基于卷积神经网络的卫星遥感图像区域识别研究*

胡 琼

(六安职业技术学院 安徽六安 237158)

在现代社会中，卫星遥感图像识别被广泛应用在民用、军事领域当中。一般情况下将卫星遥感图像中的区域分为多个区域如居民区、军事区等，由于区域之间交织紧密，所以遥感设备往往会受到云层、气流以及电磁波等多种因素的影响，出现识别不清等情况，影响了卫星遥感图像识别的准确性。因此，基于卷积神经网络的卫星遥感图像区域识别技术的出现是必然趋势，对其进行研究具有十分重要的意义。

1 卷积神经网络的相关概述

1.1 卷积神经网络的发展

早在20世纪60年代，基于独特网络结构的神经元就得到了社会的关注，能够将反馈神经网络的复杂性有效降低。1998年，LeCun就根据此类研究提出了卷积神经网络的概述。随着时代不断进步，有更多的学者基于卷积神经网络研究出了更加科学的模型，并在2015年在大词汇量连续语音识别任务中开始应用卷积神经网络，提出解码器概念，进一步提升了识别的速度。

1.2 卷积神经网络的特点

由于卷积神经网络的结构构造具有一定的特殊性，所以其具备较多的有点，比如具有局部感知、权值共享、降维等特点。①局部感知：一般情况下，人类认知世界是从局部到全局，而图像之间存在的空间联系也是一种局部现象，而卷积神经网络能够连接图像的局部区域，将传统神经网络中全部连接的参数数目有效降低；②权值共享：在卷积神经网络当中，其每个局部的神经元都会基于图像区域对其进行加权计算，从而实现权值共享的目标，让构建的模型能够实现平移且不变性；③降维：池化层的主要特点是为了压缩区域内的像素块，让其成为一个像素点，从而实现图像缩放，同时也让整个模型具有图像不变性特点。

2 遥感图像识别网络的相关概述

2.1 遥感图像识别网络的设计

2.1.1选择激活函数 用非线性函数来激活函数可以促进网络拟合精度值，为了保证其检测精度，可以采用梯度计算方式，让其具备可微性。实际上，常见的激活函数有ReLU函数以及Sigmoid函数等。有生物科学家电信号和激活频率之间存在函数关系，传达了抑制区域不对称特征，相关关系如图1所示。

图1 输入电信号强度与激活频率之间生成图像的相关关系图

由图1可以看出，没有对称的区域具有较大的突兀性，与Sigmoid函数之间存在较大的区别，而与另一个ReLU函数也具有相似点。ReLU函数如图2所示。

图2 ReLU函数图

所以选用的激活函数为ReLU函数，其相关表达式为：

f(x)=max(0，x)

(1)

2.1.2初始化参数 数据模型参数调节在很大程度上影响了卷积神经网络的效果，其中最重要的就是参数初始化的过程。首先需要进行权值初始化，然后再进行偏置初始化。其中权值初始化时，神经网络的初始化为：

(2)

式(2)中，N表示输入数据的维度。

有相关学者提出了一种比传统方法的训练效果更优的初始化方案，

(3)

式(3)中，Fin表示输入数据的维度，而Fout则表示输出数据的维度。

在进行偏置初始化的过程中一般会将其设置为1，从而能够在一定程度上让网络训练的速度加快。

2.1.3设置DropoutDrpout 当中具有特殊随机性，可以通过实验分析方式，预防网络神经出现运行文体，对应的处理人员可以对网络神经的拟合现象进行预防，首先需要对Dropout进行训练，将所有输入的x使用一定的概率将其设置为0；其次需要正向预测Dropout，对其进行正向预测分析，再激活网络神经元，并将神经元进行叠加处理，将数据x输入之后进行平均处理。

2.2 遥感图像识别网络结构

当网络结构越深，就说明其包含的参数越多，要想将其进行拟合也存在较大的困难。在小维度中用LeNet5连接层模型让该模型的数据表达能力有效增强，也就是构建出具有2个卷积层、池化层以及全连接层的网络结构，该网络结构如图3所示。

图3 遥感图像识别网络结构图

图3中，在CP2当中输入4×4的卷积核(32个)与大小为2×2的maxpooling，会得到大小为32×4的特征矩阵。FC1表示拥有100个隐蔽节点的全连接层，使用的激活函数为ReLU函数，当经过FC1之后就会得到100维的特征；FC2表示增加的全连接层，该全连接层中包含50个隐蔽节点，ReLU函数成为了对应的激活函数，出现了50维特征。

3 实验方法与结果

3.1 采集数据

实验中使用的数据来自某搜索软件卫星地图当中的19级图像，采集随机区域内的图像将其切分成25×25像素，并按照其类别不同将其进行划分，其中主要包括居民区、绿化区、公路、土地以及湖泊等五类，每一种类别的图像为5000张。

3.2 预处理相关数据

针对卫星遥感图的相关特点对其分析，相关数据进行预处理为去雾预处理和图像旋转预处理。①去雾预处理：因为云层、气流等因素往往会影响到卫星遥感设备，所以卫星遥感设备拍摄图片十分模糊，容易出现特征弱化等现象，对应方法是采用去雾预处理，并采用导向滤波算法主要是通过利用导向滤波器将大气透射率进行优化，这种方式不会直接损坏图片的特征值，可以全面提升图像的清晰度。②图像旋转预处理：因为卫星在不断移动当中，卫星遥感拍摄的图像也会存在一定的角度偏差，并且同一种类型的目标，其方向也存在一定的差别，从而让模型的识别更加困难。提升图像的样本度和清晰指指，可以对相关数据进行旋转，经过旋转之后，每种类型的图片都会增加到20 000张。旋转后的卫星遥感图片如图4所示。

图4 旋转后的卫星遥感图片

3.3 实验的方法

选出4000×2张处理图，将其作为测试集和验证集，实验得出的错误率曲线如图5所示。

图5 错误率曲线图

3.4 结果比较

3.4.1传统方法及两种卷积神经网络的识别结果 传统的图像识别算法包括近邻算法和支撑向量机算法，在预处理本数据集之后对其进行识别和比较，可以得到以下的遥感图像识别结果(见表1)。

表1 遥感图像识别结果(%)

在本数据集上预处理单全连接层卷积神经网络和双全连接层卷积神经网络的数据，并识别和比较预处理前后的数据，如表2所示：

表2 单双层全连接层卷积神经网络的遥感图像识别结果对比(%)

3.4.2分析遥感图像识别结果 根据数据对比显示，传统的近邻算法和支撑向量机图像识别算法在卫星遥感图像的识别功能太差，导致数据的分析表征能力不足，不能够反馈出正常的数据，导致了算法结构纯在复杂的处理能力，且其泛化能力也相对不足。随着科学技术的不断进步，双层连接优于单层连接，提升了深层数据的自动学习功能具有较好的遥感图像识别效果，再加深预处理效果，最终提升了提升识别质量。

4 结语

随着社会经济的不断发展以及科学技术的不断进步，卷积神经网络用于卫星遥感图像区域识别是必然趋势。文章分析了卫星遥感图像的识别以及单卷积神经网络的识别效果更优，若采用“去雾”“旋转预处理”，可以优化整个处理效果。但其还具有较深的提升空间，需要相关学者进行更加深入的研究和探讨，将卷积神经网络的作用最大化发挥出来。