基于多层网络的遥感图像场景分类

摘要

近年来，随着遥感成像技术的飞速发展，人们可以获得越来越多的不同分辨率的遥感图像。这些遥感图像具有观测范围广、获取周期短、包含地表信息丰富等优点，因而成为有关机构检测地表信息的重要方法之一。面对海量的遥感图像，如何有效识别图像中包含的不同场景是获取相关信息的关键技术。遥感图像场景分类是根据每幅图像中包含的内容将其划分到不同的类别中。由于遥感图像空间结构复杂，且同类图像包含多种不同地物和目标，传统的基于自然图像的分类方法无法捕获遥感图像复杂的模式，从而导致分类的准确率较低。 本文以词袋模型、特征编码、深度学习等技术为理论基础，深入研究了遥感图像有效的特征提取方式，并对其进行分类。本文主要工作总结如下： 首先，由于传统的局部特征描述子缺乏自适应性，因此本文使用无监督单层网络自动提取图像块的特征。单层网络直接对像素点进行操作，可以很好地反映图像块的内部特征。同时，在池化步骤中采用分区域池化的方式，保留了遥感图像的空间排列信息，使图像的全局特征具有很好的代表性，从而提高最终的分类准确率。 其次，为了描述遥感图像的高层次特征，本文使用卷积神经网络对图像进行特征提取。由于卷积神经网络需要特定尺寸的输入，本文采用滑动窗口的方式提取图像的特征，然后再通过卷积代替池化得到图像的最终表示。密集的提取方式保持了图像每个局部区域的特定信息，避免了在强制转换图像尺寸过程中信息的丢失。同时，使用卷积代替池化，赋予每个特征不同的权重使最终的特征具有更强的区分能力。 最后，提出深度差值编码框架来进行特征提取。该框架将卷积神经网络与传统特征编码方式结合起来，通过对图像卷积层的特征进行差值编码，增加了特征的不变性。为了取得更好的分类结果，本文利用深度差值编码对大致目标区域进行特征提取，并与整幅图像的特征拼接起来。拼接后的特征既能够反映整幅图像的全局特性，又能够突出目标区域，从而实现良好的分类效果。 实验结果表明，本文提出的特征提取方法能够得到更具有代表性的特征，进一步提高了分类的准确性。

目录

第一个书签之前