论文部分内容阅读
随着遥感成像技术的飞速发展,获取到的多光谱影像的分辨率越来越高,所包含的光谱信息也越来越丰富。但是多光谱影像存在同物异谱、同谱异物、同物多形以及标记困难带来的标记样本数量少的问题,给多光谱影像分类带来了严重的挑战。本文针对上述问题,结合深度卷积神经网络在图像特征提取方面的优势,提出了基于Contourlet残差网和蚁群优化算法的多光谱影像分类方法,其中的主要工作包括:1.提出了一种基于蚁群优化(Ant Colony Optimization,ACO)算法和深度残差网络的多光谱影像分类方法。针对多光谱影像中标记样本数量少的问题,该方法提出一种基于ACO算法的训练样本选取策略,利用ACO算法选择多样性的样本,提高分类模型的泛化性能。同时针对多光谱影像中的同物异谱、同谱异物问题,本方法还构建了一种基于残差块的深度残差网络来进行特征提取,能够提取到更有区分度的深层特征,提高模型的分类准确率。通过在温哥华及西安地区等四幅多光谱影像上的实验证明,本方法构建的深度残差网络能够取得比随机森林、K最邻近等传统分类方法以及LeNet等基于深度学习的分类方法更高的总体分类精度,同时基于ACO算法的采样策略也优于随机采样、聚类采样等采样策略。2.提出了一种基于加权可变形卷积网络(Weighted Deformable Convolution Network,WDCNet)的多光谱影像分类方法。针对多光谱影像中的同物多形问题,该方法对可变形卷积进行了改进,提出了一种基于加权可变形卷积模块的深度卷积神经网络WDCNet。与传统卷积模块相比,加权可变形卷积模块可以提高神经网络在提取特征时的灵活性,提高模型的特征表达能力。通过在温哥华及西安地区等四幅多光谱影像上的实验证明,WDCNet的分类性能优于残差网、可变形卷积网等分类模型,并且将基于ACO算法选取到的样本作为WDCNet的训练样本,可进一步提高模型的分类精度。3.提出了一种基于非下采样轮廓波变换(Nonsubsampled Contourlet Transform,NSCT)和WDCNet的多光谱影像分类方法。针对WDCNet对于包含复杂信息且具有相似形状的边缘点难以分类的问题,提出将基于NSCT边缘检测的加权损失函数作为WDCNet的目标函数进行模型训练。首先利用非下采样轮廓波变换进行边缘检测,然后根据边缘检测结果设计出基于边缘检测的加权损失函数,增大边缘点损失在总损失中的占比,改善边缘点的分类效果。通过在温哥华及西安地区等四幅多光谱影像上的实验证明,利用NSCT进行边缘检测的分类效果好于Canny算子、Sobel算子等边缘检测算子,同时利用加权损失函数训练出来的模型的分类效果好于传统交叉熵损失函数训练出来的模型的分类效果,提高了模型的泛化能力。