基于深度卷积神经网络的遥感影像分类研究

贾云侠　韩晋

【摘 要】针对目前应用于遥感影像分类的常用算法已经无法满足大数据应用下的分类精度要求等问题，文章提出了基于卷积神经网络遥感影像分类方法并给出了具体分类流程，为卷积神经网络在遥感影像分类领域的应用奠定了基础。

【关键词】神经网络；遥感影像；分析

【中图分类号】P237 【文献标识码】A 【文章编号】1674-0688（2018）03-0123-02

0 引言

随着过去10年遥感影像技术的快速增长，现在已经可以获得大量的高分辨率遥感影像，从而使我们能够对地表进行更为详尽的研究。遥感影像分类作为一项基础性的工作，其目的在于将提取出的覆盖多种地物类型或地物的遥感图像分区为不同的语义类别，对于许多实际遥感应用，如土地资源管理、城市刨削和电脑制图等均有重要意义。通常，一些相同的土地覆盖类型或对象类别经常在不同的场景类别中同时存在。例如，两个典型场景类别的商业区和住宅区可同时包含道路、树木和建筑物，但这3个主题类别的密度和空间分布不同。因此，遥感场景中空间和结构的复杂性使得场景分类问题变得十分复杂[1]。

尽管在遥感图像分类领域，科研工作者做了大量工作，但相关方法在场景分类中的表现并不尽如人意，于是寻求更好的解决方法成为当前遥感影像分类的研究趋势。最近，深度学习方法不仅在语音识别、目标识别和检测、自然语言处理等方面取得了巨大成就，而且在其他领域的应用也有较大发展，引起了学术界和工业界的青睐。深度学习算法可以应用于不同抽象级别的分层特征，而深度神经网络作为最成功和广泛使用的深度学习方法，已经在大多数识别和检测系统中得到应用。而遥感图像的分类是一个复杂的过程，采用浅层结构模型对其进行分类很难达成预期目标，故本文将CNN模型应用于遥感影像进行分类研究。

1 深度学习

深度学习作为机器学习的一个重要分支，由Hinton等人于2006年提出，它基于对数据进行表征学习，以建立可以对人脑进行模拟分析学习和数据解释的神经网络为目的[2]。随着科技的发展，深度学习已经成为互联网、大数据和人工智能的一个必然趋势，主流高科技公司均投入了大量的资源进行深度学习技术的研究与开发，从而极大地促进了深度学习技术的发展。

深度学习的深度网络结构层次中有大量单一元素（神经元），各个神经元具备相互连接的关系，且可以通过不断学习改变其连接的强度，即改变权重，从而决定网络的功能。工作与科研中常用到的稀疏编码、深度置信网络等模型均属于深度神经网络模型。

2 卷积神经网络算法原理

卷积神经网络是一种典型的前馈神经网络，它的典型架构是由两层组成，其中包括特征提取层和特征映射层。其中，特征提取层的每个神经元的输入连接着上一层的局部接受域，负责局部特征的提取，且该层与其他特征间的位置关系在该局部特征提取后将被确定；而特征映射层，由多個特征映射组成，每个特征映射构成一个平面，其上所有神经元有相等的权值。卷积神经网络的激活函数采用影响函数核小的sigmod函数，使得特征映射可以保位移不变性[3]。

卷积神经网络与普通神经网络有着较大的区别，主要表现在：卷积神经网络包含一个卷积层和子采样层构成的特征提取器，在卷积层中，一个神经元只跟相邻层里的部分神经元连接，且卷积层通常包含一系列由矩形排列的神经元构成的特征平面（Feature Map），同一特征平面的神经元共享权值，该权值即卷积核。卷积核的存在可以有效降低网络各层之间的连接数量，节约大量计算成本，同时使得过拟合的问题得到有效改善。子采样又叫池化（Pooling），常用形式有均值子采样和最大值子采样。通过卷积和子采样，网络模型的复杂度得到极大简化，参数数量也大为减少。目前，对于CNN的研究较为活跃，基本上集中于以下3点[4]。

（1）网络结构方面。卷积神经网络模型具备非常复杂的结构，因此需要花费较长的时间进行训练。对于一种固定的数据集应用，寻找最合适的网络结构以提升模型精度和泛化能力是当前研究的热点。

