论文部分内容阅读
遥感图像分类为当今的社会发展起着不可忽视的作用,因此众多研究者一直在这个领域潜心研究,以提出更先进的理论方法,使其实现更高的价值。机器学习已成为当代研究遥感图像分类的研究方法,同时,该方法也逐渐被广泛应用到其他重大领域中,机器学习的子领域--深度学习,其应用领域日渐广泛。尤其在数字图像处理方面,深度学习取得很大胜利。遥感图像分类即为当下其应用场景之一,但由于人类需求对技术方法要求的不断提高,使得研究方法必须不断更新,因此,深度学习一直是目前处理图像任务的主要钻研方法。本文以卷积神经网络(Convolutional Neural Network,CNN)为基础,针对几种遥感图像数据集设计出具有很好分类效果的模型。以下是论文研究的主要内容:1.针对遥感图像场景分类中由于特征利用不充分导致部分信息缺失进而影响分类精度的问题,提出一种基于密集特征融合的遥感场景分类算法。构建密集网络(Dense Convolutional Network,DenseNet)和扩展DenseNet分别提取图像局部特征图像全局特征,用视觉词袋模型(Bag of Visual Words,BOVW)编码方法进行重组编码,充分表达图像局部深层信息,将两部分网络提取的特征进行线性加权融合并结合softmax分类器进行分类,利用局部和全局的特征互补性,将图形信息充分提取并利用,有利于改善分类精度。2.高光谱遥感影像(Hyperspectral Remote Sensing Image,HSI)数据信息量丰富,光谱分辨率高,具有巨大的应用价值。卷积神经网络已在HSI分类任务中有显著的效果。然而,有限的HSI标记样本使得现有的基于CNN的HSI分类方法通常受到样本规模小和分布类别不平衡的问题的困扰,是目前HSI分类任务中棘手的问题。因此本文设计了一个特殊的CNN体系结构,为解决上述问题找到了方向。在传统网络两侧引入分支结构,设计出多分支结构的CNN融合网络,即宽度更宽和深度更深的卷积神经网络。该网络结构能更有效的提取高光图遥感图像中的有用信息,加之引入L2正则化,使得在对小样本数据集分类时仍然能取得很好的结果,进而提高模型的泛化能力。