文摘

针对高分辨率遥感图像的问题有许多特点和分类精度低使用单一特征描述,基于深度的遥感图像土地分类模型学习从生态的角度提出了资源利用率。首先,Gaofen-1卫星获得的遥感图像预处理,包括多光谱和全色数据。然后,颜色,纹理,形状,从图像数据中提取和地方特性,和部件级图像融合方法用于将这些特性实现遥感图像的融合功能。最后,融合图像特征输入到训练深度信念网(DBN)进行处理,并将Softmax获得的土地类型分类器。Keras和TensorFlow平台基础上,提出了模型的实验分析表明,它可以清楚所有土地类型进行分类,和整体的准确性,F1值和推理的分类结果是97.86%,87.25%,和128 ms,分别比其他比较模型。

1。介绍

遥感技术是一种技术观察地面物体检测遥感图像通过不同的工作平台,然后处理遥感信息获取一些动态信息,以获取地面信息(1]。随着遥感技术的发展,越来越多的遥感图像数据在各方面的应用。遥感图像分类是获取图像信息具有重要意义。它已经广泛应用在国防和安全建设、城市规划、灾害监测、土地使用、景观分析、农业遥感等。2,3]。

遥感图像分类是这个领域的一个热点问题。在过去,人工视觉方法大多是用于图像判读。这不仅需要消耗人力,效率低下,但还未能改善准确性4,5]。随着计算机技术的发展,图像分类使用计算机技术结合适当的算法已经取代了手工分类方法和已经成为主流。常用的方法包括神经网络和遗传算法。(6]。近年来,遥感图像采集技术发展迅速,获得图像越来越丰富。如高光谱图像和高分辨率图像包含更丰富的特征信息(7]。然而,丰富的特征信息的分类也带来了一定的困难。如何合理使用丰富的特征信息来实现高效、准确的遥感影像土地分类是迫切需要解决的问题8,9]。同时,遥感图像数据的总体规划和应用也越来越精致,和监测结果和数据需要更全面和准确。因此,提出了一种新的挑战遥感图像土地分类(10]。

针对遥感图像细化的综合应用,遥感影像的土地分类模型基于深度学习从生态的角度提出了资源利用率。与传统模式相比,其创新总结如下:(1)因为单一特征描述和分类的准确性不高,该模型提取9功能,包括颜色、纹理和形状。基于特征级图像融合方法和融合,有效的歧视信息功能可以最大程度保留,并可以提高分类的可靠性。(2)为了提高遥感影像的土地分类的准确性,该模型使用DBN融合图像处理功能。结合无监督分类和标签的结果数据,训练网络是依法调整误差反向传播,从而缩短时间的土地分类。

2。相关研究

遥感图像分类方法通常包括监督分类和非监督分类。然而,传统的遥感图像分类方法的分类精度较低,和手动解释很容易受到主观因素的影响,从而降低分类的可信度(11]。传统分类方法nonartificial分类通常包括特征空间指示克里格(FSIK),传统的参数最大似然(ML),广泛使用的非参数方法支持向量机(SVM),和随机森林(RF)。文献[12)提出了一种基于特征空间的随机模拟分类算法指数模拟。它显示了良好的性能在提高遥感图像分类的精度,但复杂背景下图像分类的性能需要改善。文献[13]针对土地利用在国家森林资源的优先领域,基于卫星图像在三个时期,毫升的方法用于图像监督分类,取得了较高的分类精度。然而,高性能的纯光谱分割基于单个图像像素需要改善。文献[14]研究了多传感器数据融合的土地分类在半干旱的环境中。基于小波变换的多光谱图像分类方法,提出了实现高分类精度。文献[15)提出了一个土地遥感影像分类器基于射频,实现土地的分类图像的复杂背景环境的multidata融合。然而,该算法参数设置更为复杂,这对实际应用是很困难的。

提高分辨率的遥感图像,图像包含各种复杂和多样化的信息,但是传统的方法不能很好地使用各种特性。高分辨率遥感数据的增加和计算机技术的发展,使它可以应用深度学习在遥感图像分类16]。卷积神经网络(CNN), DBN, autoencoder (AE)深度学习的主要模型(17]。文献[18深层学习方式和学习支持向量机方法相比,和CNN的分类方法显示出更好的分类性能。文献[19)提出了一种基于深度学习的遥感图像分割方法。肤浅的学习可以为一个特定的输入输出不同的分类结果,而深度学习可以从浅产出继续学习来提高图像分类的准确性。然而,算法的性能取决于训练样本太多,和可转移性很差。文献[20.)提出了一种多尺度密集网络(MSDN) (HSI)高光谱遥感图像分类。它充分利用不同尺度信息的网络结构和结合了整个网络的规模信息实现二维HSI特征提取与不同的精度水平。然而,它是不可能平衡图像分类下的性能优势和个人因素。文献[21)提出了一种基于Fletcher-Reeves CNN的遥感图像分割方法的情况很少有实际的图像分类过程中可选的训练样本。提出的抗干扰和收敛性能模型分析不同训练样本数据集,不同批号的训练样本,和迭代时间,但它有适应性差和不同的规则和不同尺度的图像分类。上述研究基于CNN算法取得了良好的结果在遥感图像分类领域,但却很少参与生态资源的使用。因此,基于深度学习的遥感图像土地分类方法从生态资源利用的角度,提出了提高分类的效率和准确性而考虑生态环境资源的利用率。

