基于深度學(xué)習(xí)的高分辨率衛(wèi)星影像地表覆蓋分類方法

朱 明, 李景文, 吳 博, 姜建武

(1.中國(guó)地質(zhì)大學(xué)(北京)地球科學(xué)與資源學(xué)院, 北京 100083; 2.廣西壯族自治區(qū)自然資源信息中心, 南寧 530023;3.桂林理工大學(xué) 測(cè)繪地理信息學(xué)院, 廣西 桂林 541006)

0 引 言

地表覆蓋是一種重要的地理信息資源, 是自然資源監(jiān)測(cè)、農(nóng)業(yè)種植結(jié)構(gòu)調(diào)查、地理國(guó)情普查、宏觀調(diào)控分析等不可或缺的重要基礎(chǔ)信息[1]。近年來(lái), 高分辨率衛(wèi)星影像的光譜分辨率、空間分辨率與時(shí)間分辨率不斷提高[2], 為地表覆蓋分類提供了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。然而在實(shí)際生產(chǎn)中, 大量的影像數(shù)據(jù)仍然依靠人工解譯處理, 這種人工作業(yè)模式已經(jīng)越來(lái)越無(wú)法適應(yīng)當(dāng)前大尺度、海量影像地表覆蓋分類處理的時(shí)效要求, 特別是隨著AI技術(shù)的飛速發(fā)展, 迫切需要研究一種高效、準(zhǔn)確的地表覆蓋自動(dòng)分類技術(shù), 以滿足大數(shù)據(jù)時(shí)代智能地表覆蓋分類的應(yīng)用需求。傳統(tǒng)的高分辨率影像地表覆蓋分類方法主要是綜合利用影像的光譜、紋理等特征, 使用人工設(shè)計(jì)的特征參數(shù)進(jìn)行分類。近年來(lái)雖然淺層人工神經(jīng)網(wǎng)絡(luò)[3-5]、支持向量機(jī)[6-9]、遺傳算法[10-11]與面向?qū)ο骩12-14]等方法發(fā)展迅速, 并取得了大量的研究與應(yīng)用成果, 但這些方法主要是使用若干有限維度的淺層特征, 按一定的算法與解譯規(guī)則來(lái)提取地表覆蓋分類, 在地表覆蓋分類算法上依賴相對(duì)固定的規(guī)則以及特定的參數(shù)。由于現(xiàn)實(shí)世界的地表覆蓋在特征上存在區(qū)域差異性及表現(xiàn)的不確定性, 同物異譜、同譜異物的情況較為常見, 固定的規(guī)則及參數(shù)制約了地表覆蓋分類自動(dòng)化解譯的精度與效率, 導(dǎo)致大量地表覆蓋分類工作依舊嚴(yán)重依賴于人工作業(yè)[15]。近年來(lái)，飛速發(fā)展的深度學(xué)習(xí)(deep learning)技術(shù)為大數(shù)據(jù)時(shí)代的地表覆蓋自動(dòng)分類提供了新的理論方法, 并成為地表覆蓋分類的研究熱點(diǎn)之一[16-19]。深度學(xué)習(xí)為地表覆蓋分類提供一種端到端的自動(dòng)化分類模型, 能夠無(wú)需人為設(shè)計(jì)規(guī)則自動(dòng)提取地表覆蓋分類特征, 完成影像的地表覆蓋分類任務(wù)。

本文圍繞地表覆蓋分類精度和效率問(wèn)題, 以高分二號(hào)與北京二號(hào)影像數(shù)據(jù)為對(duì)象, 基于深度學(xué)習(xí)的高分辨率衛(wèi)星影像地表覆蓋分類理論方法, 設(shè)計(jì)了一種高效、準(zhǔn)確、自動(dòng)化的遙感影像地表覆蓋分類卷積神經(jīng)網(wǎng)絡(luò)模型(LCC-CNN), 該方法解決了地表覆蓋分類的特征組合與解譯規(guī)則智能化提取問(wèn)題, 具備多種地表覆蓋分類能力, 為自動(dòng)化地表覆蓋分類提供了新的方法與技術(shù)思路。

