基于多特征的高分辨率遥感影像分类研究.pdfVIP

基于多特征的高分辨率遥感影像分类研究

摘要

高空间分辨率遥感影像可以更加详细地展示地物信息，这使得高分辨率遥感

影像被广泛应用于地质勘探、精准农业、城市规划、国土调查和灾害分析等领域，

同时对影像分类精度及效率的要求也不断提高。随着遥感影像空间分辨率的提高，

影像数据也会出现同类地物光谱方差变大、不同地物光谱方差减小的情况，仅仅

利用光谱特征信息无法有效的区分光谱特性相似的不同地物。

深度学习在图像分类、目标识别等领域中发挥其独特的优势，能够自动学习

图像深层特征信息进而做出分类决策。相比于纹理、光谱、空间结构等底层特征

信息，深度学习模型提取的深层特征信息具有较强的特征表征能力，可以在特征

空间中表现出较好的可分离性。本文利用纹理、颜色和形状等底层特征信息，结

合深度学习模型提取的深层特征信息，使用公开数据集作为实验数据，研究不同

特征对影像分类结果的影响，主要的研究成果有：

（1）针对高分辨率遥感影像地物信息高度细节化，无法充分利用影像数据

丰富的地物信息，本文提出一种多特征和卷积神经网络相融合的分类方法。通过

构建双通道全卷积神经网络(Two-channelFullConvolutionalNeuralNetwork，

T-FCN)，将遥感影像数据与提取的纹理、颜色及形状等底层特征信息输入模型

中进行训练、预测及分类结果精度评定。从定性和定量两个方面分析不同特征对

影像分类结果的影响，得到最优特征组合。最后，使用公开数据集GaofenImage

Dataset(GID)作为实验数据，将本文提出的分类方法与U-Net和SegNet方法分类

结果进行比较，实验结果表明本文提出的分类方法效果更好，总体精度相比于

U-Net和SegNet两种方法提高了1.91%和3.73%，Kappa系数提升了0.0212和

0.0512。

（2）为验证本文方法的适用性和迁移性，将本文提出的分类方法应用于长

春市区域，选取长春市高分二号(GF-2)遥感影像数据作为实验数据，经过预处理、

数据增强等方式构建样本数据集，对模型进行训练和预测。将分类结果与U-Net

和SegNet方法进行比较，实验结果显示，本文提出的方法总体精度和Kappa系

数均高于U-Net和SegNet两种方法，总体精度提升了4.2%和3.82%，Kappa系

数提高了0.0576和0.0534。

关键词：

多特征信息，全卷积神经网络，深度学习，高分辨率影像分类，特征融合

（1）Inviewofthefactthathigh-resolutionremotesensingimagefeatures

informationishighlydetailedandcannotmakefulluseoftherichfeatureinformation

ofimagedata,thispaperproposesaclassificationmethodbasedonthefusionof

multiplefeaturesandconvolutionalneuralnetwork.Byconstructingatwochannel

fullconvolutionalneuralnetwork(T-FCN),theremotesensingimagedataandfeature

informationoftexture,color,shapearebothinputintothemodelfortraining,

predictionandclassificationaccuracyevaluation.Theinfluenceofdifferentfeatures

onimageclassificationresultsisanalyzedfromqualitativeandquantitativeaspects,

andtheoptimalfeaturecombinationis