基于深度神经网络的遥感图像分类研究

来源:用户上传      作者:

　　摘  要：遥感图像技术随着发展，其应用领域不断扩大，同时在各个领域中进行分类，使其利用效率和应用效果得到最大限度地提高和发挥，与实际应用相结合，对遥感图像分类进行加强研究，也是目前重要的研究课题。在深度神经网络领域，通过对典型遥感图像模型的分析，从提高分类准确率和减少训练时间等方面对模型进行相应改进和优化，该文就此进行了进一步阐述。
　　关键词：深度神经网络  遥感图像  分类研究
　　中图分类号：TP751    文献标识码：A 文章编号：1672-3791（2020）01（a）-0022-02
　　1  深度神经网络及网络模型概述
　　1.1 深度神经网络
　　深度神经网络成为近年来研究的熱点，其所涉及的领域包括物理生物、计算机、数学等，基于人工神经系统进行模拟的复杂数学模型，通过各种连接方式，将神经元作为基本节点，构成不同的网络结构和模型，信号传输过程中的加权值通过神经元之间的连接进行表现，由激励函数和权重值对网络输出进行确定[1]。
　　典型的神经网络要由学习规则，激活函数和结构3个部分组成;单层神经网络主要由有限个神经元组成;而典型的三层神经网络主要由隐含层、输入层和输出层构成。根据神经网络中内部信息流动的方向进行划分，可分为两种：前馈性和反馈型。前一种网络中最广泛应用的是反向传播算法，其主要分为正向传播和反向传播两个步骤[2]。
　　在针对待解决的问题，采用传统模式进行识别时，主要通过人工设计相应的特征，并通过特定的算法对特征进行提取，按照所提取的特征进行分类器输出，并对分类器进行训练，然后对测试样本按照训练好的分类器进行分类。在这种识别模式中，由于特征设计受到限制，对图像中所蕴含的丰富信息无法充分表达，通过神经网络的应用，从图像中提取特征更为全面。
　　1.2 AlexNet网络遥感模型
　　此模型在基于深度卷积神经网络的应用中，在完成图像分类和目标定位任务方面取得了较好的应用成果，因此受到极大的关注和重视。此网络模型所使用的公开数据集，含有2万多个类别的，超过1500万幅带标签的高分率图像;采用多个GPU应用于训练过程和输入数据处理的加速计算，可实现分段同步进行训练，使训练时间有效缩短;具有的Dropout组合模型，可对不同模型进行结果预测，使测试误差降低，但其所对单个网络结构进行训练所需时间较长，能够使神经远之间较为复杂的自适应关系得到一定程度的降低，并通过被迫学习，对不同的网络结构提高参数的适应性，使网络结构的泛化能力提高。
　　在数据处理方式主要采用利用PCA对RGB的色彩空间进行成分分析，以及随机裁剪输入的图像两种方式。前者通过对RGB像素集合，进行PCA处理，主要借助于自然图像中光照颜色和强度在图像识别不变的情况下变化不定的重要属性进行操作，并进行高斯扰动;后者是对训练图像进行随机裁剪，图像输出大小为256×256，随机裁剪大小设定为224×224，同时执行水平翻转，并在测试过程需要进行5次裁剪，包括中间、右上、右下、左上、左下，通过水平翻转，最终进行平均值的计算。
　　2  遥感图像分类
　　图像分类中因所含成分复杂、地物数量较多，根据尺度的不同进行分类时，主要采用两种分类方式：基于像素和面向对象。其中面向对象的分类中，基于深度神经网络的遥感图像对象分类，主要研究方向为提高分类的准确率[3]。
　　2.1 分类模型选择
　　目前随着研究，出现了不同类型的卷积神经网络，随着层数不断增多，目前网络模型现在达到22层，在大规模的分类任务中，网络越深获得成效越好，层数增加使分类识别率提高的同时，也增大了计算量，对计算资源也提出了更高的要求，另外时间成本也随之提高，因此对于小规模任务和实时性任务而言，需要针对特定的分类任务确定相应的平衡点。
　　在针对VGG、AlexNet、Googlenet、Lenet这4种深度神经网络，进行最适合的网络进行选择时，通过UCM公开遥感数据集进行训练时间和分类准确率的测试。从表1的数据对比可以看出，在分类准确率的表现上，Lenet不太理想，AlexNet虽然在准确率方面不如Googlenet优异，但其训练时间表现较好，因此作为最终的遥感图像分类网络模型。
　　2.2 改进的遥感图像分类模型
　　在标准网络结构中主要有：3个池化层、1个softmax层、3个全连接层、5个卷积层。在深度神经网格模型中，可以实现特征的提取，训练样本的特征表达向量由此模型的最后一个全连接层进行输出，特征向量分类由最后一层的softmax进行完成[4]。针对此流程可以通过SVW对最后一层进行替换，对分类任务进行优化。同样经过数据集训练和测试，改进前后的对比数据如表2所示。
　　从对比数据中可以看出，改进后的网络模型在分类准确率上有了提升，同时训练时间也极大地缩短，对原模型进行了优化。但从整体效果来看，其分类准确类依然未达到较高水平，而UCM遥感图像数据集的训练样本较少，也受到较小规模的网络模型的学习特征的限制，其分类准确率较低，而图像数据集的规模因受到各因素的限制较难扩大，因此只能通过对训练过程的优化和改进，使分类准确率得到提高。
　　所以针对此问题，采用模型先利用其他数据进行训练，再对刚开始训练的网络模型中的权重变量进行赋值的方式进行权值迁移，而赋予的权得来自于已训练好的网络模型的权重值[5]。
　　3  结语
　　基于深度神经网络的遥感图像分类研究中，对特定领域的分类问题，通过深度学习予以解决，其中训练数据集的建立以及分类原则至关重要，在进行深度，神经网络训练过程中，网络收敛速度和最终结果受参数选择的直接影响，深度神经网络在对样本本质特征进行提取时，应提高样本的数量和质量，由于数据集时常受到客观条件的限制，可以利用权值迁移的输入的方式，对网络权重随机初始化进行替代，使训练效果提高。
　　参考文献
　　[1] 王生生，王萌，王光耀.基于深度神经网络剪枝的两阶段遥感图像目标检测[J].东北大学学报：自然科学版，2019，40（2）：25-30.
　　[2] 杨莹，张海仙.基于卷积神经网络的图像分类研究[J].现代计算机，2016（5）：67-71.
　　[3] 付伟锋，邹维宝.深度学习在遥感影像分类中的研究进展[J].计算机应用研究，2018，35（12）：7-11.
　　[4] 业巧林，许等平，张冬.基于深度学习特征和支持向量机的遥感图像分类[J].林业工程学报，2019，4（2）：119-125.
　　[5] 张日升，朱桂斌，张燕琴.基于卷积神经网络的卫星遥感图像区域识别[J].信息技术，2017（11）：91-94.
转载注明来源:https://www.xzbu.com/1/view-15131067.htm