基于深度学习的遥感影像分类方法研究

摘要

遥感影像由于在地理测绘，环境监测，地物识别等领域具有重要的意义，一直以来都是图像识别领域的热点。然而，遥感影像的识别技术还是存在很多问题。一方面，目前最流行的深度学习基础模型都是建立在传统图像上的，没有一种基础模型专门针对遥感影像领域，因此通用模型并不能很好的贴合遥感影像特性;另一方面，对遥感影像内的场景进行分类时，远距离拍摄的场景往往具有更复杂的情形，区分度不明显，这会给遥感影像内多个场景的识别造成困难，导致分类精度降低。 针对上述不足，本文展开了下述工作: 围绕遥感影像分类和深度学习的内容，系统查阅当前国内外研究现状和研究进展，并分析和总结了相关研究的工作和方法，以说明采用深度学习方法的优越性。针对遥感影像基础深度模型的缺乏，在仔细研究和深入分析两个经典CNN系列:GoogLeNet和VGGNet之后，结合空洞卷积方法，设计出新的深度学习模型，并将新的模型在WHU-RS19和UCMerced数据集上进行实验。之后，在和两个经典的CNN系列代表对比实验中，论证改进模型的优越性。 为了使改进的模型能够处理像素级遥感影像分类，文中利用了FCN的图像分割原理。本部分需要深入研究FCN模型，然后利用FCN规则预测，将预测概率当作初始分类结果。在像素级分类中，针对深度学习模型对图像空间结构信息理解偏弱，本文结合了条件随机场模型，并用扩充的二元势能函数加强条件随机场模型的纹理关联，以期提高像素分类精度。 研究结论:(1)图像级识别:在WHU-RS19数据集上，改进的深度学习模型在本地实验环境上实现了95.12％的分类准确率，分别比GoogLeNet和VGG-16高出0.69％和2.72％;在UCMerced数据集上，也达到了92.51％的分类准确率，分别比GoogLeNet和VGG-16高出0.62％和1.17％。实验数据表明新的深度学习模型对遥感影像分类是有效的。(2)像素级识别:采用FCN+CRFs的方案，并针对遥感影像，扩展的CRFs二元势能函数，提高像素分类过程中细节处理能力，特别是对场景中阴影识别具有较明显的作用。实验结果表明，设计的两个优化方法针对遥感影像分类的两个领域都具有一定的参考价值。

目录

声明

摘要

第1章绪论

1．1研究背景和意义

1．2国内外研究现状

1．2．1面向遥感影像的传统分类方法

1．2．2图像级影像分类的深度学习方法

1．2．3像素级影像分类的深度学习方法

1．2．4存在的问题

1．3研究目的与内容

1．4论文的组织结构图

1．5论文的组织结构

第2章深度学习模型相关原理介绍

2．1卷积神经网络

2．1．1 CNN结构

2．1．2 CNN核心层

2．1．3 CNN特点

2．2全卷积神经网络

2．2．1 FCN原理

2．2．2 FCN特点

2．3误差反向传播算法

2．4本章小结

第3章面向遥感影像分类的VGG-X深度网络

3．1 引言

3．2面向影像分类的深度网络分析

3．3 基于空洞卷积的VGG-X深度网络设计

3．4实验与分析

3．4．1 实验数据集和实验环境介绍

3．4．2实验评价标准

3．4．3 VGG-X深度网络构造实验

3．4．4 WHU-RS1 9数据集对比实验

3．4．5 UCMerced数据集对比实验

3．5本章小结

第4章FCN-VGG-X与扩展势能相结合的遥感影像分类

4．1 引言

4．2．2 FCN-VGG-X网络的构造

4．3基于扩展势能的条件随机场

4．3．1 构造概率无向图模型

4．3．2条件随机场的预测方法分析

4．3．3基于纹理核函数的密集条件随机场设计

4．3．4面向遥感影像分类的平均场变分推断

4．4实验与分析

4．4．1 实验数据集与实验环境介绍

4．4．2实验评价标准

4．4．3城市局部住宅区域分割对比实验

4．4．4 田野局部区域分割对比实验

4．4．5 农村村落局部区域分割对比实验

4．5本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