论文部分内容阅读
遥感图像的分类在许多应用中起着重要作用,包括自然灾害检测、土地覆盖的确定、地理空间物体检测、地理图像检索、植被制图、环境监测和城市规划的等研究。在过去几年中,遥感技术已经取得了很大的进展,并且由此获取了大量的具有不同图像分辨率、光谱分辨率和时间分辨率的机载和卫星遥感图像。近年来,越来越多的更具有分类挑战性的遥感场景图像数据集被标记和共享出来,这些数据集往往具有更高的类内变化和更小的类间差异性,图像的分辨率与缩放程度也不尽相同,每类的数据量与场景的类别数也越来越大,这对要遥感场景图像分类算法研究提出了更高的要求。对这些更具有挑战性的高分辨率遥感场景数据集,传统的分类方法无法获得理想的分类精度。因此,如何快速高准确率地对这些遥感影像进行分类是一个非常具有应用要求和技术要求的课题。本文是围绕基于卷积神经网络的遥感图像分类问题进行研究的,首先对已有的遥感图像的分类算法和研究现状进行了介绍。而后对高分辨率SAR图像的分类问题提出了一个高效的卷积神经网络模型,对遥感场景图像的分类问题做了两个方面的探究,具体的内容及工作安排如下:(1)为了提高高分辨率SAR图像的分类准确率,提出了对高分SAR图像分类表现优异的M-ConvNet卷积神经网络模型,M-ConvNet由四个卷积层、三个池化层和两个全连接层组成,详细介绍了该模型的算法细节和训练设置,最后对MSTAR高分辨SAR图像数据集进行实验验证和总结。(2)为了提高遥感场景数据的分类准确率,探究了基于深度残差预训练网络分类方法在遥感场景图像分类问题的应用,使用三种不同的深度残差预训练网络详作为为特征提取器,提取更能代表图像的特征向量。提出了多个深度残差预训练网络特征提取和特征融合的分类算法,应用三种不同的特征对预训练网络所提取的特征进行特征融合,相较于传统分类算法和其他网络模型分类准确率得到很大提高。(3)为了进一步提高遥感场景图像分类准确率,阐述了将预训练网络模型在遥感场景数据上与迁移学习并结合的思路,将预训练网络的参数作为参数初始值,利用数据增强后的遥感场景图像对网络进行微调,训练出更加符合遥感场景数据的ResNet-50网络结构,并且将微调过网络模型进行特征提取与特征融合,对UCMD和NWPU-RESISC45数据集做了对比实验。