1 LCC-CNN模型

圖1 地表覆蓋分類卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1.1 編碼模塊

編碼模塊中主要使用不同的卷積結(jié)構(gòu)來(lái)提取地表覆蓋分類特征。卷積的操作對(duì)象是影像或特征圖的若干像素, 因此在卷積的過(guò)程中可以獲得平移、旋轉(zhuǎn)、拉伸與扭曲不變性[20]。但現(xiàn)實(shí)世界中地表覆蓋分類圖斑的形狀及大小差異極大, 如果采用單一的卷積結(jié)構(gòu)不利于捕捉多尺度的地表覆蓋信息。為了快速擴(kuò)大LCC-CNN的感受野, 靈活捕捉多尺度信息, 在編碼模塊中設(shè)計(jì)了多尺度感知塊與殘差網(wǎng)絡(luò)串聯(lián)結(jié)構(gòu)。其中，多尺度感知塊用于感知與捕捉多尺度圖斑特征。在多尺度感知塊中并聯(lián)了4個(gè)擴(kuò)張率分別為1、5、11、23的擴(kuò)張卷積結(jié)構(gòu), 用于獲取不同尺度特征信息, 并將多尺度特征進(jìn)行融合, 在擴(kuò)大感知范圍同時(shí)保持了較高的特征提取密度。各擴(kuò)張卷積之后串聯(lián)了1×1卷積用于壓縮、融合不同感知尺度的特征，每個(gè)擴(kuò)張卷積分支在1×1卷積之后進(jìn)行批歸一化操作，將各個(gè)擴(kuò)張卷積分支的結(jié)果聯(lián)合并輸出到后續(xù)特征提取網(wǎng)絡(luò)。多尺度感知塊結(jié)構(gòu)如圖2所示。

圖2 多尺度感知塊結(jié)構(gòu)

在多尺度感知塊之后的編碼結(jié)構(gòu)中使用了包含50個(gè)特征提取塊的殘差網(wǎng)絡(luò)。殘差網(wǎng)絡(luò)主要由兩種不同的特征提取塊堆疊而成：一種是帶有快捷連接(shortcut connection)的結(jié)構(gòu), 由1×1、3×3與1×1卷積串聯(lián)組成；另一種是采用1×1、3×3與1×1卷積串聯(lián)后再與1×1卷積并聯(lián)的結(jié)構(gòu)。殘差網(wǎng)絡(luò)中通過(guò)上述兩種結(jié)構(gòu)的搭配與反復(fù)串聯(lián), 形成深度神經(jīng)網(wǎng)絡(luò), 實(shí)現(xiàn)對(duì)地表覆蓋特征的深度提取。

1.2 解碼模塊

解碼部分負(fù)責(zé)重建圖像分辨率與輸出地表覆蓋分類。由于解碼模塊的最終輸出為高度壓縮、抽象的低分辨率高維特征圖, 在編碼過(guò)程中損失了影像低層細(xì)節(jié)信息與空間分辨率，因此在重建過(guò)程中需要不斷融入編碼模塊低層級(jí)的特征信息, 豐富解碼模塊的特征細(xì)節(jié)。為了恢復(fù)特征圖的分辨率, 編碼模塊對(duì)特征圖進(jìn)行雙線性插值來(lái)彌補(bǔ)下采樣后損失的特征圖分辨率，但僅依靠插值并不能增加特征圖的有效信息含量, 必須在插值后通過(guò)連接低層特征圖, 擴(kuò)充有效特征信息量, 補(bǔ)充插值部分所缺失的真實(shí)特征信息。每次插值及補(bǔ)充低層特征后, 編碼模塊中均使用1×1卷積壓縮特征維度, 融合各類特征信息, 并使用批歸一化層壓縮數(shù)據(jù)震蕩, 最終解碼后的數(shù)據(jù)通過(guò)Softmax分類器輸出分類結(jié)果。

