基于深度学习的遥感图像分类算法研究
遥感图像分类是遥感技术的基础研究，提高遥感图像的分类精度，对精准农业、军事识别、环境监测等应用领域的发展具有重要意义。但是，目前遥感图像分类面临着光谱数据冗余、空间信息利用不足、训练样本有限等问题。本文从综合有效利用光谱-空间信息的角度出发，研究应用深度学习理论和模型，提高遥感图像中的光谱特征和空间特征的提取精度，并将光谱-空间特征联合分类，进一步实现提高分类精度的目的。本文主要研究内容及成果如下: (1)针对遥感图像分类中光谱-空间信息联合分类的问题，本文在决策融合方法的基础上设计了一种空谱特征融合方法。在该方法中，将光谱特征及其预测结果、空间特征及其预测结果融合分类。该方法不仅能独立提取光谱特征和空间特征，减少分类过程中的参数量和计算量。同时，有效地融合了不同结构层次的特征，对提高分类精度具有重要意义。 (2)结合空谱特征融合方法，本文设计了基于卷积神经网络的遥感图像分类算法。在该算法中，包含了一个一维卷积神经网络用于提取光谱特征和一个二维卷积神经网络用于提取空间特征，最后将提取到的光谱特征和空间特征融合分类。该算法实现了光谱-空间特征融合分类，取得优于其他传统分类方法的分类结果，证明了该算法的可行性。 (3)为了更充分地挖掘遥感图像的空间特征，减少空间信息的浪费，改进了基于卷积神经网络的遥感图像分类算法，设计了基于跨连卷积神经网络的遥感图像分类算法。该算法在基于空间信息的二维卷积神经网络的基础上，加入跨层连接的思想，构建了新的二维卷积神经网络用于空间特征提取。实验证明，该算法在高层特征中加入了细节特征，能提取到更多有效的特征，提高了空间信息的利用率，获得更好的分类效果，也说明了空间信息在遥感图像分类中具有重要作用。
遥感图像;图像分类;深度学习;卷积神经网络;特征提取
北京化工大学
硕士
控制工程
付秀丽;杨旭飞
2018
中文
TP751
87
2018-09-18（万方平台首次上网日期，不代表论文的发表时间）