本文選題：遙感圖像分類 + 深度學習��； 參考：《中國圖象圖形學報》2017年09期

【摘要】：目的為進一步提高遙感影像的分類精度,將卷積神經(jīng)網(wǎng)絡(CNN)與條件隨機場(CRF)兩個模型結(jié)合,提出一種新的分類方法。方法首先采用CNN對遙感圖像進行預分類,并將其類成員概率定義為CRF模型的一階勢函數(shù);然后利用高斯核函數(shù)的線性組合定義CRF模型的二階勢函數(shù),用全連接的鄰域結(jié)構(gòu)代替常見的4鄰域或8鄰域;接著加入?yún)^(qū)域約束,使用Mean-shift分割方法得到超像素,通過計算超像素的后驗概率均值修正各像素的分類結(jié)果,鼓勵連通區(qū)域結(jié)果的一致性;最后采用平均場近似算法實現(xiàn)整個模型的推斷。結(jié)果選用3組高分辨率遙感圖像進行地物分類實驗。本文方法不僅能抑制更多的分類噪聲,同時還可以改善過平滑現(xiàn)象,保護各類地物的邊緣信息。實驗采用類精度、總體分類精度OA、平均分類精度AA,以及Kappa系數(shù)4個指標進行定量分析,與支持向量機(SVM)、CNN和全連接CRF相比,最終獲得的各項精度均得到顯著提升,其中,AA提高3.28個百分點,OA提高3.22個百分點,Kappa提高5.07個百分點。結(jié)論將CNN與CRF兩種模型融合,不僅可以獲得像元本質(zhì)化的特征,而且同時還考慮了圖像的空間上下文信息,使分類更加準確,后加入的約束條件還能進一步保留地物目標的局部信息。本文方法適用于遙感圖像分類領域,是一種精確有效的分類方法。
[Abstract]:Objective to further improve the classification accuracy of remote sensing images, a new classification method is proposed by combining the two models of convolution neural network (CNN) and conditional random field (CRF). Methods the remote sensing images were preclassified by CNN, and the probability of their class members was defined as the first-order potential function of the CRF model, and then the second-order potential function of the CRF model was defined by the linear combination of Gao Si kernel function. Then the region constraint is added to obtain the super-pixel by using Mean-shift segmentation method, and the classification results of each pixel are corrected by calculating the posterior probability mean of the super-pixel. Finally, the mean field approximation algorithm is used to infer the whole model. Results three groups of high resolution remote sensing images were used to classify ground objects. This method can not only suppress more classification noise, but also improve the over-smoothing phenomenon and protect the edge information of all kinds of ground objects. Compared with support vector machine (SVM) and fully connected CRF (CRF), the experimental results show that the accuracy obtained is significantly improved compared with the four indexes of class accuracy, total classification accuracy, average classification accuracy and Kappa coefficient. Among them, AA increased 3.28%, OA increased 3.22% and Kappa increased 5.07%. Conclusion the fusion of CNN and CRF models can not only obtain the essential feature of pixel, but also consider the spatial context information of image, so that the classification can be more accurate. The constraint condition can further preserve the local information of the object. This method is applicable to the field of remote sensing image classification and is an accurate and effective classification method.
【作者單位】： 南京理工大學計算機科學與工程學院;公安部第三研究所;
【基金】：國家自然科學基金項目(61371168) 江蘇省科技支撐計劃基金項目(BE2014646) 南京市科技計劃基金項目(201505026)~~
【分類號】：TP751

【相似文獻】

相關期刊論文 前10條

1 黃寧,劉小軍,朱敏慧,張守融;遙感圖像分類技術研究[J];測試技術學報;2001年02期

2 劉慶生,劉高煥,藺啟忠,王志剛;基于邏輯斯蒂模型的遙感圖像分類[J];國土資源遙感;2001年01期

3 譚衢霖,邵蕓;雷達遙感圖像分類新技術發(fā)展研究[J];國土資源遙感;2001年03期

4 杜鳳蘭,田慶久,夏學齊;遙感圖像分類方法評析與展望[J];遙感技術與應用;2004年06期

5 李石華,王金亮,畢艷,陳姚,朱妙園,楊帥,朱佳;遙感圖像分類方法研究綜述[J];國土資源遙感;2005年02期

6 付小勇;楊建祥;譚靖;;基于統(tǒng)計的遙感圖像分類方法[J];林業(yè)調(diào)查規(guī)劃;2005年06期

7 王一達;沈熙玲;謝炯;;遙感圖像分類方法綜述[J];遙感信息;2006年05期

8 李華;曹衛(wèi)彬;劉姣娣;;土地監(jiān)測中提高遙感圖像分類精度的方法研究[J];安徽農(nóng)學通報;2008年22期

9 岳昔娟;張勇;黃國滿;;改進的直方圖均衡化在遙感圖像分類中的應用[J];四川測繪;2008年04期

10 曾聯(lián)明;吳湘濱;劉鵬;;感興趣區(qū)域遙感圖像分類與支持向量機應用研究[J];計算機工程與應用;2009年06期

相關會議論文 前3條

1 周軍其;張紅;孫家b，

本文編號：1807316