2 LCC-CNN模型訓(xùn)練方法

LCC-CNN的分類原理是通過(guò)卷積神經(jīng)網(wǎng)絡(luò)逐層計(jì)算, 將計(jì)算結(jié)果轉(zhuǎn)化為分類概率, 并通過(guò)分類概率確定最終的地表覆蓋分類結(jié)果。這個(gè)過(guò)程在數(shù)學(xué)模型上相當(dāng)于通過(guò)訓(xùn)練不斷迭代更新模型的各層參數(shù), 最終使LCC-CNN的輸出結(jié)果逐步逼近目標(biāo)函數(shù)。因此，LCC-CNN的模型訓(xùn)練是通過(guò)大量訓(xùn)練樣本, 經(jīng)過(guò)充分迭代訓(xùn)練, 通過(guò)復(fù)雜計(jì)算調(diào)整神經(jīng)網(wǎng)絡(luò)參數(shù), 使輸出符合目標(biāo)函數(shù)的過(guò)程。LCC-CNN的訓(xùn)練包括樣本制作與深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練兩個(gè)環(huán)節(jié)。

2.1 訓(xùn)練樣本制作

訓(xùn)練樣本制作分為內(nèi)業(yè)采集、外業(yè)核查與樣本切片3個(gè)步驟。內(nèi)業(yè)采集主要是利用已有地理國(guó)情監(jiān)測(cè)采集的地表覆蓋數(shù)據(jù), 對(duì)照高分二號(hào)與北京二號(hào)影像數(shù)據(jù)更新實(shí)驗(yàn)區(qū)域的地表覆蓋圖斑。內(nèi)業(yè)采集后的圖斑與影像共同形成外業(yè)核查工作底圖。

外業(yè)核查的目的在于核實(shí)內(nèi)業(yè)采集的圖斑分類與實(shí)地情況是否一致。實(shí)地核查中發(fā)現(xiàn)的內(nèi)業(yè)采集錯(cuò)誤, 現(xiàn)場(chǎng)標(biāo)注并拍攝照片。對(duì)于分類錯(cuò)誤的, 在工作底圖上進(jìn)行糾正。對(duì)于新增圖斑或形態(tài)與內(nèi)業(yè)標(biāo)繪不一致的區(qū)域進(jìn)行實(shí)地補(bǔ)測(cè)。外業(yè)核查后, 所有數(shù)據(jù)重新提交內(nèi)業(yè)環(huán)節(jié), 根據(jù)原有內(nèi)業(yè)采集數(shù)據(jù)對(duì)外業(yè)核查情況進(jìn)行補(bǔ)充、修改, 從而獲得真實(shí)、可信的樣本數(shù)據(jù)。

在樣本切片環(huán)節(jié), 將用于訓(xùn)練的地表覆蓋圖斑轉(zhuǎn)換為柵格數(shù)據(jù), 并對(duì)柵格數(shù)據(jù)的每個(gè)像素按分類標(biāo)簽分別賦值。圖斑柵格數(shù)據(jù)與影像疊加后進(jìn)行裁切, 每張切片規(guī)格為512×512像素。裁切好的訓(xùn)練樣本中80%劃分為訓(xùn)練集, 剩余20%為驗(yàn)證集。

2.2 深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練

深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練原理就是通過(guò)誤差反向傳播盡快實(shí)現(xiàn)與目標(biāo)函數(shù)的擬合。神經(jīng)網(wǎng)絡(luò)反向傳播算法的本質(zhì)是在參數(shù)空間中, 依靠梯度尋找損失函數(shù)的下凸點(diǎn), 并求解損失函數(shù)極小值。因此, 損失函數(shù)是推動(dòng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的關(guān)鍵。LCC-CNN的損失函數(shù)是以交叉熵?fù)p失函數(shù)為基礎(chǔ)設(shè)計(jì)的。為了強(qiáng)化邊緣部分的學(xué)習(xí)效果、突出邊緣形態(tài), 在損失函數(shù)中加入了對(duì)邊緣強(qiáng)化的函數(shù)計(jì)算部分。具體的損失函數(shù)為