（2）系统硬件方面。卷积神经网络的并行处理能力非常强大，使其在硬件实现上具备非常大的优势，国际许多主流芯片制造商已经在研或者发售了多款用于CNN的大规模集成电路，以提升并行计算能力和训练速度等。

（3）网络应用研究。在物体识别与检测等模式识别领域的应用较为广泛和深入，尤其在图像识别方面，CNN已经表现出非常大的优势。

3 基于卷积神经网络的遥感图像分类研究

遥感图像在进行分类处理前需要先进行一系列的处理，具体包括以下几个方面。

3.1 预处理

预处理包括降噪处理、薄云处理和阴影处理。由于在获取遥感图像时，传感器自身质量参差不齐，导致图像中含有一定的噪声，因此需要进行降噪处理，以减小噪声影响；薄云处理主要针对遥感影像中天气原因导致的影像被遮盖；阴影处理主要针对太阳照射情况不理想而对地物造成的遮挡影像。

3.2 几何校正

遥感影像需要具备一定的几何精度，故在进行其他操作前，对遥感图像进行一系列几何校正，具体包括：图像配准、几何粗校正、几何精校正、正射校正等。

3.3 图像增强

为了更加突出遥感图像中的兴趣目标，使得地物信息具有更强的可读性，需要进行图像增强处理，包括彩色合成、密度分割、灰度颠倒、图像间运算等。

3.4 图像镶嵌和匀色

在不同摄影条件下获得的两幅或者多幅图像需要将图像镶嵌成一幅整体图像进行处理，同时拼接得到的遥感数据图像，因其来源不同，图像质量和色调有差别，故需要进行匀色处理。

3.5 遥感图像特征选择

在对图像进行预处理后，需要对遥感图像进行分析，进而从图像中选取具有明显特征的数据作为训练的样本数据。样本的选取非常重要，直接影响了分类的效果。

3.6 遥感特征提取

卷积神经网络通过共享权值和网络结构重组对遥感影像的特征进行不断学习，并通过反向传播算法完成训练，最终实现遥感影像的分类。在其前向传播过程中，卷积核覆盖在输入的遥感影像上，对应的位置求积再求和后将所得值赋给输出图的对应位置，以此方法按次序移动卷积核，最终得到输出结果。而在反向传播过程中，需要先根据神经网络的误差信号反传方式得到末端分类器中所有神经元的误差信号，然后经由分类器传播到前面的特征提取器。误差信号从子采样层的特征图传播到前面卷积层的特征图需要进行一次全卷积过程来完成[5]。卷积层的计算形式如下：

上式中：l为卷积层所在层数；b是偏置；k是卷积核；f是激活函数；Mj是上一层的一个输入特征图。

3.7 分类结果评价

对于分类处理后的遥感影像数据，需要判断分类的效果是否满足预期要求，故进行合理而精确的评价是十分必要的，目前主要的精度评价因子有总体分类精度、Kappa系数、混淆矩阵、错分误差及用户精度等。

4 结语

本文通过对遥感图像的分类方法进行分析，探讨了卷积神经网络的工作原理并针对传统分类方法的不足，提出了基于卷积神经网络的遥感图像分类方法并给出了具体的分类流程，并对实验流程内各个步骤原理和依据进行了充分的论述和说明，对遥感图像处理领域的相关工作提供了较大的参考价值。

参 考 文 献

[1]曹林林，李海涛，韩颜顺，等.卷积神经网络在高分遥感影像分类中的应用[J].测绘科学，2016，41（9）：170-175.

[2]付秀丽，黎玲萍，毛克彪，等.基于卷积神经网络模型的遥感图像分类[J].高技术通讯，2017，27（3）：203-212.

[3]李祥，任丽颖，张公.利用多时相遥感影像进行聊城市城镇扩展监测[J].中国高新技术企业，2011（8）：84-85.

[4]赵爽.基于卷积神经网络的遥感图像分类方法研究[D].北京：中国地质大学，2015.

[5]罗建华，李明奇，郑泽忠，等.基于深度卷积神经网络的高光谱遥感图像分类[J].西华大学学报：自然科学版，2017，36（4）：13-20.

[责任编辑：钟声贤]