论文摘要
针对高空间分辨率遥感影像的分类处理问题,本论文基于深度学习理论,开展了高空间分辨率遥感影像分类的方法研究。具体研究如下。（1）本文提出了端对端、像素对像素的半监督高分遥感影像分类方法。考虑到传统CNN分类方法难以直接产生像素对像素的分类结果问题,研究基于反卷积网络设计思路,针对任意大小的待分类影像直接输出逐像素密集分类结果,实现真正意义上的端对端、像素对像素的高分影像分类,提升神经网络在高分影像逐像素分类上的效率。并且,考虑到利用深度学习进行网络监督分类训练需要大量的标记数据作为真值,而获取大量标记数据源是遥感分类领域的难点,本文提出利用海量未标记高分遥感影像,通过非监督进行通用结构特征的学习,辅助带标记的高分遥感影像更好的进行监督型特征提取与分类训练。通过在影像通用结构化特征学习和目标类相关的区别性特征学习中找到平衡点,降低监督分类对标记样本量的依赖,提高神经网络在少量标记训练样本下的网络鲁棒性。（2）本文提出基于空间-类别信息分解的高分遥感影像特征提取与分类方法。不同类别的遥感影像联合能提供更为丰富的信息,但由于不同源影像具有不同的优势特点,利用统一的模型难以对其进行充分的利用。针对不同源影像的联合利用问题,本文提出一种双线卷积神经网络聚合模型,基于全色影像和多光谱各自的特点,构建相应网络,从解决“what”（地物是什么）和“where”（地物在哪）两个角度出发,提升网络对地物边缘,位置等低层次特征和语义信息等高层次特征的联合利用能力,在地物内部完整性和地物边缘保持上获得更好的分类效果;此外,方法从增强特征提取能力的角度出发,通过“零和博弈”的生成对抗网络思路构建特征提取巩固结构,增强网络的特征提取能力,保障网络特征提取的有效性,提高算法精度。（3）本文提出了面向多尺度局部空间结构信息的逐像素分类方法。考虑到不同大小感受野能够关注到不同局部空间结构特征,对高分遥感影像语义理解产生不同的影响,研究提出采用尺度变换的特征提取方法,通过探索不同局部空间结构下的信息挖掘,实现空间-光谱信息的联合以及对地物周围不同尺度的邻域环境的利用,为地物判别提供更为丰富的特征,实现更好的影像分类;另一方面,针对深度学习的网络训练问题,本文提出以密集连接形式构建特征重用网络,并配置内置分类器进行伴随监督监督,在加深网络的同时降低特征冗余,降低网络隐藏层透明性,促进反向传播中梯度信息的回传,达到随着网络深度加深,网络的表达能力在一定范围内加强的目的,获取更好的高分遥感影像的分类结果。（4）本文基于常用遥感影像Quickbird、Geoeye、BJ02、GF02数据以及ISPRS Vaihingen公开数据集等对提出的方法进行测试,探索网络设计架构、网络参数等多方面因素对网络表现的影响,验证了网络设计的合理性,并将提出的三种方法同遥感分类领域其他流行方法进行对比分析,明确其各自的特点与优势,并证明了它们相对于对比方法的优越性。根据算法的特点,在今后的分类任务中,可以按照分类目标以及侧重点选择更为合适的分类方法,以达到更好的高分遥感影像分类目的。
论文目录
文章来源
类型: 博士论文
作者: 陶翊婷
导师: 许妙忠
关键词: 高分辨率遥感影像,影像分类,深度学习,小样本,卷积神经网络
来源: 武汉大学
年度: 2019
分类: 基础科学
专业: 自然地理学和测绘学
单位: 武汉大学
分类号: P237
总页数: 185
文件大小: 11199K
下载量: 332
相关论文文献
标签：高分辨率遥感影像论文; 影像分类论文; 深度学习论文; 小样本论文; 卷积神经网络论文;