求解上述多目標(biāo)多約束優(yōu)化模型采用帶精英策略非支配排序遺傳算法，即NSGA-III。算法沿用了NSGA-II的框架，但是，在選擇個(gè)體的機(jī)制上，二者有本質(zhì)的區(qū)別，更具有全局優(yōu)化可行解搜索能力，NSGA-III優(yōu)化過(guò)程如下：

(1)

式中: 損失函數(shù)L中yi為第i個(gè)分類的真值;ai為第i個(gè)分類的預(yù)測(cè)值;λ為像素權(quán)重調(diào)節(jié)系數(shù), 用于提高神經(jīng)網(wǎng)絡(luò)對(duì)邊緣附近的像素分類誤差, 強(qiáng)化圖斑邊緣附近語(yǔ)義分割的學(xué)習(xí)效果, 使邊緣較為模糊的圖斑可以取得更好的分類精度。定義像素權(quán)重調(diào)節(jié)系數(shù)λ計(jì)算公式為

(2)

式中：基礎(chǔ)權(quán)重w0與邊緣計(jì)算范圍σ為超參數(shù), ‖pi-pj‖2計(jì)算像素pi到最近的邊緣點(diǎn)pj的距離。參照地理國(guó)情監(jiān)測(cè)等地表覆蓋分類任務(wù)的技術(shù)規(guī)范要求, 邊緣的誤差通常要求控制在5像素以內(nèi), 因此在式(2)中σ的取值為5。基礎(chǔ)權(quán)重w0根據(jù)樣本的平衡程度計(jì)算, 當(dāng)樣本類別基本平衡時(shí),w0取值為1。由于實(shí)驗(yàn)使用的訓(xùn)練數(shù)據(jù)已經(jīng)過(guò)類別平衡處理, 因此在訓(xùn)練過(guò)程中w0取值為1。

通過(guò)損失函數(shù)可以促使神經(jīng)網(wǎng)絡(luò)在反復(fù)迭代訓(xùn)練中偏向于學(xué)習(xí)有利于地表覆蓋分類的影像特征, 使神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果盡可能擬合參考真值, 獲得更高的分類精度。LCC-CNN訓(xùn)練完成后, 將測(cè)試影像數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò), 經(jīng)過(guò)LCC-CNN逐層運(yùn)算后, 完成每個(gè)像素的地表覆蓋分類, 并輸出最終成果。

3 結(jié)果與分析

實(shí)驗(yàn)區(qū)域位于南寧市武鳴區(qū), 高分辨率衛(wèi)星影像數(shù)據(jù)選取的是2018年融合后的北京二號(hào)衛(wèi)星影像數(shù)據(jù), 包含紅、綠、藍(lán)及近紅外4個(gè)波段。所有的衛(wèi)星影像數(shù)據(jù)均按國(guó)家標(biāo)準(zhǔn)要求制作為正射影像數(shù)據(jù), 影像融合后分辨率為0.8 m, 平面中誤差控制在5像素以內(nèi), 所有影像數(shù)據(jù)均未進(jìn)行勻光、勻色處理。地理國(guó)情監(jiān)測(cè)數(shù)據(jù)選取的2018年數(shù)據(jù)成果, 其生產(chǎn)完成時(shí)間略晚于高分辨率衛(wèi)星影像數(shù)據(jù)拍攝時(shí)間。地表覆蓋數(shù)據(jù)比例尺為1∶10 000, 已通過(guò)質(zhì)檢驗(yàn)收, 數(shù)據(jù)精度滿足樣本制作要求。

