论文部分内容阅读
遥感影像分类是遥感数字处理中至关重要的环节。通过遥感影像分类,遥感影像转换为可被计算机理解并处理的地物分类信息,能够为高层应用提供支持。遥感影像分类使用的传统机器学习方法,需要对数据进行繁重的特征分析和提取工作,不仅对数据表示有相对严格的要求,而且各方法都有其特殊的应用限制,局限性明显。近来发展的深度学习技术能够极大地克服这种局限性。深度卷积神经网络(DCNNs)是图像处理领域表现最为优异的深度学习模型。因为遥感与图像处理技术密切相关,所以借鉴DCNNs在图像处理领域的成功经验,把该技术应用到遥感影像分类究,极具可行性和研究价值。本文主要研究DCNNs在遥感影像分类中的应用,重点研究了如下内容:1)对传统遥感影像分类方法的从原理上进行了研究;分析并总结了监督和非监督算法的优缺点,以便与DCNNs进行比较研究;研究了分类精度评价的原理和几种方法的优缺点,为实验中合理使用这些方法提供理论指导。2)本文从数学原理、网络结构的角度,对人工神经网络和DCNNs进行了研究和分析,重点研究了 DCNNs的关键技术。介绍了 LeNet、AlexNet、GoogleNet、R-CNN以及FCN等模型,以及这些网络在图像分类和语义分割方面的实践。3)本文研究并设计了一种复数域的DCNNs模型。该模型把DCNNs从实数域拓展到复数域;基于Patch的思想,把分类网络应用到类似图像语义分割的遥感影像分类。本文使用该模型对极化SAR影像进行分类实验,得到了比较理想的效果。4)本文研究并设计了一种端到端的DCNNs模型。该模型基于全卷积思想,使用对称结构,能够实现位置信息与特征信息相融合、局部特征和宏观特征相融合,从而获得高精度的遥感影像分类结果。该模型适应多光谱以及不同的影像大小输入,实现了端到端的智能化处理。理论研究和实验结果分析认为,DCNNs不仅可以应用在遥感影像分类,而且分类效果优异。DCNNs技术目前仍然在快速发展中,持续、深入地研究这种技术,并把它应用到遥感数据处理领域中,能够带来遥感数据处理向智能化方向发展的质的变化。可预见,DCNNs技术在遥感领域有着潜在的、巨大的应用价值。