基于深度学习遥感图像中地面塌陷识别方法研究.docVIP

基于深度学习遥感图像中地面塌陷识别方法研究 　　摘要：地面塌陷是在?_采矿产资源时出现的一种具有很强破坏力的自然灾害，会导致道路改线、道路污染、居民地及水系的改变，使矿区不能持续发展。随着传感器技术、遥感技术等一系列技术的快速发展，极大地提升了遥感图像处理技术，特别是在地面塌陷识别方面尤为突出。针对传统地面塌陷识别方法效率低下问题，提出了基于深度学习的地面塌陷遥感识别方法。通过大量实验对比分类精度、Kappa系数调整深度信念网络模型的参数，得到适合地面塌陷识别的参数设置，证明了深度学习在遥感图像中地面塌陷识别方法的可行性和高效性，为今后地面塌陷的识别方法提供了新思路。 　　关键词：地面塌陷；遥感影像；深度学习；深度信念网络 　　中图分类号：TB文献标识码：Adoi：10.19311/j.cnki2017.35.091 　　0引言 　　最近一些年，伴随着国民经济的快速发展，建设的力度加大，煤矿工业也进入了发展的快车道。在采煤过程中出现的矿区沉降的现象非常普遍，因为它经常导致地面塌陷、裂缝、滑坡等一系列地质灾害。为了防止地质灾害的发生，需要对煤矿区地面的沉降加大监测力度，特别是矿区塌陷地的状况已经成为矿区环境综合治理的最主要问题。近些年以来遥感技术一直在快速发展，但在实际应用中获取遥感影像中的信息仍然十分困难，基于机器学习的遥感影像识别方法为这个难题的解决提供了可能。2014年，高长鑫和桑农提出了一种分层的深度学习模型，并针对海量高分遥感影像数据进行识别。2015年，L. L. Wang等提出了一种用于选择遥感图像中最佳波段的最优索引因子方法，改善了遥感图像的空间信息以保持多光谱的特征。同年，X. Li和G. Wang提出了一种改进差分演化算法，解决了高光谱数据最佳频段选择问题，改善了遥感数据的处理数度。H. Zhang等以新疆有理罗布村典型不良地质现象为例，分别使用了极限学习机、支持向量机和K均值三种算法进行了遥感图像的分类识别。2016年，张浩等针对建筑物的遥感影像特征，提出了基于SVM的交叉验证的方法对参数敏感度进行了分析。同年，陈冠宇等提出了基于特征融合的SVM算法，探讨了遥感影像中植被识别的方法。安凯等对比了卷积神经网络、K均值、SVM算法和贝叶斯算法的分类精度，探讨了不良地质体识别与分类的方法。 　　1深度学习基本模型 　　1.1受限玻尔兹曼机（Restricted Boltzmann Machine） 　　受限玻尔兹曼机（Restricted Boltzmann Machine，简称RBM）是一种玻尔兹曼机的变体，但限定模型必须为二部图。 　　假如我们有一个二部图，而且同一层节点之间无连接，其中一层是输入数据层v，另外一层为隐藏层h。如图1所示，显示全部节点都为随机的二值变量（即只取0或者1），同时把全概率分布p（v，h）都看作满足玻尔兹曼分布，则此模型我们就称之为受限玻尔兹曼机（RBM）。 　　RBM因为隐藏节点间无连接，所以隐藏节点间条件独立。故在已知v的情况下有p（h|v）=p（h1|v）=...=p（hn|v）。此外，可视节点间也是独立的，故在已知隐藏层h的情况下有p（v1|h）=p（v2|h）=...=p（vn|h）。同时又由于v和h满足玻尔兹曼分布，因而，在输入v的时候，经过p（h|v）运算能够获取隐藏层h，获得隐藏层h以后，经过p（v|h）运算又可以获得可视层。不断训练参数，让隐藏层获得的v1与以前可视层v几乎毫无差别，此时的隐藏层可以认为是可视层的一种表现方式了。 　　1.2深度信念网络（Deep Belief Networks） 　　DBN这个网络模型是多层 RBM 构成的，其网络结构如图2所示。 　　训练过程： 　　（1） 起先充分训练第一个受限波尔兹曼机（RBM）。 　　（2） 然后我们把第一个 RBM 的权重以及偏移量固定住，再把它的隐性神经元的状态当作第二个 RBM 输入向量。 　　（3） 再让第二个 RBM得到足够的训练后，就把第二个 RBM 堆叠放在第一个 RBM 的上面。 　　（4）把以上三个步骤重复多次。 　　（5） 如果在训练集中出现的数据有标签，在训练顶层RBM的时候，这个 RBM 的显层中不光有显性神经元，还必须有代表分类标签的神经元，来一起训练： 　　①假设顶层RBM的显层里面有400个显性神经元，我们把训练数据的分类总共分为10 类。 　　②这样顶层RBM的显层就会有410个显性神经元，对每一个训练数据，相应的标签神经元被打开就设为 1，其他的则被关闭设为0。 　　（6）DBN 被训练好好如图3所示。 　　2实验设计 　　2.1样本库的制作 　　在制作训练样本数据时以像元为单位，即一个像元为一个训练样本。