基于卷积神经网络的高分二号遥感影像提取方法

摘要

准确获取耕地、居民地、林地、道路和水域等地物的分布信息，是获取土地利用信息的主要手段。用高分二号遥感影像为数据源，利用深度学习模型对高分辨率遥感影像进行分割提取，可以获取高精度土地利用分类相关信息，对合理开发土地资源，促进精准农业发展有着重要的作用。 在高分二号遥感影像上，各类地物特征复杂多样，将神经网络模型运用到遥感影像的提取，可以增加分割精度，且与传统的提取方法相比，提高了处理速度。Deeplab和RefineNet网络在自然图像识别分割时效果显著，但是它并不适合处理高分二号遥感影像，其主要原因是深层卷积忽略细节特征，并且存在多层池化层。池化在考虑背景空间信息的同时丢弃了部分位置信息。另一个原因是高分二号遥感影像与自然图像相比特征差别很大，卷积神经网络不适合直接提取高分二号遥感影像。本文分析了耕地、林地、水域、道路和居民地在高分2号遥感影像上的表现特点，以Deeplab和Refine Net模型为基础，依据每类地物的具体特点模型结构进行设计分析，结合训练结果，最终分别得到用于五类地物的网络结构，通过这两套网络模型对影像分别进行分类。主要工作如下： 1、数据集制作。融合后的整幅高分二号遥感影像很大，如果直接输入网络训练，显卡会出现内存溢出的问题，本文使用ENVI5.3直接融合高分二号遥感影像，然后使用标注软件对遥感影像进行标注，使用python编写的代码裁剪出分辨率为960*960的PNG格式的图片，将其属性标记为0到N的某个值，即不同地物的像素属性值依次标记为1、2、3、……、N，其他物体的像素点标记为0。 2、各地物在高分辨率遥感影像上的影像特征主要表现为：光谱、空间、纹理、形状等特征。总结高分2号遥感图像中耕地、林地、水域、道路和居民地特点，并从理论上将各类特征进行归纳总结，为后续的模型设计奠定基础。 3、针对裸地与小麦大量分布的影像，本文提出了基于ECLDeeplab(Extraction Cul tivated Land Deeplab)模型耕地信息提取方法。由于山东省中部地区12月份影像中的耕地主要为小麦和裸地，所以该模型主要提取了冬小麦和裸地两类，总体提取准确率为88.3%。 4、针对每一类地物特点在RefineNet模型基础上构建网络结构，设计出了IM-RefineNet(Improved Model RefineNet)模型结构。该法能够保留高分二号遥感影像的空间位置信息。最终实验结果表明，本文的方法在高分二号遥感影像提取地物的效率有所提高，而且总体提取精度达到93%。

目录

声明

1 绪论

1.1 研究背景

1.2 国内外研究现状

1.2.1 高分辨率遥感影像提取方法

1.2.2 卷积神经网络在遥感影像上提取的应用

1.2.3 基于深度学习的经典语义提取方法

1.2.4 卷积网络的新语义提取方法

1.2.5 存在的问题

1.3 研究内容与技术路线

1.3.1 研究内容

1.3.2 技术路线

1.4 论文组织结构及章节安排

1.5 小结

2 研究区概况与基础数据预处理

2.1 研究区概况

2.2 高分二号遥感影像

2.3 数据预处理

2.4 数据集制作

2.5 开发环境

2.6 结果分析与评价方法

2.7 小结

3 基于ECLDeeplab模型耕地信息提取方法

3.1 Deeplab模型的介绍

3.2 ECLDeeplab网络设计

3.2.1 ECLDeeplab网络结构

3.2.2 ECLDeeplab网络的空洞卷积

3.2.3 空间金字塔池化层

3.2.4 激活函数

3.2.5 解码器组

3.3 ECLDeeplab模型提取耕地信息的实验步骤

3.3.1 提取耕地信息方法的试验区

3.3.2 耕地地面调查数据

3.3.3 高分2号影像上耕地的影像特点

3.3.4 ECLDeeplab模型训练样本和检验样本制作

3.3.5 ECLDeeplab模型实验过程

3.4 结果及分析

3.4.1 结果

3.4.2 分析

3.5 小结

4 利用IM-RefineNet模型提取土地利用分类信息的方法

4.1 RefineNet模型的介绍

4.2 IM-RefineNet模型设计

4.3 IM-RefineNet模型实验步骤

4.3.1 提取土地利用分类信息的试验区

4.3.2 高分2号影像上各类的影像特点

4.3.3 IM-RefineNet模型样本集的构建

4.3.4 IM-RefineNet模型实验过程

4.4 IM-RefineNet模型实验结果与分析

4.4.1 对比分析

4.4.2 测试结果分析

4.5 IM-RefineNet模型与其他模型对比分析

4.5.1 与RefineNet模型对比分析

4.5.2 与ECLDeeplab模型对比分析

4.6 小结

5 总结与展望

5.1 结论

5.2 后续工作的展望

参考文献

致谢

攻读学位期间发表论文情况