遙感圖像分類一直是遙感領(lǐng)域的研究熱點。對促進國民經(jīng)濟發(fā)展有著巨大的作用。遙感圖像的種類繁多,特性各異,整體呈現(xiàn)出“三多”和“四高”的特性�！叭唷笔侵付鄠鞲衅�、多平臺、多角度,“四高”是指高空間分辨率、高光譜分辨率、高時相分辨率、高輻射分辨率。這些數(shù)據(jù)特性對新算法的提出帶來了新的挑戰(zhàn),多種復雜的數(shù)據(jù)優(yōu)勢各異,如何充分利用其優(yōu)點對遙感圖像解譯是一個充滿希望的課題,即多源數(shù)據(jù)融合解譯。近年來,深度學習作為人工智能領(lǐng)域的核心技術(shù),解決了一系列難題,使得該領(lǐng)域取得了巨大的發(fā)展。本文以深度學習為主要方法,面向多源遙感圖像解譯的問題,進行了深入的研究。按照成像模式,將遙感數(shù)據(jù)分為主動成像數(shù)據(jù)圖像和被動成像數(shù)據(jù)圖像。因為同種成像模式下,數(shù)據(jù)特性相對比較一致。主動成像數(shù)據(jù)圖像包括,SAR圖像,極化SAR圖像和LiDAR數(shù)據(jù)圖像等。被動成像數(shù)據(jù)圖像包括,全色圖像,RGB圖像,多光譜圖像,高光譜圖像等�？v向分析同種成像模式下的數(shù)據(jù)特性和解譯優(yōu)勢,橫向結(jié)合不同成像模式的優(yōu)點,兩者結(jié)合提升對遙感圖像解譯能力。在本文的工作中,充分考慮圖像之間的關(guān)系,構(gòu)建合理、高效的模型,應(yīng)用于多源遙感圖像分類任務(wù),并取得了良好的分類的性能。這些研究成果也被國內(nèi)外同行專家給出了充分的肯定,具體內(nèi)容有:1.針對傳統(tǒng)分類框架,圖像結(jié)構(gòu)信息被破壞了的問題,設(shè)計了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)和矩陣分類器的極化SAR圖像分類的方法,該方法克服了以往算法將二維特征空間結(jié)構(gòu)破壞的弊端,保留了目標的空間特征,提升了極化SAR圖像的分類準確率。該方法創(chuàng)造性的在深度卷積神經(jīng)網(wǎng)絡(luò)中引入了支撐矩陣機,將兩者有機的結(jié)合,針對極化SAR圖像分類問題,建立了新的分類框架。為了驗證算法的性能和魯棒性,我們選取常用的兩個極化SAR數(shù)據(jù)集進行實驗。實驗效果均優(yōu)于其他對比算法,這也驗證了抓取圖像的空間結(jié)構(gòu)信息有助于區(qū)分一些頑固的數(shù)據(jù)點,從而提升模型的判別能力,提升分類的準確率。2.為了提取和保留最原始的極化SAR數(shù)據(jù)信息,設(shè)計了一種基于極化散射編碼和全卷積網(wǎng)絡(luò)的極化卷積圖像分類方法,又稱為極化卷積網(wǎng)絡(luò)。極化散射編碼可以保持散射矩陣的結(jié)構(gòu)信息,避免將矩陣分解成一維矢量。巧合的是,卷積網(wǎng)絡(luò)需要二維輸入,其中極化散射編碼矩陣滿足這一條件。我們設(shè)計了一個改進的全卷積網(wǎng)絡(luò)來對極化散射編碼的數(shù)據(jù)進行分類。為了使實驗更全面、更有效,實驗數(shù)據(jù)集由兩顆衛(wèi)星的四組數(shù)據(jù)組成,對比算法包括傳統(tǒng)方法和最新方法。實驗結(jié)果表明,該算法具有較強的魯棒性和較好的分類效果,分類圖與地面真實標記圖非常接近,分類精度高于對比算法。主要原因在于所提出的算法能夠在原始數(shù)據(jù)中保留圖像的結(jié)構(gòu)信息。實驗結(jié)果也證實了上述推論。通過對比實驗,我們發(fā)現(xiàn)極化散射編碼確實是有效的。對于這種編碼,所設(shè)計的分類網(wǎng)絡(luò)的性能更優(yōu)。3.針對全色圖像和多光譜圖像分類過程繁瑣的情況,設(shè)計了一種基于空譜信息融合的深度多示例學習模型,用于對多光譜和全色圖像進行分類。首先,利用堆棧自編碼網(wǎng)絡(luò)(SAE)從多光譜圖像中提取光譜特征,并利用深度卷積神經(jīng)網(wǎng)絡(luò)從全色圖像中獲取空間特征。然后將兩種特征進行級聯(lián)表示,將其輸入到具有三個完全連接層的融合網(wǎng)絡(luò)中,融合和學習高層特征。最后,使用Softmax分類器對特征進行分類識別。從結(jié)果的可視化分析來看,分類結(jié)果非常接近地面實況圖。該方法取得了滿意的結(jié)果。因此,通過在四個數(shù)據(jù)集上驗證本章算法,展示了其很強的魯棒性,說明本章提出的深度多示例學習框架能夠很好的解決全色圖像和多光譜圖像融合分類的任務(wù)。4.從多視圖角度考慮多源圖像分類問題,提出了一種深度多視圖聯(lián)合學習網(wǎng)絡(luò),用于多源遙感數(shù)據(jù)分類,包括多光譜圖像,高光譜圖像,LiDAR數(shù)據(jù)。高光譜圖像具有豐富的光譜特性,LiDAR圖像可以獲得高度和強度信息。多光譜圖像具有豐富的光譜特性和高分辨率。在所提出的方法中,使用規(guī)范相關(guān)分析來獲得相關(guān)聯(lián)的特征。深度學習架構(gòu)用于處理相關(guān)的功能。還建議使用視圖聯(lián)合池來融合多個視圖特征。同時,我們設(shè)計了實驗并給出了多源數(shù)據(jù)的分類結(jié)果。在所提出的分類基準中,利用空間信息和光譜信息來對圖像進行分類。實驗表明,該方法比傳統(tǒng)方法表現(xiàn)更好。此外,多源遙感數(shù)據(jù)的融合分類提供了更可靠和適用的結(jié)果。5.圖像融合分類通常涉及三個抽象級別,像素,特征和決策。重點關(guān)注了特征級別和決策級別融合的策略,提出了一種新的多源遙感數(shù)據(jù)分類框架,即HSI,LiDAR和VHR RGB數(shù)據(jù)。RGB圖像具有極高的空間分辨率。HSI圖像具有豐富的光譜特性。LiDAR可以獲得高度和強度信息。如何綜合利用這些數(shù)據(jù)來提高圖像判讀效果是一個值得進一步研究的課題。該方法基于深度多級融合,可以綜合考慮多個層次。在實驗中,我們設(shè)計了實驗并給出了不同層次的融合,表明同時信息和異構(gòu)信息同時被利用來對圖像進行分類。本章提出的方法在從多源圖像中發(fā)現(xiàn)高質(zhì)量語義方面比傳統(tǒng)的單級融合方法表現(xiàn)更好。此外,多源遙感數(shù)據(jù)的融合分類提供了更可靠和適用的結(jié)果。綜上所述,本文針對遙感圖像分類的問題,進行了系統(tǒng)的研究,包括主動成像模式下的極化SAR圖像分類問題和LiDAR數(shù)據(jù)圖像分類問題,同時也包括被動成像模式下的全色圖像,多光譜圖像,高光譜圖像分類問題。最終,將兩種成像模式下的圖像進行融合分類,取得了良好的分類性能。
【學位單位】：西安電子科技大學
【學位級別】：博士
【學位年份】：2019
【中圖分類】：TP751;TP18
【部分圖文】：

