基于深度卷積神經(jīng)網(wǎng)絡(luò)的遙感影像分類研究

賈云俠　韓晉

【摘 要】針對(duì)目前應(yīng)用于遙感影像分類的常用算法已經(jīng)無法滿足大數(shù)據(jù)應(yīng)用下的分類精度要求等問題，文章提出了基于卷積神經(jīng)網(wǎng)絡(luò)遙感影像分類方法并給出了具體分類流程，為卷積神經(jīng)網(wǎng)絡(luò)在遙感影像分類領(lǐng)域的應(yīng)用奠定了基礎(chǔ)。

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò)；遙感影像；分析

【中圖分類號(hào)】P237 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】1674-0688（2018）03-0123-02

0 引言

隨著過去10年遙感影像技術(shù)的快速增長(zhǎng)，現(xiàn)在已經(jīng)可以獲得大量的高分辨率遙感影像，從而使我們能夠?qū)Φ乇磉M(jìn)行更為詳盡的研究。遙感影像分類作為一項(xiàng)基礎(chǔ)性的工作，其目的在于將提取出的覆蓋多種地物類型或地物的遙感圖像分區(qū)為不同的語(yǔ)義類別，對(duì)于許多實(shí)際遙感應(yīng)用，如土地資源管理、城市刨削和電腦制圖等均有重要意義。通常，一些相同的土地覆蓋類型或?qū)ο箢悇e經(jīng)常在不同的場(chǎng)景類別中同時(shí)存在。例如，兩個(gè)典型場(chǎng)景類別的商業(yè)區(qū)和住宅區(qū)可同時(shí)包含道路、樹木和建筑物，但這3個(gè)主題類別的密度和空間分布不同。因此，遙感場(chǎng)景中空間和結(jié)構(gòu)的復(fù)雜性使得場(chǎng)景分類問題變得十分復(fù)雜[1]。

盡管在遙感圖像分類領(lǐng)域，科研工作者做了大量工作，但相關(guān)方法在場(chǎng)景分類中的表現(xiàn)并不盡如人意，于是尋求更好的解決方法成為當(dāng)前遙感影像分類的研究趨勢(shì)。最近，深度學(xué)習(xí)方法不僅在語(yǔ)音識(shí)別、目標(biāo)識(shí)別和檢測(cè)、自然語(yǔ)言處理等方面取得了巨大成就，而且在其他領(lǐng)域的應(yīng)用也有較大發(fā)展，引起了學(xué)術(shù)界和工業(yè)界的青睞。深度學(xué)習(xí)算法可以應(yīng)用于不同抽象級(jí)別的分層特征，而深度神經(jīng)網(wǎng)絡(luò)作為最成功和廣泛使用的深度學(xué)習(xí)方法，已經(jīng)在大多數(shù)識(shí)別和檢測(cè)系統(tǒng)中得到應(yīng)用。而遙感圖像的分類是一個(gè)復(fù)雜的過程，采用淺層結(jié)構(gòu)模型對(duì)其進(jìn)行分類很難達(dá)成預(yù)期目標(biāo)，故本文將CNN模型應(yīng)用于遙感影像進(jìn)行分類研究。

1 深度學(xué)習(xí)

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個(gè)重要分支，由Hinton等人于2006年提出，它基于對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)，以建立可以對(duì)人腦進(jìn)行模擬分析學(xué)習(xí)和數(shù)據(jù)解釋的神經(jīng)網(wǎng)絡(luò)為目的[2]。隨著科技的發(fā)展，深度學(xué)習(xí)已經(jīng)成為互聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能的一個(gè)必然趨勢(shì)，主流高科技公司均投入了大量的資源進(jìn)行深度學(xué)習(xí)技術(shù)的研究與開發(fā)，從而極大地促進(jìn)了深度學(xué)習(xí)技術(shù)的發(fā)展。

深度學(xué)習(xí)的深度網(wǎng)絡(luò)結(jié)構(gòu)層次中有大量單一元素（神經(jīng)元），各個(gè)神經(jīng)元具備相互連接的關(guān)系，且可以通過不斷學(xué)習(xí)改變其連接的強(qiáng)度，即改變權(quán)重，從而決定網(wǎng)絡(luò)的功能。工作與科研中常用到的稀疏編碼、深度置信網(wǎng)絡(luò)等模型均屬于深度神經(jīng)網(wǎng)絡(luò)模型。

