基于深度学习的遥感图像土地分类研究＊

张 凯，于 航

(1.长春财经学院，吉林 长春 130122；2.吉林农业大学)

0 引言

遥感技术是从远距离感知目标反射或自身辐射的电磁波、可见光、红外线，对目标进行探测和识别的技术。随着遥感技术的不断发展，遥感图像数据在各个领域的应用也越来越多，在国防和安全建设、城市规划、灾害监测、土地利用、景观分析、农业遥感等领域均有应用广泛。遥感图像分类是该领域的一个热点问题，对图像信息的获取具有重要意义。在过去人工视觉方法主要用于图像解释，不仅消耗人力、效率低下，而且不能提高准确性。随着计算机技术的发展，遥感图像与计算机图像分类技术相结合已经取代了人工分类并已成为主流。

目前被广泛使用的方法有神经网络和遗传算法。近年来，遥感图像采集技术得以迅速发展，采集的图像越来越丰富。如高光谱图像和包含更丰富特征信息的高分辨率图像。但丰富的特征信息也给分类带来了一定的困难，如何合理利用丰富的特征信息实现高效准确的遥感图像土地分类是亟待解决的问题.遥感图像数据的总体规划和应用也越来越完善，监测结果和数据需要更加全面和准确。因此，对遥感图像的土地分类提出了一个新的挑战。本文针对生态资源利用的视角提出了一种基于深度学习的遥感图像细化土地分类模型。与传统模式相比，其创新创新总结如下。

⑴由于单个特征描述和分类的精度不够高，该模型提取了颜色、纹理、部分、形状等9 个特征。基于特征级图像融合方法，可以最大程度地保留特征的有效识别信息，提高分类的可靠性。

⑵为了提高遥感图像土地分类的精度，该模型使用DBN 对融合后的图像特征进行处理。结合正向无监督分类结果和标签数据，根据误差反向传播规律对训练网络进行微调，缩短了土地分类时间。

1 分类方法

在实际的图像分类过程中，可选的训练样本很少。大多数深度学习模型从不同的训练样本数据集、不同的训练样本和迭代时间中能够分析抗干扰和收敛性能，但对不同规则和不同尺度的图像分类的适应性较差。弗莱彻-里夫斯提出了一种基于遥感图像分割的CNN 方法，基于CNN 算法的研究在遥感图像分类领域取得了良好的效果，但很少涉及到土地生态资源的利用。因此，本文提出了一种基于生态资源利用角度的深度学习的遥感图像土地细化分类方法，该方法在考虑生态环境资源利用的同时，提高了分类的效率和准确性。

2 数据采集与预处理

2.1 数据源

遥感图像分割的CNN 研究对象选择吉林省长春市公主岭地区2021 年高光谱数据，如图1 所示。使用的主要遥感数据为国内高分1 号卫星，分辨率为2 米全色/8米多光谱。

图1 长春市公主岭地区遥感图像

2.2 多光谱数据预处理

⑴ 辐射校准。使用ENVI 软件对GF-1(高分1 号)遥感图像进行辐射校准，将图像的灰度值转换为传感器瞳孔处的辐射。ENVI 软件可以自动选择不同时间段采集的GF-1 遥感图像在相应时间段内发布的辐射校准系数。

⑵大气校正。电磁波在大气传输过程中被大气吸收、散射并受到不同程度的干扰。需要对遥感图像进行大气校正处理。ENVI 的超立方体(FLASH)模块的快速视线大气分析。用于大气校正，以减少大气的影响。软件模块可自动读取传感器中心点的高度、经度、纬度、传感器类型、像素大小、成像时间等信息。设置成像面积的平均高度、大气模型和气溶胶类型，最终得到表面反射率图像。

3 基于多特征融合的DBN 遥感图像土地分类技术

3.1 多功能融合

图像融合提高了图像的清晰度和信息内容，能够准确、可靠、全面地获取目标或场景信息。融合主要分为像素级、特征级和决策级三个层次，本文使用特征级图像融合的方法是从原始图像中提取特征信息。特征信息是基于研究者对图像中研究对象的分析，如车辆、行人和数字，然后提取出能够充分表达目标的相关特征信息。与原始图像相比，基于特征融合信息的目标识别和提取的精度将得到显著提高。通过特征级融合方法可以获得压缩后的图像信息，压缩后的信息被重复用于计算机分析和处理。与像素级融合方法相比，减少了内存和时间消耗，可以更快地获得融合结果。

3.2 分类模型

DBN 是一种概率生成模型，它通过学习过程建立了输入数据和标签数据之间的联合分布。从结构上讲，DBN 模型由多层限制玻尔兹曼机(RBM)和顶部组成Softmax 分类器。正确地构建DBN 模型是从遥感图像中准确、有效地提取陆地类型的关键。合理设计DBN 模型的框架，如RBM 网络的层数等，可以有效地提高分类化效率。确定合理的DBN模型操作参数，如学习率、正无监督学习数量、隐层神经元数量等，可以大大提高分类结果的准确性.考虑到该模型的分类效果和训练效率，构建了一个网络规范为124-250-250-2的DBN模型。

3.3 算法具体流程

⑴提取了九个特征。方法是采用灰度直方图和小波变换算法提取了两种纹理特征。颜色特征通过颜色直方图和颜色矩获得。利用矩不变算法得到一个形状特征，通过求解普查和尺度不变特征变换算法得到三个局部特征。最后，总共得到了九个特征值。

⑵规范这九个功能，并将数据转换为0-1之间。

⑶将九个归一化特征向量连续融合，获得作为DBN 模型输入的图像的新特征。充分考虑计算复杂度和分类精度来确定最终的DBN网络模型。

⑷将测试数据输入DBN，使用相同的特征融合方法进行测试，并使用Softmax 方法，完成遥感图像陆地类型的分类。

4 实验与分析

实验在Ubuntu16 上进行训练。系统采用NVIDIAGeForce TitanX 图形设备，该设备共计二个部件，每个部件带有12GB 显存。DBN 模型是在开源框架Keras 和TensorFlow 平台中实现。从图2 可见，DBN模型的正向训练过程是一个无监督的学习过程。DBN 模型的每次训练都伴随着神经元之间的权重和偏差的更新。因此，前向无监督学习的数量决定了DBN 模型中每个参数的更新次数。训练过程中设置更积极的无监督学习，有利于DBN模型更有效地表达输入神经元的特征信息。多重积极学习不仅影响了模型的训练效率，也导致了DBN模型的分类结果。

图2 积极学习时间与分类准确率之间的关系

图3中在保证分类准确性的同时，推理时间缩短，时间消耗为128ms。即使时间消耗不是最短的，但考虑到速度和精度，所提出的模型也能满足实际需要。实验结果如图4 所示，根据遥感图像得出的土地分类结果的比较，本文模型(b)较比原有模型(a)精度和速度有明显提升。

图3 截取遥感图像

图4 根据遥感图像得出的土地分类结果的比较

5 结论

土地覆盖类型是生态环境观测的关键和广泛的研究领域，但形态受季节的影响，大多数分类方法的识别效果并不理想。为此，本文提出了基于生态资源利用角度基于深度学习的遥感图像土地分类模型，结合特征级图像融合方法，对高分一号卫星获得的遥感图像数据进行DBN网络模型处理和分析，有效准确地获得土地类型。同时，基于Keras 和TensorFlow 平台，对该模型进行了实验验证。结果表明，当隐层神经元数量设置为280，学习率设置为0.45，前向无监督学习数量设置为120，DBN 模型的分类性能最好。该模型可以对土地类型进行清晰的分类，为遥感领域的深度学习提供了技术支持。