基于卷积神经网络提取冬小麦空间分布信息的方法研究

摘要

冬小麦是中国主要的粮食作物之一，精确地估算冬小麦的空间分布信息，对于产量估算、生产管理和粮食政策调整具有非常重要的作用。遥感图像解译是目前获取冬小麦空间分布信息的主要技术手段，具有覆盖面积广、探测周期短、获取信息丰富等优势。国产高分2号（GF-2）影像空间分辨率达到了1米，为及时、准确地获取冬小麦的空间分布信息提供了可靠的数据保障， 利用卷积神经网络进行遥感图像解译从而获取冬小麦空间分布信息是目前研究者关注的热点问题，但是直接利用现有的卷积神经网络模型在高分2号影像上对冬小麦进行语义分割，分割精度并不是太高，主要原因是卷积神经网络的编码器和分类器存在一些缺陷：（1）编码器使用的模拟方式较为简单，不利于形成抽象的高层特征；（2）分类器在类别归属判断上仅仅利用了最大概率值这一信息，忽略了各概率之间差值大小对像素类别归属判断的影响。本文针对以上问题，选择山东省济南市的章丘区为研究区域，使用高分2号遥感影像和地面调查数据为数据源，建立了高精度冬小麦遥感影像分割模型（Winter Wheat Remote Sensing Segmentation Model，WWRSSM），获取了更精细的冬小麦空间分布信息。本文主要研究内容如下： 1、本文选用比较经典的SegNet、DeepLab、RefineNet模型在高分2号遥感影像上提取冬小麦空间分布信息，对3个模型的提取结果进行统计，并分析了影响提取精度的主要因素，找到了模型的改进方向。 2、高精度冬小麦遥感影像分割模型WWRSSM的设计与实现。针对SegNet、DeepLab、RefineNet模型提取冬小麦空间分布信息存在的问题，设计了由特征提取器、编码器、分类器组成的网络结构。使用RefineNet模型的卷积结构作为特征提取器用于提取冬小麦种植区域的像素的特征；选择拟合能力较强的深度置信网络（DBN）构建编码器，对特征提取器得到的特征向量进行编码，增加模型的非线性能力；分类器由SoftMax-Ex和最大后验概率（MAP）二级子分类器构成，SoftMax-Ex在SoftMax分类的基础上，利用概率差值计算置信度，对于置信度高的像素保留原分类结果，对于置信度低的像素则把类别概率向量输入到MAP子分类器。MAP层基于贝叶斯原理进一步判别置信度低的像素的类别。利用大量的数据样本对本模型进行训练，最终得到冬小麦分割结果。 3、实验结果及对比分析。为了对WWRSSM模型进行验证，本文选择了SegNet、DeepLab和RefineNet以及分别与MAP耦合后的模型作为对比模型，采用相同的数据集进行训练及测试。由实验结果可知WWRSSM模型的提取精度为94.8%，高于6个对比模型的提取精度。最后总结了WWRSSM模型的优点及理论依据。 本文构建的WWRSSM模型弥补了传统卷积神经网络提取冬小麦空间分布信息存在的不足，对于提高大范围冬小麦空间分布制图的精度和自动化水平具有重要的意义，也可以为农作物空间分布信息提取和面积统计提供一定的技术参考。

目录

声明

1.引言

1.1选题背景及意义

1.2国内外研究现状

1.2.1传统遥感影像分割技术

1.2.2机器学习在图像分割中的应用

1.2.3卷积神经网络介绍

1.2.4冬小麦提取现状

1.3研究内容与论文结构

1.3.1研究内容

1.3.2论文组织结构

1.4小结

2. 实验区与数据集制作

2.1实验区概况

2.2高分二号遥感影像描述

2.3数据预处理

2.3.1辐射定标

2.3.2大气校正

2.3.3正射校正

2.3.4图像融合

2.3.5植被增强

2.4地面调查数据

2.5制作样本

2.6本章小结

3. 经典卷积神经网络提取冬小麦的实验与分析

3.1 SegNet模型

3.2 Deep Lab模型

3.3 RefineNet模型

3.4实验结果统计与分析

3.5 小结

4.高精度冬小麦遥感影像分割模型设计与实现

4.1 基本思路

4.2编码方法的设计

4.3分类方法的设计

4.4模型结构

4.4.1特征提取器

4.4.2编码器

4.4.3 分类器

4.5 模型的实现

4.5.1 实验环境

4.5.2 模型的训练

4.5.3模型功能测试

4.6 本章小结

5. 实验结果及对比分析

5.1对比实验设计

5.2分割结果对比

5.3精度评价

5.3.1图像分割评价指标

5.3.2精度分析

5.4实验结果分析

5.4.1 全卷积神经网络之间以及耦合前后对比分析

5.4.2 WWRSSM结构优势

5.5本章小结

6. 总结与展望

6.1总结

6.2存在的问题与展望

参考文献

致谢

攻读硕士期间发表论文与研究成果