一种分割高光谱遥感影像的3D卷积深度学习方法--以哨兵2号遥感影像水体识别为例

摘要

随着遥感技术的迅速发展，高光谱遥感数据越来越普及并为人们广泛使用。基于高光谱数据的语义分割技术是高光谱遥感技术的核心应用之一。高光谱遥感影像具有维度高、信息多的特点，在语义分割任务中能较传统RGB图形提供更多的光谱信息。但目前的遥感卫星由于技术原因往往无法做到高光谱与同尺度兼得，即不同光谱往往会有不同的空间分辨率，这给语义分割任务带来了挑战；另一方面卫星产生了众多波段的图像，如何根据具体的分割目标确定要使用的具体波段，以及这些波段之间的像素信息如何最大程度的利用？光谱分辨率高、标注困难、各波段尺度不同等特点决定了高光谱遥感影像分割任务的技术难点。本文以水体识别(分割对象为水体)为例，提出基于3D卷积神经网络的高光谱遥感影像分割网络D2S_M3DUnet，将传统卷积神经网络扩展为三维并将其应用于哨兵二号遥感影像水体识别中，利用哨兵二号数据的高光谱特性，将不同尺度的波段图像在网络的不同卷积层输入并进行通道融合，而没有使用传统的重采样整合方法，这样既能减少噪声，又能使用3D卷积充分挖掘光谱和空间两个维度的信息，提高分割性能，还采用了D2S方法进行上采样修正，获得更好的分割精度以及更短的训练时间。实验结果表明：3D卷积神经网络D2S_M3DUnet较2D卷积神经网络在哨兵2号遥感影像水体识别中有更好的性能，特别是对细小水体的预测更加准确。

目录

声明

1.绪论

1.1 研究背景与意义

1.1.1 遥感图像及其性质

1.1.2 图像语义分割与高光谱遥感图像水体识别

1.2 国内外研究现状

1.2.1 语义分割方法

1.2.2 高光谱遥感影像语义分割与水体识别

1.3 研究内容和创新点

1.4 研究思路与框架

1.5 本文章节安排

2.理论基础

2.1 深度学习理论概述

2.2 神经网络算法简介

2.3 卷积神经网络简介

2.4 本章小结

3.研究设计

3.1 数据集来源与预处理

3.1.1 哨兵二号卫星遥感影像数据集

3.1.2 哨兵二号遥感数据预处理

3.1.3 样本数据增强

3.2 以 Unet为基本框架改进的 3D卷积高光谱水体识别模型

3.2.1 基于 3D卷积的哨兵二号遥感影像水体识别网络架构

3.2.2 3D卷积原理

3.2.3 3D池化原理

3.2.4 通道注意力

3.2.5 标准化方式选择

3.2.6 激活函数及权重优化方法选择

3.2.7 D2S 改进上采样

3.2.8 D2S_M3DUnet模型结构

3.2.9 反向传播训练

3.3 本章小结

4.实验与分析

4.1 水体识别实证实验设计

4.1.1 实验环境

4.1.2 训练集、验证集和测试集划分

4.1.3 训练数据增强

4.1.4 模型训练流程

4.2 水体识别实验结果分析与讨论

4.2.1 模型训练效果

4.2.2 测试集评估效果

4.2.3实验结果讨论

4.3 本章小结

5.总结与展望

5.1 本文主要贡献

5.2 未来工作展望

参考文献

致谢