3所示。数据收集和预处理

3.1。数据源

研究对象选择了用2米高的全色/ 8米多光谱数据的该矿Gaofen在金丰区1号,2020年银川,如图1。主要使用遥感数据是国内卫星Gaofen-1 2 m分辨率的全色多光谱/ 8米。

Gaofen-1 (GF-1)卫星高分辨率的地球观测卫星由我的国家推出的中国航天科技集团公司和4月26日,2013年在甘肃酒泉卫星发射中心。卫星配备两个空间分辨率的多光谱分辨率的相机2米全彩色/ 8米,和四个空间分辨率的多光谱宽格式相机16米。GF-1卫星的轨道是在太阳同步轨道上的645.0公里的高度。GF-1卫星的发射冲破我的国家是困难的结合高分辨率和多光谱技术(时间和空间)。不仅发挥了关键作用在延长卫星的寿命,但它也大大加速了高分辨率卫星的研究在中国的发展。国内GF-1卫星的参数如表所示1。

标准产品Gaofen-1卫星主要分为两类:a - level 2 a级。a - level preprocessing-level辐射校正影响产品,包括0级数据的影响数据由数据分析处理,归一化辐射校正、去噪,图像拼接,生成和乐队登记,并提供RPC文件通过卫星在轨数据。2级是初始几何校正的影响产品,包括影响产品由1 a级数据的几何校正和地图投影。

3.2。遥感数据预处理

3.2.1之上。多光谱数据预处理

(1)辐射校准。的软件是用来执行的环境辐射校准GF-1遥感图像,和图像的灰度值转化为学生的光辉的传感器。软件可以自动选择的环境辐射校正系数在相应的时间段发布GF-1遥感图像在不同的时间段。

(2)大气校正。电磁波被吸收、散射和散射的大气传输时通过大气和不同程度的干扰。有必要对遥感图像进行大气校正处理。快速的视线大气分析超立方体(FLAASH)模块,使用的是5.3的环境大气校正减少大气的影响。软件模块可以自动读取传感器高度、经度、纬度的中心点,传感器类型、像素大小、成像时间和其他信息。设置成像区域的平均高度、大气模型,和气溶胶类型,最后得到表面反射率图像。

(3)Orthorectification。首先,使用的反应器文件GF-1映像执行“orthorectification”处理表面反射率图像基于RPC模型。使用的数字高程模型(DEM)是一个ZY-3 DEM空间分辨率的8米。

其次,把ZY-3数字正投影地图(DOM)空间分辨率为2 m作为参考。自动匹配算法是用来执行image-to-image登记处理“orthorectification”结果图像,和30控制点是手动收集检查校正精度。其中,东西方的错误GF-1遥感影像在2018年是4.15米,南北误差是1.25米。2020年,东西方GF-1遥感图像的误差是1.65米,南北误差是2.05米。

3.2.2。全色数据预处理

研究需要融合全色数据以来的2020年9月到多光谱数据分类、GF-1的全色波段图像的这一时期需要预处理。

首先,对全色图像进行辐射校正和大气校正的环境。其次,orthorectify辐射校准后的全色图像。ZY-3民主党也使用,但是ZY-3民主党前采样过量调整像素大小0.8。此外,基于RPC的全色图像orthorectified模型。然后,使用自动图像配准工具一样,ZY-3 DOM作为参考图像。通过自动寻找控制点,建立多项式方程,注册的GF-1全色图像orthorectification纠正后DOM的地理坐标空间形象。最后,环境的融合工具NNDiffuse盘磨用于融合全色和多光谱图像获取高0.8米空间分辨率多光谱遥感图像。

