结合深度卷积神经网络的面向对象方法在遥感影像土地利用类型分类中的应用外文翻译资料

 2021-11-17 11:11

英语原文共 15 页

结合深度卷积神经网络的面向对象方法在遥感影像土地利用类型分类中的应用

摘 要

土地利用信息直接反映了人类活动对环境的影响,遥感图像的准确和有效的土地利用分类是土地利用和土地覆盖变化研究的重要组成部分。为解决传统土地利用分类方法存在的问题(如数据维数快速增加,特征提取不足,运行效率低),提出了一种将面向对象方法与深度卷积神经网络(COCNN)相结合的方法。 。首先,使用多尺度分割算法来分割图像以生成具有高均匀性的图像分割区域。其次,在面向对象的分割结果的基础上构建了一个典型的特征对象规则集,并且分割和提取分割对象以形成训练样本集。第三,修改卷积神经网络(CNN)模型结构以提高分类性能,并且优化训练算法以避免在使用小数据集的训练期间发生的过拟合现象。以覆盖抚仙湖周边地区的遥感影像为例,对10种土地利用类型进行了分类。通过比较COCNN方法和仅基于CNN的方法,选择精确度和kappa指数来评估两种方法的分类准确性。对于COCNN方法,在分类统计的基础上,精度和kappa指数系数分别为96.2%和0.96,比仅基于CNN的方法高8.98%和0.1。

关键词:土地利用类型分类;面向对象;卷积神经网络;深度学习;多尺度分割

1 引言

土地利用和土地覆盖变化(LUCC)与全球气候变化以及生态系统和生物多样性的变化密切相关,反映了人类活动和气候变化对地球表面生态环境的影响(Blasi等人,2008年) ;杨等人,2014)。自20世纪90年代以来,粮食和农业组织,国际地圈 - 生物圈项目,国际应用系统分析研究所和其他研究机构启动了一系列与土地利用变化和林业有关的项目(Sands and Leimbach 2003))。国际社会重视将LUCC作为全球环境变化研究的核心内容。遥感是监测地球表面的有效工具,也是使用分类和识别技术调查土地利用状况的应用的基本要素(Song等,2012)。

存在许多类型的土地利用分类标准。这些系统包括几个类别,并考虑到土地利用和土地覆盖类型的复杂特征,这些特征给准确分类带来了困难。在遥感图像的分类中,首先确定分类策略是必要的,然后选择适当的分类器。分类策略包括监督或无监督分类,直接使用原始光谱信息或从光谱信息中提取其他特征,以及硬分类或软分类。具体地讲,分类策略可以分为基于像素的和面向对象的分类由于分类的基本单元(Zheng等人的差异。2010)。在分类器选择方面,传统的方法是用于低级特征提取的统计方法,包括距离(Tzeng 2006),K最近邻(Meng等人,2007),最大似然(Bruzzone和Prieto 2001),以及逻辑回归(Lee 2005)分类器。随着航空航天,传感器,并且在过去十年计算机技术的飞速发展,高分辨率遥感(HRRS)图像已被越来越多地在土地利用分类应用(胡等人。2015年)。由于HRRS图像中的光谱混淆,给定类中的对象的多样性随着不同类中的对象的相似性而增加。这些属性降低了基于低级特征的传统分类方法的有效性(Paisitkriangkrai等,2016)。因此,基于中级特征建模的方法是在低级特征方法的基础上发展起来的(Bosch等人,2007)。三种类型的中级特征提取方法描述了图像语义,即视觉词袋(BoVW),潜在Dirichlet分配(LDA)和机器学习模型。然而,在实际应用中,基于BoVW的方法的性能依赖于手工制作的局部特征的提取(Alkhawlani等人,2015))。LDA建模方法依赖于K -means聚类来生成可视字典。因此,图像中的中级语义特征的表达是有限的。机器学习模型独立地执行数据表达和特征提取(Campsvalls 2008)并且根据预定规则丢弃提取的特征的模式(Tuia等人2013 ; Lin等人2017); 因此,当应用于复杂图像时,它们获得改进的分类结果。常用的机器学习方法包括稀疏编码(Jiang等2014),神经网络(元等人。2009年),支持向量机(Blanzieri和Melgani 2006年 ; Dai等。2007),和深度学习(Zhang等人。2016)。深学习网络由多个非线性映射层,其代表智能模式识别的新方法,并且在遥感图像处理的领域的一个重要的新方向(Zhao等人的2015)。

卷积神经网络(CNN)是一种基本的深度学习模型,代表了由卷积池 - 完全连接层组成的生物学启发的多级架构(Lauml;ngkvist等人,2016)。CNN使用图像中包含的低级特征通过多层抽象机制形成高级特征(Zhao等人,2016),这有效地减少了低级图像和高级语义特征之间的差距。近年来出现了将CNN应用于遥感图像的研究。Hinton团队在ImageNet图像分类竞赛中获得了压倒性的胜利,并将1000张图像的前5个分类错误率从26.2降低到15.3%(Krizhevsky等人,2017年))。胡等人。使用CNN模型首次对HRRS图像进行分类。陈等人。通过并入像素的光谱信息和空间信息,并研究在HRRS图像分类的空间信息重要性的CNN的分类方法(Chen等人2016)。齐等人。(2017)提出了一种基于多尺度深度描述的基于相关性的算法,该算法在多个尺度上共同结合外观和空间信息以执行土地利用类型分类。因此,CNN已经超越了传统的模式识别和机器学习算法,并取得了卓越的性能和准确性。

通常,基于CNN的分类方法由像素执行。由于土地利用类型众多且空间分布相互混合,因此土地类型之间的过渡区很容易混淆分类结果。这种方法不利于小块地块的类型识别。为了克服这些困难,传统的方法增加深学习的训练集的大小或增加模型的深度和节点的数量,从而使上手工贴标巨大压力(Lin等人。2016)。面向对象的分类策略在均匀的多像素的基础上对对象进行分类,并利用图像的光谱,空间,形状和其他特征来一起执行类型判断,从而突破了基于像素的分类的局限性。此外,训练样本集构建和深度学习方法的改进可以减少深度学习模型对训练样本量的依赖性。因此,本研究从两个方面进行了改进:分类策略和深度学习模型。本研究的主要贡献如下:

1.面向对象的方法与深度学习方法相结合。一方面,面向对象方法用于构建多尺度样本集,为深度学习模型训练提供高精度训练数据。另一方面,在面向对象概念的基础上,该方法避免了分类过程中混合像素的处理,提高了深度学习中分类对象的典型性。

2.修改CNN模型结构以提高分类性能,并且优化训练算法以避免在使用小数据集的训练期间发生的过度拟合现象。

本文的其余部分组织如下:“

原文和译文剩余内容已隐藏,您需要先支付 20元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。