基于深度学习的遥感影像空谱结合方法改进与小样本分类研究

摘要

遥感影像地表覆盖分类作为遥感领域的主要研究方向之一，为环境、生态、经济等高层研究应用提供重要基础支撑。近年来飞速发展的深度学习(Deep Learning，DL)能够针对遥感影像进行数据本质挖掘并克服传统遥感分类方法的局限性，迅速得到了广泛应用。借鉴深度学习在自然图像领域主要根据空间信息分类的经验，并结合遥感数据丰富的光谱信息，对现有的遥感影像空谱结合方法进行改进并分类具有一定研究价值。　　本文重点研究了以下内容：　　(1)针对遥感影像高维度、小样本、高分辨率的数据特点容易造成深度网络收敛速度慢、训练过拟合、分类精度低的问题，提出了利用梯度域导向滤波对影像进行保边去噪，降低光谱噪声的同时保证空间信息；利用GLDM处理代替取像素邻域点作为空间信息，极大地剔除了冗余信息，减轻训练网络的数据压力；利用最小噪声变换代替PCA，在对影像降维降噪的同时尽可能地保留有效光谱信息。最后对DSTL、PaviaUniversity、IndianPines数据集进行实验，实验结果表明：利用所提方法对原始遥感影像进行信息处理与提取，能够有效避免网络冗余信息，加快网络收敛速度。当将高光谱影像光谱维度数量缩减至原影像的0.02时，分类精度基本不变。　　(2)针对以往空谱结合深度分类模型的优缺点，改进了遥感光谱信息与空间信息的结合方式，设计了Block-Pixel-DCNN模型，该模型为双通道深度神经网络，分别利用MLP提取高维光谱特征，利用DCNN提取高维空间信息，结合两类高维特征信息后继续通过网络对数据进行重构。该方法既避免了空谱决策结合分类策略容易造成的模型间错误修改问题，又能解决空谱同步结合策略容易产生的数据不兼容现象。利用空谱同步结合-DCNN、空谱决策结合-DCNN、Pixel-MLP和Block-DCNN在DSTL数据集进行了实验，结果表明，Block-Pixel-DCNN的分类精度最高。　　(3)针对现阶段遥感可训练样本过少的情况设计了小样本遥感影像Fine-tuning迁移训练模型，该模型在其他遥感影像深度学习分类经验的基础上重构新的分类模型，在小样本遥感数据集PaviaUniversity、IndianPines中分类总体精度达到0.73。并最后根据迁移学习原理构建了遥感影像持续训练系统，该系统能够接收固定传感器的任意数据，并将其作为训练数据进行模型参数快速更新，提高工作效率，极大地节省了计算资源。

目录

声明

1 绪论

1.1研究背景及意义

1.2国内外研究进展

1.2.2基于深度学习的图像分类方法

1.3实验数据与精度评价指标

1.3.1实验数据

1.3.2分类评价指标

1.4主要研究工作与内容安排

1.4.2主要内容安排

1.5本章小结

2 深度学习基础理论与训练技巧

2.1深度学习模型

2.1.1 MLP

2.1.2 DCNN

2.2深度学习基础理论

2.2.1 前向传播算法

2.2.2 反向传播算法

2.3深度学习问题与处理

2.3.2 Dropout层

2.3.4 提前停止

2.4卷积网络特征可视化

2.5本章小结

3 遥感影像数据处理与特征提取

3.1动机与必要性

3.2数据增强

3.3遥感影像光谱降维

3.3.2 MNF变换

3.4导向滤波及优化

3.4.2 梯度域导向滤波

3.5遥感影像空间域特征提取

3.6实验结果与分析

3.7本章小结

4 基于深度学习的遥感空谱特征分类方法与改进

4.1动机与必要性

4.2遥感影像空谱结合分类方法

4.3基于深度神经网络的双通道遥感影像Block-Pixel-DCNN模型

4.3.2 Pixel-MLP模块

4.3.3 Block-Pixel-DCNN分类模块

4.3.4 Block-DCNN分类模型

4.4实验与分析

4.4.1 实验过程与结果分析

4.5本章小结

5 小样本遥感影像迁移学习及持续训练系统设计

5.1动机与必要性

5.2迁移学习方法

5.2.3 基于Fine-tuning的迁移学习

5.3小样本遥感影像迁移训练

5.4遥感影像持续训练系统设计

5.5实验过程与分析

5.6本章小结

6 总结与展望

6.1主要结论

6.2不足与展望

参考文献

作者简历

致谢

学位论文数据集