论文部分内容阅读
随着对地观测技术和成像设备的不断发展,遥感技术正进入一个全新的时代,获取到的光学遥感影像不管是在分辨率,还是在体量上都得到了前所未有的提升。由于具有丰富的光谱和空间信息,遥感数据被广泛应用于军事侦察、灾害检测、环境监控、精准农业、国土规划等多个研究领域。地物分类和场景检索是遥感数据信息提取的两大关键任务,是光学遥感影像解译的重要研究内容。然而,面对复杂的遥感影像,如何设计有效的特征提取方法表征影像内容成为当前遥感领域的研究热点与难题。近年来,深度学习凭借强大的特征提取能力在计算机视觉领域掀起了一股研究热潮。不同于传统的特征提取方法,深度学习通过构建深层神经网络,提取高判别性的语义特征来表征图像内容。基于其在自然图像领域的巨大成功,深度学习也随之被引入到遥感领域,推动了遥感影像分类与检索等相关任务的发展。本文采用了卷积神经网络,并结合遥感影像自身光谱和空间特性,研究了高光谱遥感影像地物分类和高空间分辨率遥感影像场景检索等问题。具体的研究内容如下:（1）基于深度学习的分类方法往往采用了图像的语义标签作为有监督信息训练神经网络。然而,由于高光谱遥感影像中标记样本不足,导致这类方法提取到的特征难以有效判别某些复杂的地物类别。为此,本文提出了一种基于深度度量学习的高光谱遥感影像地物分类方法。首先,构建一个二分支的卷积神经网络,同时提取样本对的深度特征,使其保留原始样本空间中的相似性,约束相同类别地物之间的特征距离尽可能小,约束不同类别地物之间的特征距离尽可能大。此外,采用哈希学习机制将高维实值特征映射成低维二进制码,从而实现快速特征距离计算。最后,将学习到的相似度保留的深度特征输入到支持向量机（Support Vector Machine,SVM）中,实现高光谱遥感影像的逐像素分类。实验结果表明该方法在Indian Pines、University of Pavia和Salinas等公开的高光谱遥感影像数据集上取得了满意的分类结果。（2）传统神经网络的性能因受网络层数制约无法提取深层次的特征来更有效表征影像内容,本文提出了一种基于深度特征融合网络的高光谱遥感影像分类方法。首先,采用深度残差网络作为基准网络提取高光谱遥感影像的谱空特征。残差网络采用了跳跃连接（Skip Connection）,克服了传统神经网络因网络层数急剧增加而性能下降的问题。此外,不同等级层特征之间具有较强的相关和互补信息,比如,浅层主要提取图像的颜色、边缘特征,中层主要聚焦图像的结构信息,高层则关注图像的语义信息。为此,设计了一种深度特征融合机制,充分利用不同等级层间的信息,提高了特征表征能力。在Indian Pines、University of Pavia和Salinas等公开的高光谱遥感数据集上的分类结果表明,该方法在分类图的视觉比较和定量指标的比较上都优于对比的分类方法,验证了该方法的有效性。（3）当前检索方法无法有效获取检索影像的语义标签,阻碍了对影像的进一步分析和处理,本文提出了一种基于深度哈希卷积神经网络的高空间分辨率遥感影像检索与分类的方法。该方法充分利用了深度神经网络和哈希学习的各自优势。一方面,采用预训练的卷积神经网络提取高维的深度特征来表征影像内容;另一方面,构建哈希层,将高维实值特征转换为低维哈希码,实现快速特征距离计算。此外,该方法充分利用了样本间的相似性和样本本身的语义性联合指导网络训练,使得原样本空间中的相似样本被映射到汉明空间中的相邻位置,不相似样本被映射为彼此远离。最后,在University of California Dataset,Merced、WHU-RS Dataset和Aerial Image Dataset等高空间分辨率遥感影像数据集上的实验结果表明了该方法能同时获得令人满意的检索和分类性能。（4）当前基于对称的深度哈希网络难以有效利用有监督信息实现大规模影像检索,本文提出了一种基于非对称哈希码学习方法,并用于高空间分辨率遥感影像场景检索。该方法以一种非对称的方式生成查询图像和数据库图像的哈希码,具体来说,查询图像的哈希码由训练好的深度网络生成,数据库的哈希码则由目标函数直接生成,无需通过深度网络的前馈运算,显著提高了哈希码的生成效率。此外,该方法融合了样本的语义信息与相似信息指导网络的训练,进一步提高特征的表征能力。在University of California Dataset,Merced、WHU-RS Dataset和Aerial Image Dataset等遥感数据集上实验结果表明了该方法在检索性能和效率上都优于当前基于对称的深度哈希网络方法。