3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)軟件環(huán)境為Centos 7.3, 深度神經(jīng)網(wǎng)絡(luò)開發(fā)語(yǔ)言為Python 3.6.5, 開發(fā)框架采用TensorFlow 1.12, 并行計(jì)算架構(gòu)為Cuda 10.0。實(shí)驗(yàn)使用40 000張512×512像素樣本切片, 共分為100組, 其中80組作為訓(xùn)練集, 20組作為驗(yàn)證集, 測(cè)試數(shù)據(jù)為1景10 000×10 000像素的北京二號(hào)0.8 m高分辨率衛(wèi)星影像數(shù)據(jù)。LCC-CNN共進(jìn)行了140次迭代訓(xùn)練, 以確保損失函數(shù)收斂。

3.2 地表覆蓋分類實(shí)驗(yàn)與精度分析

參考地理國(guó)情監(jiān)測(cè)地表覆蓋分類情況, 依據(jù)廣西實(shí)際情況與應(yīng)用需求, 共設(shè)計(jì)了水面、建筑物、硬化地、林地、園地、旱地、水田以及裸土地共8種地表覆蓋分類。為了充分對(duì)比不同方法的分類情況, 采用SVM、決策樹等傳統(tǒng)方法以及UPerNet、U-Net等深度學(xué)習(xí)方法進(jìn)行對(duì)比。各種方法的地表覆蓋分類結(jié)果如圖3所示。目視對(duì)比分類結(jié)果, 5種分類方法對(duì)于面積較大的主要圖斑均能正確分類, 但在細(xì)碎圖斑分類以及圖斑邊緣的分割上, 深度學(xué)習(xí)方法表現(xiàn)優(yōu)于傳統(tǒng)方法, 其中LCC-CNN的分類結(jié)果最接近人工采集的真值, 并且對(duì)各種地類圖斑邊緣的分割也更準(zhǔn)確。在具體的地類上, 各方法對(duì)水面的分類效果均與真值較為接近, 但對(duì)于易混淆的建筑物與硬化地, LCC-CNN的分類效果優(yōu)于對(duì)比方法。

圖3 深度神經(jīng)網(wǎng)絡(luò)地表覆蓋分類結(jié)果

圖4為L(zhǎng)CC-CNN的分類混淆矩陣, 數(shù)據(jù)表明LCC-CNN對(duì)園地、林地、水面與水田的分類精度較高, 均優(yōu)于88.66%, 除硬化地分類精度較低為76.60%外, 其余分類精度均在80%以上, 總體分類精度達(dá)到87.17%, 能夠較為準(zhǔn)確地從高分辨率衛(wèi)星影像中提取各種地表覆蓋圖斑。分類效果與混淆矩陣數(shù)據(jù)說(shuō)明LCC-CNN具備較高的分類精度, 模型中多尺度分割模塊能夠充分捕捉不同大小的圖斑特征, 改進(jìn)的損失函數(shù)能夠增強(qiáng)邊緣分割能力。

圖4 LCC-CNN分類混淆矩陣

園地、林地、水面與水田的分類精度較高, 主要是這些地表覆蓋在影像紋理等特征上具有較好的一致性, 并且在近紅外波段具有較強(qiáng)的特征。這些特征能夠通過(guò)樣本被LCC-CNN逐步學(xué)習(xí)歸納, 形成有效的分類特征組合，并準(zhǔn)確提取各種分類。硬化地的分類精度相對(duì)較低, 主要錯(cuò)誤是約有8%與9%的硬化地分類被誤分為建筑物與林地。誤分原因是建筑物的紋理復(fù)雜多變、圖斑較為破碎, 并且部分大型建筑物的特征與硬化地的特征非常相似。對(duì)比混淆矩陣中建筑物的分類精度, 其中也有約8%的建筑物被錯(cuò)誤分為硬化地, 說(shuō)明建筑物與硬化地中確實(shí)存在一部分特征相似度較高的地物, 利用現(xiàn)有的影像特征難以準(zhǔn)確區(qū)分。

