基于卷积神经网络的高分二号影像林分类型分类

摘要

【目的】基于遥感影像的林分类型分类在现代林业中是一项重要的应用。本文试图构建一个基于高分二号(GF-2)影像林分类型分类的卷积神经网络(CNN)模型,探索CNN在遥感图像像素级分类这一领域的发展潜力。【方法】以GF-2卫星遥感影像为数据源,利用Tensorflow(一种开源用于机器学习的框架)构建4种不同图像斑块大小(m=5,7,9,11)为输入的CNN,同时以传统的神经网络模型——多层感知器(MLP)为基准,比较不同图像斑块大小下的CNN分类图的分类效果和分类精度。【结果】实验分类结果表明:CNN(m=9)得出最高的分类精确度,总体精度比MLP和CNN(m=5,7,11)分别高出10.91%和6.55%、1.3%、2.54%。分类图的可视化结果也表明CNN(m=9)更好地解决了'椒盐现象'与过度平滑后的边界不确定性问题。【结论】CNN能够在利用高分影像光谱特征的同时充分挖掘影像的空间特征,从而提高分类精度,同时在利用CNN基于遥感影像分类时,根据数据源以及地物的特点选择合适的图像斑块大小作为输入是提高分类精度与分类效果的关键措施。