基于深度卷積神經(jīng)網(wǎng)絡(luò)的遙感影像分類研究

隨著過去十年遙感影像技術(shù)的快速增長，現(xiàn)在已經(jīng)可以獲得大量的高分辨率遙感影像，從而使我們能夠?qū)Φ乇磉M(jìn)行更為詳盡的研究。遙感影像分類，作為一項(xiàng)基礎(chǔ)性的工作，其目的在于將提取出的覆蓋多種地物類型或地物的遙感圖像分區(qū)為不同的語義類別，對(duì)于許多實(shí)際遙感應(yīng)用，如土地資源管理，城市刨削和電腦制圖等等均有重要意義。通常，一些相同的土地覆蓋類型或?qū)ο箢悇e經(jīng)常在不同的場景類別之間同時(shí)存在。例如，兩個(gè)典型場景類別的商業(yè)區(qū)和住宅區(qū)可同時(shí)包含道路，樹木和建筑物，但這三個(gè)主題類別的密度和空間分布不同。因此，遙感場景中空間和結(jié)構(gòu)的復(fù)雜性使得場景分類問題變得十分復(fù)雜^[1]。

盡管在遙感圖像分類領(lǐng)域，科研工作者做了大量的工作，但相關(guān)方法在場景分類中的表現(xiàn)并不盡如人意，于是尋求更好的解決方法稱為當(dāng)前遙感影像分類的研究趨勢之一。最近，深度學(xué)習(xí)方法不僅在語音識(shí)別、目標(biāo)識(shí)別和檢測、自然語言處理等方面取得了巨大的成就，而且在其他領(lǐng)域的應(yīng)用上也有較大的發(fā)展，引起了學(xué)術(shù)界和工業(yè)界的青睞。深度學(xué)習(xí)算法可以應(yīng)用于不同抽象級(jí)別的分層特征，而深度神經(jīng)網(wǎng)絡(luò)作為最成功和廣泛使用的深度學(xué)習(xí)方法，已經(jīng)在大多數(shù)識(shí)別和檢測系統(tǒng)中得到了應(yīng)用。而遙感圖像的分類是一個(gè)復(fù)雜的過程，采用淺層結(jié)構(gòu)模型對(duì)其進(jìn)行分類很難達(dá)成預(yù)期目標(biāo)，故本文將CNN模型應(yīng)用于遙感影像進(jìn)行分類研究。

1 深度學(xué)習(xí)

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個(gè)重要分支，由Hinton等人2006年提出了，它基于對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)，以建立可以對(duì)人腦進(jìn)行模擬分析學(xué)習(xí)和數(shù)據(jù)解釋的神經(jīng)網(wǎng)絡(luò)為目的^[2]。隨著科技的發(fā)展，深度學(xué)習(xí)已經(jīng)成為互聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能的一個(gè)必然趨勢，主流高科技公司均投入了大量的資源進(jìn)行深度學(xué)習(xí)技術(shù)的研究與開發(fā)，從而也極大的促進(jìn)了深度學(xué)習(xí)技術(shù)的發(fā)展。

深度學(xué)習(xí)構(gòu)建的具備大量單一元素（神經(jīng)元）的深度網(wǎng)絡(luò)結(jié)構(gòu)，各個(gè)神經(jīng)元具備相互連接的關(guān)系，且可以通過不斷學(xué)習(xí)來改變其連接的強(qiáng)度，即改變權(quán)重，從而決定網(wǎng)絡(luò)的功能。工作與科研中常用到的稀疏編碼、深度置信網(wǎng)絡(luò)等模型均屬于深度神經(jīng)網(wǎng)絡(luò)模型。

2 卷積神經(jīng)網(wǎng)絡(luò)算法原理

卷積神經(jīng)網(wǎng)絡(luò)是一種典型的前饋神經(jīng)網(wǎng)絡(luò)，它的典型架構(gòu)是由兩層組成，其中包括特征提取層和特征映射層。其中，特征提取層的每個(gè)神經(jīng)元的輸入連接著上一層的局部接受域，負(fù)責(zé)局部特征的提取，且該層與其他特征間的位置關(guān)系在該局部特征提取后將被確定；而特征映射層，由多個(gè)特征映射組成，每個(gè)特征映射構(gòu)成一個(gè)平面，其上的所有神經(jīng)元有相等的權(quán)值。卷積神經(jīng)網(wǎng)絡(luò)的激活函數(shù)采用影響函數(shù)核小的sigmod函數(shù)，使得特征映射可以保位移不變性^[3]。

卷積神經(jīng)網(wǎng)絡(luò)與普通神經(jīng)網(wǎng)絡(luò)有著較大的區(qū)別，主要表現(xiàn)在：卷積神經(jīng)網(wǎng)絡(luò)包含一個(gè)卷積層和子采樣層構(gòu)成的特征提取器，在卷積層中，一個(gè)神經(jīng)元只跟相鄰層里的部分神經(jīng)元連接，且卷積層通常包含一系列由矩形排列的神經(jīng)元構(gòu)成的特征平面（featureMap），同一特征平面的神經(jīng)元共享權(quán)值，該權(quán)值即卷積核。卷積核的存在可以有效降低網(wǎng)絡(luò)各層之間的連接數(shù)量，節(jié)約大量計(jì)算成本，同時(shí)使得過擬合的問題得到有效改善。子采樣又叫池化（pooling），常用形式有均值子采樣和最大值子采樣。通過卷積和子采樣，網(wǎng)絡(luò)模型的復(fù)雜度得到了極大的簡化，參數(shù)數(shù)量也大為減少。目前，對(duì)于CNN的研究較為活躍，基本上集中于以下三點(diǎn)^[4]：

