基于神经网络方法的卫星图像云分类的中期报告.docxVIP

基于神经网络方法的卫星图像云分类的中期报告 一、研究背景 随着卫星成像技术的不断发展，卫星图像在遥感领域的应用日益广泛。卫星图像可以用来监测陆地覆盖变化、监测自然灾害、气象预测等等。在卫星图像中，云是一种常见的遮挡物，遮挡了下方地表的信息。因此，卫星图像云检测和云分类是遥感图像处理中的重要技术。卫星图像云分类可能是多分类或二分类问题。本项研究是针对卫星图像中的云分类问题进行研究。 二、研究目的 本项研究的目的是探究神经网络方法在卫星图像云分类中的应用效果。具体的，本研究旨在： 1.利用不同的神经网络算法对卫星图像中的云进行分类研究。 2.优化神经网络并实现卫星图像云分类任务。 3.比较不同的神经网络算法的性能，并探索神经网络优化的最佳方法。 三、研究方法 1.数据集 本项研究使用了卫星图像数据集进行研究。该数据集包含卫星图像，种类标签和训练集/测试集分割。数据集来自 Sentinel-2 卫星，覆盖了全球的陆地区域。图像的预处理包括旋转、裁剪和大小标准化，并根据云的所占比例进行分类。数据集由 8 个不同的云类型组成。每个云类别都有 150 张图像，并且共有 1200 张图像（每个云类别都有相同数量的图像）。 2.神经网络模型 本项研究使用了三种不同的神经网络模型来解决卫星图像中的云分类问题：LeNet-5、AlexNet 和 VGG-16。现有的图像分类问题中，这三种模型表现出色。在本项研究中，我们根据特定的卫星图像云分类问题进行模型优化。 3.网络训练和评估 本项研究使用了分批训练的方法，并在训练过程中使用交叉验证技术来充分使用训练数据，评估了模型的性能。 四、研究进展 1.数据预处理 由于 Sentinel-2 数据集的大规模和复杂性，对数据进行预处理是本项研究的一个重要步骤。预处理的主要操作包括：裁剪、旋转和大小标准化。第一轮预处理完成后，我们还评估了各类别在数据集中的分布情况，并按需增加了样本。这种处理方法在卫星图像分类任务中是合理而常见的。 2.网络模型设计和优化 基于预处理的数据集，我们对三种神经网络模型进行了实现和优化。LeNet-5 和 VGG-16 模型具有逐级加深的网络结构，AlexNet 模型比较浅，但是在网络结构的设计上也是创新的。我们通过修改网络的每一层参数来优化网络模型，并使用测试集对模型进行评估。通过比较不同网络模型的准确率，选择最佳网络模型结构和参数设置。 3.网络训练和评估 对于优化的网络模型，我们使用训练集中的数据进行训练，并使用验证集对网络进行调整和优化。训练收敛后，我们使用测试集对网络进行评估。在评估模型时，我们使用了三个评估指标：准确率、精确率和召回率。 五、下一步工作计划 1.继续优化神经网络，尝试使用更深的卷积神经网络模型，了解使用不同网络结构对性能的影响。 2.增加数据集的大小，以提高模型的性能。 3.在不同的天气条件下进行数据采集和分析，以扩大数据的多样性。 4.对最佳网络模型进行进一步的细化分析，并探索在不同数据集上使用这个模型的效果。 6.参考文献 [1] S. Ji, W. Xu, M. Yang and K. Yu: 3D convolutional neural networks for human action recognition, IEEE Trans. Pattern Anal. Mach. Intell. 35(1), 221-231 (2013). [2] Y. Lecun, L. Bottou, Y. Bengio and P. Haffner: Gradient-based learning applied to document recognition. Proceedings of the IEEE 86(11), 2278–2324 (1998). [3] K. Simonyan and A. Zisserman: Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556 (2014).