2 卷積神經(jīng)網(wǎng)絡(luò)算法原理

卷積神經(jīng)網(wǎng)絡(luò)是一種典型的前饋神經(jīng)網(wǎng)絡(luò)，它的典型架構(gòu)是由兩層組成，其中包括特征提取層和特征映射層。其中，特征提取層的每個(gè)神經(jīng)元的輸入連接著上一層的局部接受域，負(fù)責(zé)局部特征的提取，且該層與其他特征間的位置關(guān)系在該局部特征提取后將被確定；而特征映射層，由多個(gè)特征映射組成，每個(gè)特征映射構(gòu)成一個(gè)平面，其上所有神經(jīng)元有相等的權(quán)值。卷積神經(jīng)網(wǎng)絡(luò)的激活函數(shù)采用影響函數(shù)核小的sigmod函數(shù)，使得特征映射可以保位移不變性[3]。

卷積神經(jīng)網(wǎng)絡(luò)與普通神經(jīng)網(wǎng)絡(luò)有著較大的區(qū)別，主要表現(xiàn)在：卷積神經(jīng)網(wǎng)絡(luò)包含一個(gè)卷積層和子采樣層構(gòu)成的特征提取器，在卷積層中，一個(gè)神經(jīng)元只跟相鄰層里的部分神經(jīng)元連接，且卷積層通常包含一系列由矩形排列的神經(jīng)元構(gòu)成的特征平面（Feature Map），同一特征平面的神經(jīng)元共享權(quán)值，該權(quán)值即卷積核。卷積核的存在可以有效降低網(wǎng)絡(luò)各層之間的連接數(shù)量，節(jié)約大量計(jì)算成本，同時(shí)使得過擬合的問題得到有效改善。子采樣又叫池化（Pooling），常用形式有均值子采樣和最大值子采樣。通過卷積和子采樣，網(wǎng)絡(luò)模型的復(fù)雜度得到極大簡(jiǎn)化，參數(shù)數(shù)量也大為減少。目前，對(duì)于CNN的研究較為活躍，基本上集中于以下3點(diǎn)[4]。

（1）網(wǎng)絡(luò)結(jié)構(gòu)方面。卷積神經(jīng)網(wǎng)絡(luò)模型具備非常復(fù)雜的結(jié)構(gòu)，因此需要花費(fèi)較長(zhǎng)的時(shí)間進(jìn)行訓(xùn)練。對(duì)于一種固定的數(shù)據(jù)集應(yīng)用，尋找最合適的網(wǎng)絡(luò)結(jié)構(gòu)以提升模型精度和泛化能力是當(dāng)前研究的熱點(diǎn)。

（2）系統(tǒng)硬件方面。卷積神經(jīng)網(wǎng)絡(luò)的并行處理能力非常強(qiáng)大，使其在硬件實(shí)現(xiàn)上具備非常大的優(yōu)勢(shì)，國(guó)際許多主流芯片制造商已經(jīng)在研或者發(fā)售了多款用于CNN的大規(guī)模集成電路，以提升并行計(jì)算能力和訓(xùn)練速度等。

（3）網(wǎng)絡(luò)應(yīng)用研究。在物體識(shí)別與檢測(cè)等模式識(shí)別領(lǐng)域的應(yīng)用較為廣泛和深入，尤其在圖像識(shí)別方面，CNN已經(jīng)表現(xiàn)出非常大的優(yōu)勢(shì)。

3 基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究

遙感圖像在進(jìn)行分類處理前需要先進(jìn)行一系列的處理，具體包括以下幾個(gè)方面。

3.1 預(yù)處理

預(yù)處理包括降噪處理、薄云處理和陰影處理。由于在獲取遙感圖像時(shí)，傳感器自身質(zhì)量參差不齊，導(dǎo)致圖像中含有一定的噪聲，因此需要進(jìn)行降噪處理，以減小噪聲影響；薄云處理主要針對(duì)遙感影像中天氣原因?qū)е碌挠跋癖徽谏w；陰影處理主要針對(duì)太陽(yáng)照射情況不理想而對(duì)地物造成的遮擋影像。

3.2 幾何校正

遙感影像需要具備一定的幾何精度，故在進(jìn)行其他操作前，對(duì)遙感圖像進(jìn)行一系列幾何校正，具體包括：圖像配準(zhǔn)、幾何粗校正、幾何精校正、正射校正等。

3.3 圖像增強(qiáng)