（1）網(wǎng)絡(luò)結(jié)構(gòu)方面。卷積神經(jīng)網(wǎng)絡(luò)模型具備非常復(fù)雜的結(jié)構(gòu)，因此需要花費(fèi)較長的時(shí)間進(jìn)行訓(xùn)練。對(duì)于一種固定的數(shù)據(jù)集應(yīng)用，尋找最合適的網(wǎng)絡(luò)結(jié)構(gòu)以提升模型精度和泛化能力是當(dāng)前研究的一個(gè)熱點(diǎn)。

（2）系統(tǒng)硬件方面。卷積神經(jīng)網(wǎng)絡(luò)的并行處理能力非常強(qiáng)大，使其在硬件實(shí)現(xiàn)上具備非常大的優(yōu)勢，國際許多主流芯片制造商已經(jīng)在研或者發(fā)售了多款用于CNN的大規(guī)模集成電路，以提升并行計(jì)算能力和訓(xùn)練 速度等。

（3）網(wǎng)絡(luò)應(yīng)用研究。在物體識(shí)別與檢測等模式識(shí)別領(lǐng)域的應(yīng)用較為廣泛和深入，尤其在圖像識(shí)別方面，CNN已經(jīng)表現(xiàn)出了非常大的優(yōu)勢。

3基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究

遙感圖像在進(jìn)行分類處理前需要先進(jìn)行一系列的處理，具體包括以下幾個(gè)方面：

3.1 預(yù)處理

預(yù)處理包括降噪處理、薄云處理和陰影處理。由于在獲取遙感圖像時(shí)，傳感器自身質(zhì)量參差不齊，導(dǎo)致圖像中含有一定的噪聲，因此需要進(jìn)行降噪處理，以減小噪聲影響；薄云處理主要針對(duì)遙感影像中天氣原因?qū)е碌挠跋癖徽谏w；陰影處理主要針對(duì)太陽照射情況不理想而對(duì)地物造成的遮擋影像。

3.2 幾何校正

遙感影像需要具備一定的幾何精度，故在進(jìn)行其他操作前，對(duì)遙感圖像進(jìn)行一系列的幾何校正，具體包括：圖像配準(zhǔn)、幾何粗校正、幾何精校正、正射校正等。

3.3 圖像增強(qiáng)

為了更加突出遙感圖像中的興趣目標(biāo)，使得地物信息具有更強(qiáng)的可讀性，需要進(jìn)行圖像增強(qiáng)處理，包括彩色合成、密度分割、灰度顛倒、圖像間運(yùn)算等。

3.4 圖像鑲嵌和勻色

在不同攝影條件下獲得的兩幅或者多幅圖像需要進(jìn)行圖像鑲嵌成一幅整體圖像進(jìn)行處理，同時(shí)由于拼接得到的遙感數(shù)據(jù)圖像，因其來源不同，圖像質(zhì)量和色調(diào)有差別，故需要進(jìn)行勻色處理。

3.5 遙感圖像特征選擇

在對(duì)圖像進(jìn)行預(yù)處理后，需要對(duì)遙感圖像進(jìn)行分析，進(jìn)而從圖像中選取具有明顯特征的數(shù)據(jù)作為訓(xùn)練的樣本數(shù)據(jù)。樣本的選取非常重要，直接影響了分類的效果。

3.6 遙感特征提取

卷積神經(jīng)網(wǎng)絡(luò)通過共享權(quán)值和網(wǎng)絡(luò)結(jié)構(gòu)重組對(duì)遙感影像的特征進(jìn)行不斷學(xué)習(xí)，并通過反向傳播算法完成訓(xùn)練最終實(shí)現(xiàn)遙感影像的分類。在其前向傳播過程中，卷積核覆蓋在輸入的遙感影像上，對(duì)應(yīng)的位置求積再求和后將所得值賦給輸出圖的對(duì)應(yīng)位置，以此方法按次序移動(dòng)卷積核，最終得到輸出結(jié)果。而在反向傳播過程中，需要先根據(jù)神經(jīng)網(wǎng)絡(luò)的誤差信號(hào)反傳方式得到末端分類器中所有神經(jīng)元的誤差信號(hào)，然后經(jīng)由分類器傳播到前面的特征提取器。誤差信號(hào)從子采樣層的特征圖傳播到前面卷積層的特征圖需要進(jìn)行一次全卷積過程來完成^[5]。卷積層的計(jì)算形式如下式所示。

式中：l為卷積層所在層數(shù)；b是偏置；k是卷積核；f是激活函數(shù)；M_j是上一層的一個(gè)輸入特征圖。

3.7 分類結(jié)果評(píng)價(jià)

對(duì)于分類處理后的遙感影像數(shù)據(jù)，需要判斷分類的效果是否滿足預(yù)期要求，故進(jìn)行合理而精確的評(píng)價(jià)是十分必要的，目前主要的精度評(píng)價(jià)因子有總體分類精度、Kappa系數(shù)、混淆矩陣、錯(cuò)分誤差及用戶精度等。

4 結(jié)語

本文通過對(duì)遙感圖像的分類方法進(jìn)行分析，探討了卷積神經(jīng)網(wǎng)絡(luò)的工作原理并針對(duì)傳統(tǒng)分類方法的不足，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類方法并給出了具體的分類流程，并對(duì)實(shí)驗(yàn)流程內(nèi)各個(gè)步驟原理和依據(jù)進(jìn)行了充分的論述和說明，對(duì)遙感圖像處理領(lǐng)域的相關(guān)工作提供較大的參考價(jià)值。

本文來源：《企業(yè)科技與發(fā)展》：http://m.12-baidu.cn/w/qk/21223.html