论文部分内容阅读
随着现代遥感技术的发展,遥感图像成为人们认识地球和周围环境的强有力工具之一。遥感图像中包含的信息异常丰富,应用领域众多,对遥感图像进行分类是其应用于各行业,并最大限度发挥其作用和利用效率的基础之一,结合应用场景来研究遥感图像分类具有重要意义。本文阐述了遥感图像分类的研究意义和发展现状,对于已有的方法进行了阐述和分析,对于遥感图像中植被分类这一特定问题的方法进行了归纳总结,对于近年来十分火热的深度学习方法进行了分析,对面向对象的遥感图像分类和特定应用场景中基于像素的植被分类问题进行了重点研究。(1)针对面向对象的遥感图像分类问题,利用深度神经网络来提高分类精度和自动化程度。选择深度神经网络中的典型模型AlexNet,从减少训练时间和提高分类准确率两个方面对模型进行了改进。为了减少网络训练时间,认真分析AlexNet模型内部结构后,对原模型层数做出了优化;在优化网络层数后,再通过替换模型终端的分类器来提高分类准确率,得到了改进后的模型AlexNet-10-SVM。为了进一步提高遥感图像分类准确率,在改进后的模型上训练时,利用权值迁移的训练策略来替代全训练。对权值迁移时使用的原始数据集进行了对比分析,发现权值迁移时初始权重的设置采用经大规模数据集训练后得到的模型中的权值时效果最好。采用权值迁移的训练策略在改进后的网络模型AlexNet-10-SVM上对三个遥感图像数据集UCM、SIRI-WHU和RS19做了分类实验。结果表明,网络训练时间成本有所减少的同时,在三个数据集上的分类准确率分别达到了95.2%、97.1%和96.3%。(2)在基于像素的植被精细分类问题中,现有方法的数据源基本为多光谱遥感数据,通过光谱信息来计算定义各异的植被指数来达到分类目的。针对以可见光遥感图像为数据源,测绘制图和土地调查中需要对植被精确分类的应用需求,提出了一种基于纹理特征与改进AlexNet的遥感图像植被分类算法,该算法经过纹理特征提取、图像分割、阈值筛选、识别定性和条件合并等步骤对一副遥感图像中的植被做精细分类。其中识别定性采用训练改进后的AlexNet模型来实现,经过收集整理图像,创建了用于模型训练的植被分类数据集VRSIVC8,数据集共包含8种植被类型,总样本数为6400幅,在改进后的AlexNet模型上该数据集达到了97.2%的识别准确率。采用本文提出的算法对可见光遥感图像做植被分类实验后,利用总体精度和Kappa系数等评价指标对实验结果进行了评价,两幅实验图像的Kappa系数分别为0.9253和0.9530,达到了很高的分类精度和一致性。