影響硬化地分類精度另一個(gè)原因?yàn)榈乇砀采w分類之間的天然壓蓋。地表覆蓋分類通常按照一定規(guī)則人為定義分類原則, 而按照分類原則, 地表覆蓋分類圖斑在局部區(qū)域并不與影像紋理完全一致。圖5為地物壓蓋示例, 示例中道路兩側(cè)被植被壓蓋區(qū)域全部被劃分為林地, 雖然在分類特征上是正確劃分, 但在地表覆蓋定義中屬于錯(cuò)誤劃分。這種情況在城區(qū)范圍較普遍, 因此，盡管在影像特征上林地與硬化地特征差異較大, 并且LCC-CNN也能夠正確區(qū)分硬化地與林地, 但在實(shí)驗(yàn)中依然出現(xiàn)了較高的錯(cuò)誤率, 影響了硬化地的分類精度。雖然實(shí)驗(yàn)中硬化地的分類精度較低, 但與決策樹[21]等傳統(tǒng)方法相比, LCC-CNN由于采用了大樣本訓(xùn)練, 并且在編碼模塊中能夠提取更復(fù)雜的特征組合, 對(duì)于紋理復(fù)雜多變、圖斑破碎的建筑物及硬化地也能夠?qū)⒕葟?0%提升至76%。

圖5 城鎮(zhèn)區(qū)域地物壓蓋示例

為了精確分析對(duì)比不同方法的地表覆蓋分類精度, 實(shí)驗(yàn)精度取4個(gè)指標(biāo)進(jìn)行衡量, 分別是總體精度、召回率、IOU(交并比)以及Kappa系數(shù)。總體精度考察的是正確分類像素的占比, 召回率用于評(píng)價(jià)正樣本分類精度, 交并比是影像語(yǔ)義分割的重要評(píng)價(jià)指標(biāo), 用于評(píng)價(jià)分類圖斑中正確分類部分與參考真值間并集的比例, Kappa系數(shù)用于評(píng)價(jià)分類的相似程度。LCC-CNN與其他方法的分類精度對(duì)比如表1所示。通過(guò)數(shù)據(jù)對(duì)比說(shuō)明, LCC-CNN的分類精度優(yōu)于常規(guī)語(yǔ)義分割神經(jīng)網(wǎng)絡(luò)模型與傳統(tǒng)地表覆蓋分類方法, 與傳統(tǒng)方法相比IOU提升了10%以上, Kappa系數(shù)提升了11%以上, 精度提升幅度較大。這說(shuō)明深度學(xué)習(xí)方法能夠從樣本中學(xué)習(xí)與提取更多的特征, 并且能夠利用這些特征提高地表覆蓋分類精度。與UPerNet等深度學(xué)習(xí)方法相比, LCC-CNN的精度也提高了2%。以上說(shuō)明，LCC-CNN針對(duì)高分辨率遙感影像設(shè)計(jì)的結(jié)構(gòu)達(dá)到了預(yù)期目的, 在同樣條件下具備更高的分類精度。

表1 不同地表覆蓋方法分類精度對(duì)比

3.3 不同方法地表覆蓋分類效率對(duì)比分析

地表覆蓋分類效率對(duì)比實(shí)驗(yàn)主要是為了驗(yàn)證LCC-CNN的處理效能。在實(shí)驗(yàn)環(huán)境中由于傳統(tǒng)方法不支持使用GPU運(yùn)算, 因此傳統(tǒng)方法的實(shí)驗(yàn)結(jié)果為CPU處理時(shí)間。實(shí)驗(yàn)中每種分類方法均處理相同的10 000×10 000像素大小的區(qū)域, 實(shí)驗(yàn)結(jié)果如表2所示。結(jié)果表明, 3種深度學(xué)習(xí)方法的處理速度均大幅優(yōu)于傳統(tǒng)方法, 這種情況主要是由于傳統(tǒng)方法不能有效利用GPU并行計(jì)算加快運(yùn)算速度, 而深度學(xué)習(xí)方法均可利用GPU對(duì)運(yùn)算進(jìn)行加速。在3種深度學(xué)習(xí)方法中, LCC-CNN的處理時(shí)間最長(zhǎng), 主要是由于LCC-CNN在網(wǎng)絡(luò)層數(shù)與網(wǎng)絡(luò)結(jié)構(gòu)上均比U-Net與UPerNet復(fù)雜, 因此網(wǎng)絡(luò)中的參數(shù)更多, 計(jì)算量更大, 獲得更高精度的同時(shí)需要更多的運(yùn)算處理時(shí)間。

