基于卷積神經(jīng)網(wǎng)絡(luò)的遙感影像土地覆蓋分類研究

《基于卷積神經(jīng)網(wǎng)絡(luò)的遙感影像土地覆蓋分類研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、碩士學(xué)位論文基于卷積神經(jīng)網(wǎng)絡(luò)的遙感影像土地覆蓋分類研究作者姓名:史路路指導(dǎo)教師:鄭柯正高級(jí)工程師葉金山正高級(jí)工程師中國(guó)科學(xué)院遙感與數(shù)字地球研究所學(xué)位類別:工程碩士學(xué)科專業(yè):電子與通信工程研究所:中國(guó)科學(xué)院遙感與數(shù)字地球研究所2018年5月RemoteSensingImageLandCoverClassificationBasedonConvolutionalNeuralNetworkAthesissubmittedtoUniversityofChineseAcademyofSciencesinpart

2、ialfulfillmentoftherequirementforthedegreeofMasterofEngineeringByLuluShiSupervisor:ProfessorKeZhengAssociateSupervisor:ProfessorJinshanYeInstituteofRemoteSensingandDigitalEarthChineseAcademyofSciencesMay2018中國(guó)科學(xué)院大學(xué)研究生學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：所呈交的學(xué)位論文是本人在導(dǎo)師的指導(dǎo)下獨(dú)立

3、進(jìn)行研究工作所取得的成果。盡我所知，除文中已經(jīng)注明引用的內(nèi)容外，本論文不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫(xiě)過(guò)的研究成果。對(duì)論文所涉及的研究工作做出貢獻(xiàn)的其他個(gè)人和集體，均已在文中以明確方式標(biāo)明或致謝。作者簽名：日期：中國(guó)科學(xué)院大學(xué)學(xué)位論文授權(quán)使用聲明本人完全了解并同意遵守中國(guó)科學(xué)院有關(guān)保存和使用學(xué)位論文的規(guī)定，即中國(guó)科學(xué)院有權(quán)保留送交學(xué)位論文的副本，允許該論文被查閱，可以按照學(xué)術(shù)研究公開(kāi)原則和保護(hù)知識(shí)產(chǎn)權(quán)的原則公布該論文的全部或部分內(nèi)容，可以采用影印、縮印或其他復(fù)制手段保存、匯編本學(xué)位論文。涉密及延

4、遲公開(kāi)的學(xué)位論文在解密或延遲期后適用本聲明。作者簽名：導(dǎo)師簽名：日期：日期：摘要摘要伴隨著遙感技術(shù)的發(fā)展，遙感影像數(shù)據(jù)在全球資源變化動(dòng)態(tài)監(jiān)測(cè)和土地覆蓋利用過(guò)程中發(fā)揮著積極作用，遙感影像土地覆蓋分類是遙感數(shù)據(jù)的一個(gè)重要應(yīng)用方向；如何進(jìn)一步提高遙感影像土地覆蓋分類的準(zhǔn)確度對(duì)遙感數(shù)據(jù)得到有效應(yīng)用非常重要。傳統(tǒng)的遙感影像土地覆蓋分類主要是根據(jù)地物的光譜數(shù)據(jù)對(duì)遙感數(shù)據(jù)進(jìn)行分類，但由于遙感影像成像時(shí)環(huán)境的復(fù)雜和成像時(shí)環(huán)境的時(shí)時(shí)動(dòng)態(tài)變化，傳統(tǒng)分類方法單純基于像元的光譜數(shù)據(jù)往往不能達(dá)到令人滿意的分類結(jié)果。另外還有研究

5、人員還提出了結(jié)合像元鄰域紋理信息來(lái)補(bǔ)充光譜特征數(shù)據(jù)的不足。傳統(tǒng)基于光譜特征的分類方法雖然一定程度上解決了目視解譯工作量大耗時(shí)的問(wèn)題，但受到所設(shè)計(jì)特征語(yǔ)義表達(dá)能力的限制泛化能力較差，分類精度仍無(wú)法令人十分滿意。近年來(lái)卷積神經(jīng)網(wǎng)絡(luò)模型在ILSVRC(ImageNetLargeScaleVisualRecognitionChallenge)場(chǎng)景圖像分類識(shí)別問(wèn)題上相比傳統(tǒng)方法取得了突破性進(jìn)展，將卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征學(xué)習(xí)能力應(yīng)用于遙感土地覆蓋分類是當(dāng)前的研究方向。不同于ILSVRC針對(duì)場(chǎng)景的圖像分類，土地覆蓋

6、分類訓(xùn)練任務(wù)中，樣本數(shù)據(jù)的采集通常是以樣本點(diǎn)為中心的鄰域信息一起采集作為輔助信息參與模型訓(xùn)練，并且在單一場(chǎng)景下土地覆蓋發(fā)分類具有樣本數(shù)量少、樣本尺寸小、分類類別少的特點(diǎn)。像AlexNet，VGG等經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型，在解決遙感圖像像素級(jí)土地覆蓋分類問(wèn)題中存在樣本尺寸與網(wǎng)絡(luò)輸入輸出要求不匹配等問(wèn)題，模型輸入層設(shè)計(jì)太小無(wú)法構(gòu)建具有一定深度的網(wǎng)絡(luò)結(jié)構(gòu)，樣本尺寸選擇過(guò)大會(huì)淹沒(méi)中心樣本點(diǎn)的信息；針對(duì)土地覆蓋分類的特殊性，本研究在參考了AlexNet等ILSVRC成功模型結(jié)構(gòu)的基礎(chǔ)上設(shè)計(jì)了一個(gè)輸入尺寸為27×

7、27像素大小具有三個(gè)卷積層兩個(gè)池化層兩個(gè)全連接層的面向土地覆蓋分類的卷積神經(jīng)網(wǎng)絡(luò)模型LCNet-27(Land-CoverconvolutionalneuralNetwork)和一個(gè)輸入尺寸為13×13像素大小具有兩個(gè)卷積層一個(gè)池化層兩個(gè)全連接層的卷積神經(jīng)網(wǎng)絡(luò)模型LCNet-13。以TM中分辨率影像和QuickBird高分辨率影像為研究數(shù)據(jù)，對(duì)比分析了不同輸入尺寸大小構(gòu)建的不同深度的模型、不同樣本尺寸大小和不同分辨率影像對(duì)分類結(jié)果的影響，并與基于光譜特征以及光譜加紋理特征的傳統(tǒng)I摘要分類方法進(jìn)行對(duì)比分

8、析。結(jié)果表明，LCNet-27三個(gè)卷積層兩個(gè)池化層相比LCNet-13兩個(gè)卷積層一個(gè)池化層構(gòu)建的模型分類效果更好；由于存在模型適應(yīng)性問(wèn)題AlexNet模型finetune時(shí)上采樣過(guò)于嚴(yán)重相當(dāng)于加入了過(guò)多噪聲，其分類結(jié)果相比光譜加紋理的分類方法略差；在LCNet-27模型上：TM中分辨率影像最佳訓(xùn)練樣本尺寸大小為5×5像素大小,總體分類精度為96.6%,過(guò)大的樣本尺寸在分類結(jié)果上會(huì)產(chǎn)生較強(qiáng)的濾波效應(yīng)，減少了分類結(jié)果的細(xì)節(jié)信息，而過(guò)小的樣本尺寸由于包含信息太