论文部分内容阅读
高空间分辨率遥感影像(简称高分影像)能够快速记录地物几何、纹理、形状、色彩等信息,是国土调查、城市规划、国防安全等领域重要的基础性数据,而地物分类是实现高分影像数据价值的基本工作。虽然地物分类方法研究已经十分深入,包括:决策树、支持向量机、随机森林等,但影像存在的“同类地物差异大、异类地物差异小”问题仍给地物分类造成极大挑战。因此,有必要结合时代新技术,从计算时间、识别准确率、操作难度三方面进行地物分类研究。目前,卷积神经网络技术(Convolutional Neural Network,CNN)已在图像识别、检测领域取得了突破性进展,其准确率远远优于传统的机器学习算法。但是,受公开遥感影像数据集数量少、地域小的限制,CNN技术在高分影像地物分类的应用研究相对不足,尤其表现在高分影像的地物分类领域。为此,深入探究了CNN原理,提出了双路径卷积神经网络模型(Double-Path Convolutional Neural Network Model,DP-CNN),以促进地物分类研究的发展。本文工作的主要内容包括以下几点:(1)总结了遥感影像地物分类主流的传统方法,梳理了CNN技术的发展及在遥感领域的应用研究现状,指出了CNN技术在高分影像地物分类方向应用研究存在的问题,点明了本文的研究内容。(2)在CNN原理基础上,借鉴Inception结构和ResNet残差结构,对U-Net模型进行连接方式改造,将原单一的串联连接结构,改为四路并联和残差支路并行计算的双路径连接结构,增加了单一层特征提取的感受野范围,更便于提取特征图特征,减少CNN技术中语义分割模型的参数,加快计算速度。(3)介绍了DP-CNN模型搭建的Python平台,并展示了搭建中使用的主要第三方库。搭建完成后,基于Inria Aerial Image Dataset数据集进行了DP-CNN模型的探究实验,通过与常见语义分割模型的指标对比,验证了DP-CNN模型的简易性、快速性和稳定性,尤其在训练轮数达到40后,DPCNN模型的正确识别率便稳定在98%左右。(4)在太原市高分影像上,设计了操作简单的DP-CNN模型迁移学习应用实验。以谷歌开放的高分影像为源数据,先自制了六类地物的二分类数据集,然后,在此数据集上进行了DP-CNN模型的迁移训练,最后,对选取的三个场景进行模型预测和预测结果评价。