论文部分内容阅读
遥感图像场景分类是遥感领域研究的重点,也是难点,是对人与计算机之间语义鸿沟近似模型的一种研究。目前的遥感图像分为两种,普通三波段可见光的遥感图像的和高光谱的遥感图像。两种遥感图像数据形态的不同就决定了其场景分类方法的不同。 三波段可见光遥感图像场景分类问题与普通非遥感图像的场景分类问题在过程上相似度较高,然而带标记的遥感语料的有限性决定了不能直接套用用于非遥感图像分类的需要大量训练集的深度卷积神经网络。因此,本文考虑到深度卷积神经网络的特点和遥感数据集不足的现实,采取了一种利用非遥感数据集预训练深度卷积神经网络的方法,并提出了一种三种深度卷积神经网络特征融合的策略,很好的提升了三波段遥感图像场景分类的准确率。 高光谱遥感图像与三波段遥感图像相比,场景语义信息同时隐藏在空间维度和光谱维度,而且光谱维度通常起主导作用。由于带有标记的高光谱数据集更加有限,使得学术界的研究大都聚焦于小样本、场景类别数较少的训练集的场景分类问题研究。本文利用SPARK微纳卫星所下传的海量数据集,探索大量训练样本、更多场景类别下的高光谱场景分类问题:首先,本文实现了两种学术界场景分类效果较好的高光谱分类器,并与神经网络分类器在训练时间、分类效果等方面进行了详细的对比,论证了神经网络分类器在大训练集、更多场景类别分类问题的优势;其次,本文设计了一种基于扩展轮廓形态特征的卷积神经网络分类器来对高光谱的光谱指纹信息进行挖掘,并利用SPARK微纳卫星高光谱数据标记了一个含有39个场景类别的数据集。所设计的卷积神经网络在此数据集上获得了99.81%的准确率。