即主動式成像技術(shù)和被動式成像技術(shù)，（其屮，主動式是指信號由載體上的感應(yīng)器發(fā)逡逑出和接受的成像模式１２＞２＇被動式是指電磁波信號由目標物體本身發(fā)出或者來自太逡逑陽光波在物體上的反射｜２６＇２７１，如圖１．１所示。根據(jù)傳感器感知電磁波波長的區(qū)間，遙逡逑感又可分為可見光一近紅外遙感、紅外遙感及微波遙感等，如圖１．３和表１．１所示；逡逑１．２極化ＳＡＲ圖像分類逡逑ＳＡＲ邋（合成孔徑雷達，ｓｙｎｔｈｅｔｉｃ邋ａｐｅｒｔｕｒｅ邋ｒａｄａｒ）圖像分類是遙感圖像解譯的一個逡逑重要組成部分ｌ２Ｍ（ｌ１。ＳＡＲ圖像也稱為微波遙感圖像，其具有全天時、全天候工作的獨逡逑特優(yōu)勢，不受天氣氣候影響，并且穩(wěn)定地提供高質(zhì)量的觀測數(shù)據(jù)。ＳＡＲ圖像具有多逡逑極化發(fā)射和多極化接收的特性，會產(chǎn)生多極化ＳＡＲ數(shù)據(jù)，生成多極化ＳＡＲ圖像，同逡逑時也會產(chǎn)生全極化ＳＡＲ數(shù)據(jù)，得到全極化ＳＡＲ圖像。全極化ＳＡＲ數(shù)據(jù)擁有更加豐富逡逑１逡逑

