 霍丽君,何斌,周达标.  光学精密工程. 2017(01)



本文编号：3214540