表2 不同方法處理速度對(duì)比

綜合精度與處理效能考慮, LCC-CNN的分類精度最高, 對(duì)于0.8 m分辨率的高分辨影像, LCC-CNN的單機(jī)日處理能力達(dá)到8 000 km2以上, 能夠滿足大范圍地表覆蓋分類快速處理任務(wù)的需要, 并且通過(guò)數(shù)據(jù)對(duì)比, LCC-CNN對(duì)于部分精度要求不高的地表覆蓋分類項(xiàng)目, 基本可以滿足自動(dòng)化生產(chǎn)需要。對(duì)于定量、高精度地表覆蓋分類項(xiàng)目, 雖不能完全取代人工作業(yè), 但分類結(jié)果仍然能夠作為參考數(shù)據(jù)，提高作業(yè)人員工作效率。

3.4 LCC-CNN的適用范圍

LCC-CNN的地表覆蓋分類能力主要是通過(guò)樣本訓(xùn)練迭代學(xué)習(xí)獲得, 因此待分類影像與LCC-CNN的訓(xùn)練樣本特征相似時(shí), 能夠獲得較高的分類精度，但當(dāng)LCC-CNN的分類數(shù)目發(fā)生變化, 或者待分類影像的分辨率、波段信息及地表覆蓋分類特征與原始訓(xùn)練樣本存在較大差異時(shí), LCC-CNN的分類精度將顯著下降, 甚至無(wú)法準(zhǔn)確完成影像的地表覆蓋分類任務(wù)。盡管LCC-CNN具備一定的泛化能力, 但這種泛化能力并不等同于無(wú)限的推理能力。當(dāng)出現(xiàn)上述情況時(shí), 需要根據(jù)變化后地表覆蓋分類任務(wù)特點(diǎn), 補(bǔ)充制作適量新的訓(xùn)練樣本, 以LCC-CNN為預(yù)訓(xùn)練網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí), 使訓(xùn)練后的網(wǎng)絡(luò)能夠準(zhǔn)確完成地表覆蓋分類任務(wù)。

4 結(jié) 論

通過(guò)研究基于深度學(xué)習(xí)的影像地表覆蓋特征提取與分類方法, 根據(jù)影像數(shù)據(jù)特點(diǎn)與地表覆蓋任務(wù)要求, 提出了具有編碼-解碼結(jié)構(gòu)的高分辨率衛(wèi)星影像地表覆蓋分類模型(LCC-CNN)。實(shí)驗(yàn)數(shù)據(jù)表明, LCC-CNN能夠較好地從高分二號(hào)與北京二號(hào)高分辨率衛(wèi)星影像中提取各種地表覆蓋圖斑, 地表覆蓋分類精度達(dá)到87.17%。對(duì)比SVM與決策樹等傳統(tǒng)分類方法, LCC-CNN的總體分類精度、IOU與Kappa系數(shù), 分別提升了8%、10%與11%以上。通過(guò)利用GPU加速計(jì)算過(guò)程, LCC-CNN的日處理能力達(dá)到8 000 km2以上, 處理效率優(yōu)于使用CPU計(jì)算的傳統(tǒng)方法。基于深度學(xué)習(xí)的高分辨率衛(wèi)星影像地表覆蓋分類方法, 能夠有效提升地表覆蓋分類的精度與效率, 為自動(dòng)化地表覆蓋分類提供了新的解決方法與技術(shù)路線。