4所示。DBN遥感图像土地分类基于Multifeature融合

4.1。Multifeature融合

图像融合可以提高图像清晰度和信息内容并能准确,可靠,全面获取目标或场景信息。融合主要分为三个层次:像素级、特征级、决策水平。

三个层次之间的最基本的方法是基于进行像素级图像融合。通过进行像素级融合,更详细的信息,如边缘和纹理信息,可以获得,有利于图像的分析和处理。隐藏的目标也可以透露,这有助于判断隐藏的目标点的识别和提取。基于这种方法,更多的信息可以保存原始图像,融合图像的内容和细节也将增加。这种优势是独特的进行像素级融合(22]。但进行像素级图像融合方法也有一些缺点,因为该方法针对像素操作。一个图像包含大量的像素,从而导致计算机计算时间长,不可能很快得到融合结果。如果登记错了,目标和细节的融合图像模糊直接导致伟大的错误23]。

级的图像融合方法从原始图像中提取特征信息。特征信息是基于研究者的分析研究对象的形象,如车辆、行人、和数字,然后提取相关特征信息,可以充分表达的目标。与原始图像相比,目标识别和提取的准确性基于特征融合的信息将会显著提高。压缩图像信息可以通过特性融合方法、重用和压缩信息进行计算机分析和处理。与进行像素级融合方法相比,内存和时间消耗减少,可以获得更快的融合结果。

决策级图像融合是一个融合方法的基于认知的最高水平24]。操作的方法可以有针对性地根据问题的具体要求和做出决定基于获得的特征在特征层面,某些标准,和目标的存在的可能性。在三级图像融合,计算量是最小的,但这取决于之前的水平。因此,与前两个融合方法相比,获得的图像不清楚,真正的实现也是非常困难的。

总之,选择级图像融合算法将提取的多种类型的特性。级的融合可以补充单一特征信息,消除冗余信息。图像特征融合过程如图2。它可以最大化的有效歧视信息特征和分类器的分类决策提供依据。

4.2。分类模型

DBN是一种概率生成模型,建立了输入数据和标签数据之间的联合分布通过学习过程25]。从结构上讲,DBN模型是由多层限制玻耳兹曼机(元)和顶部Softmax分类器。正确地构造DBN模型的关键是准确、高效地从遥感图像中提取土地类型。合理设计DBN模型的框架,比如疟疾行动网络的层数,可以有效地提高分类效率。确定合理的DBN模型操作参数,如学习速率、积极的无监督学习的数量,和隐层神经元的数量,可以大大提高分类结果的准确性(26]。考虑到模型的分类效果和培训效率,DBN模型与网络规范的124-250-250-2了。模型结构如图3。

通过设置一个控制实验和比较模型的分类效率,它是确定遏制层堆叠的DBN模型是两层。疟疾是一种特殊的生成神经网络。一元是一个两层神经网络由一层和一个隐藏层可见。每一层的神经元没有连接,没有自反馈现象层。可见神经元层和隐层神经元完全连接在两个方向上。

分类过程的DBN模型基于进行像素级分类。因此,可见层中的神经元的数量是一样的多光谱数据的维数;即可见层是由132个神经元组成的。提出学习过程的本质的DBN模型特征提取的过程。在疟疾的特征信息映射神经元可见层,遏制的隐层神经元激活概率相同。经过数次培训,可见层神经元的特征可以准确地表达。通过设置实验,确定隐层神经元的数目是280。在这一点上,疟疾可以被视为一个autoencoder中提取的特征信息的可见神经元层。其中,可见层和隐层之间的能量函数表示如下: 在哪里是连接可见层神经元的重量和隐藏层神经元 。 和的偏见是可见层神经元和隐藏层神经元,分别。其中,神经元之间的联合概率分布计算如下:

假设DBN模型的输入值X隐层节点的输出值H,那么重量和偏见更新公式连接神经元隐层和输出层神经元 在哪里之间的区别是DBN模型的实际输出值和输入值的类别。学习速率的DBN模型。

DBN模型的分类过程由两个阶段组成:非监督“逐层初始化”的学习和逆向监督“微调”学习。分类过程如图4。

第一阶段的培训也被称为pretraining过程。向前DBN模型执行培训通过一层初始化学习方法。通过叠加遏制层,地图和转移的特征信息依次输入层数据。该模型有一个Softmax分类器上的遏制。将Softmax分类器接收输出信息的元作为输入信息。将Softmax分类器输出的分类结果提出学习过程通过比较概率分布。将Softmax分类器是由一个多项分布模型。可以理解,逻辑回归分类器面临广义感应多个分类,可用于multiclassification问题。目的是为了遏制的输出信息转化为一个概率分布。将Softmax分类器的数学表示如下: 在哪里是遏制的输出向量。

第二阶段的培训也被称为微调过程。通过pretraining的第一阶段,遏制网络的每一层只能确保这一层的重量达到最优的表达的特征信息的映射层,不能使整个DBN模型的输入信息达到最优。这需要反向传播(BP)算法,结合无监督分类结果和标签数据,根据误差反向传播法从上到下,微调神经元之间的连接权重和偏见在整个DBN模型的每一层一层一层地。整个分类过程极大地抑制了过度拟合现象,这是容易出现在一个BP神经网络,从而获得的参数设置,使DBN模型的误差平方和最小。