為了更加突出遙感圖像中的興趣目標(biāo)，使得地物信息具有更強(qiáng)的可讀性，需要進(jìn)行圖像增強(qiáng)處理，包括彩色合成、密度分割、灰度顛倒、圖像間運(yùn)算等。

3.4 圖像鑲嵌和勻色

在不同攝影條件下獲得的兩幅或者多幅圖像需要將圖像鑲嵌成一幅整體圖像進(jìn)行處理，同時(shí)拼接得到的遙感數(shù)據(jù)圖像，因其來源不同，圖像質(zhì)量和色調(diào)有差別，故需要進(jìn)行勻色處理。

3.5 遙感圖像特征選擇

在對(duì)圖像進(jìn)行預(yù)處理后，需要對(duì)遙感圖像進(jìn)行分析，進(jìn)而從圖像中選取具有明顯特征的數(shù)據(jù)作為訓(xùn)練的樣本數(shù)據(jù)。樣本的選取非常重要，直接影響了分類的效果。

3.6 遙感特征提取

卷積神經(jīng)網(wǎng)絡(luò)通過共享權(quán)值和網(wǎng)絡(luò)結(jié)構(gòu)重組對(duì)遙感影像的特征進(jìn)行不斷學(xué)習(xí)，并通過反向傳播算法完成訓(xùn)練，最終實(shí)現(xiàn)遙感影像的分類。在其前向傳播過程中，卷積核覆蓋在輸入的遙感影像上，對(duì)應(yīng)的位置求積再求和后將所得值賦給輸出圖的對(duì)應(yīng)位置，以此方法按次序移動(dòng)卷積核，最終得到輸出結(jié)果。而在反向傳播過程中，需要先根據(jù)神經(jīng)網(wǎng)絡(luò)的誤差信號(hào)反傳方式得到末端分類器中所有神經(jīng)元的誤差信號(hào)，然后經(jīng)由分類器傳播到前面的特征提取器。誤差信號(hào)從子采樣層的特征圖傳播到前面卷積層的特征圖需要進(jìn)行一次全卷積過程來完成[5]。卷積層的計(jì)算形式如下：

上式中：l為卷積層所在層數(shù)；b是偏置；k是卷積核；f是激活函數(shù)；Mj是上一層的一個(gè)輸入特征圖。

3.7 分類結(jié)果評(píng)價(jià)

對(duì)于分類處理后的遙感影像數(shù)據(jù)，需要判斷分類的效果是否滿足預(yù)期要求，故進(jìn)行合理而精確的評(píng)價(jià)是十分必要的，目前主要的精度評(píng)價(jià)因子有總體分類精度、Kappa系數(shù)、混淆矩陣、錯(cuò)分誤差及用戶精度等。

4 結(jié)語(yǔ)

本文通過對(duì)遙感圖像的分類方法進(jìn)行分析，探討了卷積神經(jīng)網(wǎng)絡(luò)的工作原理并針對(duì)傳統(tǒng)分類方法的不足，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類方法并給出了具體的分類流程，并對(duì)實(shí)驗(yàn)流程內(nèi)各個(gè)步驟原理和依據(jù)進(jìn)行了充分的論述和說明，對(duì)遙感圖像處理領(lǐng)域的相關(guān)工作提供了較大的參考價(jià)值。

參 考 文 獻(xiàn)

[1]曹林林，李海濤，韓顏順，等.卷積神經(jīng)網(wǎng)絡(luò)在高分遙感影像分類中的應(yīng)用[J].測(cè)繪科學(xué)，2016，41（9）：170-175.

[2]付秀麗，黎玲萍，毛克彪，等.基于卷積神經(jīng)網(wǎng)絡(luò)模型的遙感圖像分類[J].高技術(shù)通訊，2017，27（3）：203-212.

[3]李祥，任麗穎，張公.利用多時(shí)相遙感影像進(jìn)行聊城市城鎮(zhèn)擴(kuò)展監(jiān)測(cè)[J].中國(guó)高新技術(shù)企業(yè)，2011（8）：84-85.

[4]趙爽.基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類方法研究[D].北京：中國(guó)地質(zhì)大學(xué)，2015.

[5]羅建華，李明奇，鄭澤忠，等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的高光譜遙感圖像分類[J].西華大學(xué)學(xué)報(bào)：自然科學(xué)版，2017，36（4）：13-20.

[責(zé)任編輯：鐘聲賢]