邐７００邋＾（ｎｍ）逡逑波長ａ）增加一－逡逑圖１．２遙感圖像成像與電磁波譜的關(guān)系逡逑多光譜圖像，高光譜圖像等。全色圖像和ＲＧＢ圖像具有超高的空間分辨率，能夠提逡逑供目標的細節(jié)紋理信息。多光譜圖像和高光譜圖像具有豐富的光譜信息，能夠反映逡逑不同地物間的光譜特性，呈現(xiàn)出多樣的光譜特性曲線。逡逑光學遙感圖像分類是指通過像素的光譜特性來區(qū)分其類別，因為不同地物間逡逑的光譜曲線是不一樣的，也是像素級的判別分類問題。類似于極化ＳＡＲ圖像分類任逡逑務(wù)。逡逑我國在遙感衛(wèi)星成像方面也取得了長足的發(fā)展，除了遙感系列衛(wèi)星外，還包括逡逑資源系列、環(huán)境系列、中巴系列、高分系列等國產(chǎn)先進的遙感衛(wèi)星。其中，高分衛(wèi)逡逑星家族

ＡｌｅｘＮｅｔ是２０１２年ＩｍａｇｅＮｅｔ競賽冠軍獲得者Ｈｉｎｔｏｎ和他的學生Ａｌｅｘ邋Ｋｒｉｚｈｅｖｓｋｙ設(shè)逡逑計的｜５７］。ＡｌｅｘＮｅｔ將ＬｅＮｅｔ的理念進行改進和完善，把卷積神經(jīng)網(wǎng)絡(luò)的原理擴展到了逡逑即深又寬的網(wǎng)絡(luò)架構(gòu)中，結(jié)構(gòu)如圖１．５所示。ＡｌｅｘＮｅｔ主要包含的創(chuàng)新點包括：（１）采逡逑用ＲｅＬＵ作為網(wǎng)絡(luò)的激活函數(shù)而獲得成功，并通過實驗驗證了其效果，能夠在較深的逡逑網(wǎng)絡(luò)中勝過傳統(tǒng)激活函數(shù)，解決了網(wǎng)絡(luò)較深時出現(xiàn)的梯度彌散問題。（２）在網(wǎng)絡(luò)訓逡逑練階段，提出了邋Ｄｒｏｐｏｕｔ的策略，采用隨機的方式忽略部分神經(jīng)元的響應(yīng)，以此方式逡逑來避免網(wǎng)絡(luò)出現(xiàn)過擬合的現(xiàn)象。Ｄｒｏｐｏｕｔ主要應(yīng)用在網(wǎng)絡(luò)的最后幾個全連接層。（３）逡逑重疊的最大池化也是一個亮點。平均池化用的比較多，ＡｌｅｘＮｅｔ中將其全部改成了最逡逑大池化，其目的是為了避免平均池化所帶來的比較模糊的效果。另外為了提升了網(wǎng)逡逑絡(luò)所提出特征的豐富性，設(shè)置了步長的大小小于池化核，使得池化層的輸出之間能逡逑夠重疊。（４）構(gòu)造了ＬＲＮ層來創(chuàng)建對競爭機制促進局部神經(jīng)元的活動，能夠令響應(yīng)逡逑比較大的值響應(yīng)更大

【相似文獻】

相關(guān)期刊論文 前10條

1 毛穎;;基于目標檢測的多源遙感圖像融合技術(shù)研究[J];無線互聯(lián)科技;2012年08期

2 張寅s

本文編號：2817174