高分辨率遥感图像深度学习分类方法研究

摘要

高分辨遥感图像分类是对地观测领域的重要研究内容。随着传感器技术的飞速发展，遥感对地观测系统所采集图像的分辨率得到极大的提升。高分辨率遥感图像的出现显著的提升了对地观测系统的信息获取能力，但同时也给遥感图像分类带来新的挑战。此外，随着计算机算力的大幅度提升与数据爆炸式增长，深度学习逐渐成为图像处理领域的主流方法。如何利用深度学习方法深入挖掘高分辨率遥感图像中蕴含的丰富信息，提升图像分类性能成为高分辨率遥感领域的关键问题。高分辨率图像分类包括场景与像素级分类。其中，场景分类强调图像级语义信息的理解，而像素级分类注重图像精细化的分析，二者互为补充。本文在深入分析遥感图像特点的基础上，以深度学习为基本方法，针对高分辨遥感图像场景与像素级分类展开研究。具体研究内容如下:　　(1)针对高分辨遥感图像语义信息复杂，传统特征表征能力不足的问题，本文提出了基于深度特征融合的高分辨率遥感图像场景分类方法。该方法首先利用预训练的深度卷积神经网络提取遥感图像不同层次的深度特征，然后使用协方差池化方法融合不同层次的深度特征。该方法的特点是:通过挖掘不同层次深度特征中蕴含的高阶统计信息，提取更具有辨识性的信息。实验比较了基于传统特征及其它基于深度特征的分类方法。结果表明:本文方法在取得优异分类性能的同时具有较低的计算复杂度，验证了本文方法在解决高分辨率遥感图像场景分类问题上的有效性。　　(2)针对高分辨率遥感图像目标尺度变化大，背景复杂的问题，本文提出了基于跳跃连接协方差网络的分类方法。该方法利用跳跃连接与协方差池化方法构建深度分类网络，实现遥感图像端到端的高精度场景分类。一方面，跳跃连接能够结合深度网络中不同尺度的特征，从而有效的解决遥感图像中目标尺度变化大的问题；另一方面，协方差池化能够利用特征中的高阶统计信息，提取具有辨识性的语义特征，从而有效减轻图像中复杂背景对分类精度的负面影响。实验对比了基准分类网络及其它深度分类网络，结果表明：本文提出的跳跃连接协方差网络能够关注图像中具有代表性的区域，取得更高的分类精度。　　(3)针对传统深度网络无法充分利用高分辨率遥感图像中全局信息的问题，本文提出了基于注意力机制的像素级分类网络。我们同时采用全局平均值池化与全局双线性池化，来提取图像的全局信息。此外，利用得到的全局信息进行权值学习，并利用学习到的权值对中间层进行重新加权。在国际公开的数据以及我国发射的高分二号卫星获取高分遥感数据进行了实验，并比较了多种先进的深度像素级分类网络。结果表明：本文提出的注意力网络能有效利用高分遥感图像中的上下文信息，取得更高的分类精度。　　(4)针对高光谱遥感图像中存在的“同谱异物”与“同物异谱”现象，本文提出了基于协方差矩阵表示与深度流形学习的分类方法。该方法能充分利用高光谱图像的空间信息与光谱之间的相关性，从而显著降低高光谱样本之间的类内差异，增大样本之间的类间差异。实验比较了所提方法与其它经典的高光谱分辨图像分类方法。实验结果表明：基于协方差矩阵表示与深度流形学习的分类方法能有效利用高光谱图像中的空谱信息，即使在训练样本极少的情况下，也能取得较高的分类精度。　　(5)最后，基于我国发射的高分二号卫星以及高分五号卫星获取的高分辨遥感图像，我们以长沙市市区为研究区域，对本文所提方法开展实际应用。具体包括：1)采用高分遥感图像场景分类方法，对长沙市进行场景分类制图(如：商业区和居民区)与场景变化分析，可以有效监测城市场景变化；2)通过对高分遥感图像进行像素级分类，对长沙市建筑分布进行制图，可以准确反映建筑分布与面积；3)利用高光谱图像像素级分类方法，对长沙市市区的水体，植被等关键要素进行精确识别与制图。

目录

声明

第1章 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.2.1 高分辨率遥感图像分类面临的挑战

1.2.2 研究现状与存在问题

1.2.3 深度学习简介

1.3 论文研究内容与章节安排

1.3.1 研究内容

1.3.2 章节安排

第2章 基于深度特征融合的高分辨率遥感图像场景分类

2.1 深度特征简介

2.2 协方差池化原理与特性

2.2.1 协方差矩阵相似性度量

2.3 基于深度特征融合的分类方法

2.3.1 多层深度特征提取

2.3.2 基于协方差池化的深度特征融合

2.4 实验结果与分析

2.4.1 实验数据

2.4.2 实验设置

2.4.3 参数分析

2.4.4 实验结果

2.4.5 时间复杂度分析

2.5 本章小结与讨论

第3章 基于跳跃连接协方差网络的高分辨率遥感图像场景分类

3.1 基于跳跃连接协方差网络的分类方法

3.1.1 基于跳跃连接的多层联合

3.1.2 协方差池化的前向传播过程

3.1.3 协方差池化的反向传播过程

3.2 实验结果与分析

3.2.1 实验数据

3.2.2 实验设置

3.2.3 实验结果

3.2.4 时间复杂度分析

3.3 本章小结与讨论

第4章 基于注意力网络的高分辨率遥感图像像素级分类

4.1 注意力机制

4.2 基于注意力网络的分类方法

4.2.1 FOCA模块

4.2.2 SOCA模块

4.2.3 HFSA全连接的反向传播过程

4.3 实验结果与分析

4.3.1 实验数据

4.3.2 实验设置

4.3.3 实验结果

4.3.4 时间复杂度分析

4.4 本章小节与讨论

第5章 基于协方差矩阵表示与深度流形学习的高分辨率遥感图像像素级分类

5.1 协方差矩阵表示原理与特性

5.2 基于协方差矩阵表示与深度流形学习的分类方法

5.2.1 高光谱图像协方差矩阵表示

5.2.2 流形学习

5.3 实验结果与分析

5.3.1 实验数据

5.3.2 实验设置

5.3.3 参数分析

5.3.4 实验结果

5.3.5 时间复杂度分析

5.4 本章小结与讨论

第6章 高分辨率遥感图像分类应用实例

6.1 长沙市场景分类与场景变化检测

6.1.1 实验数据

6.1.2 实验设计与分析

6.2 长沙市建筑物分布制图

6.2.1 实验数据

6.2.2 实验设计与分析

6.3 长沙市地物精细分类

6.3.1 实验数据

6.3.2 实验设计与分析

第7章 结论与展望

7.1 本文主要工作

7.2 下一步研究方向

参考文献

致谢

附录A:攻读学位期间所发表的学术论文及申请的专利

附录B:攻读学位期间参与的科研项目及获得的奖励