4.3。算法流程

4.3.1。Multifeature融合方法

部件级融合算法主要分为三种类型:第一种是功能组合;也就是说,所有的功能都被组合成新功能根据串行和并行方法,如串行和并行融合算法,协方差矩阵方法和基于multifeature直方图的方法。第二个是特征选择。最优的计算方法用于选择最佳分类结果的特征向量的组合特征,如特征融合算法基于遗传算法,人工神经网络和模糊逻辑。第三功能转换,使用数学方法将图像转换成一种新的表达方式,如方法基于复杂的主成分分析,典型相关分析和复杂的独立分量分析。

因为有7个特征选择在这篇文章中,将会有多个组合特征融合,需要许多试验和错误步骤选择最好的特征组合。因此,本文采用一种简单而经典的串行特性融合的方法。多个功能排列组合为一个新特性向量,使用深层信念网络分类基于新的特征向量,最后确定最优特性的组合。具体的融合算法组成一个新特性向量根据端到端方法,然后使用新的特征向量分类和识别。

4.3.2。算法流程

的具体过程提出了DBN分类模型基于multifeature融合(1)九个特征提取。两个纹理特征提取灰度直方图和小波变换算法。三个颜色特征是通过颜色直方图和颜色的时刻。得到一个形状特征的不变矩算法,和三个地方解决人口普查获得的特性和尺度不变特征变换算法。最后,共有9个特征值。(2)正常化9特性和转换数据(0 - 1)。所选的归一化函数 的公式,和分别之前和之后的数据规范化。和数据的最大值和最小值,分别。(3)九归一化特征向量是串行融合获得新特性的图像作为输入DBN模型。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。(4)测试数据输入DBN测试使用相同的特征融合方法,并将Softmax方法用于完成分类的遥感影像土地类型。

遥感图像分类的过程模型基于multifeature融合和DBN图所示5。

首先,DBN模型训练与训练数据集,包括特征提取和融合。然后,测试数据集进行特征提取,包括颜色、纹理、形状、和地方特色。它是融合到训练有素的DBN模型获得的土地类型遥感图像。

5。实验和分析

Ubuntu 16.04系统上的实验训练,使用NVIDIA通用力泰坦X图形设备,设备共有2块,每12 GB的图形内存。和DBN模型实现的开源框架Keras和TensorFlow。

同时,总体精度等指标(OA),回忆(回忆),精密(精度),十字路口联盟(借据)是用来评估该模型的分类性能。其中,OA的比例是正确的像素分类模型的法官。召回率的比例正样本正确分类。精度是分类的比例正样本总样本。借据是真实和分类样本之间的相似性。每一个指标的计算如下:

的公式,TP代表积极的样本阳性样本的分类实例;FP代表负样本作为正样本的分类实例;FN代表正样本为负样本的分类实例;和TN代表负样本为负样本的分类实例。

5.1。分析网络参数调整的影响

通过调整DBN模型的各种操作参数,如隐层神经元的数目、学习速率,和积极的无监督学习,各种参数的影响DBN模型和分类的结果进行了分析。

5.1.1。隐层神经元的数目

通过调整隐层神经元的数量,根据实验条件一致,分类精度当神经元的数量是120,160,200,240,280,320,360,分别进行比较,结果如图所示6。

从图可以看出6的DBN模型的分类精度遥感图像波动变化的隐层神经元的数目。当隐层神经元的数量达到280,分类效果达到最佳,这是97.28。当神经元的数量超过280,DBN模型出现过度拟合,分类精度增加隐层神经元数量减少。

隐层神经元的数目的疟疾行动决定了DBN模型的描述的准确性的特征输入数据。如果隐层神经元的数量被设置过小,输入数据的特征信息不能准确表达。太多的隐层神经元会增加培训时间和整个pretraining过程的复杂性,甚至会出现过度拟合。

5.1.2中。学习速率

DBN模型训练根据随机梯度下降算法,需要引进和学习速率调整训练节奏的训练过程。通过调整学习速率的大小,根据其他实验条件的一致性,学习速率时的分类精度为0.25,0.3,0.35,0.4,0.45,0.5,0.55,0.6,0.65,0.7和0.75进行比较。结果如图7。

从图可以看出7DBN模型的分类精度随学习速率。学习速率较低时,DBN模型的分类精度提高学习速率增加。当学习速率达到0.45,DBN模型的分类精度达到最好的,98.65%。当学习速率超过0.45,DBN模型过度拟合现象,分类精度整体上呈下降趋势。

重量的学习速率决定了步长梯度的方向运动。在DBN模型的无监督学习过程,学习速率主要是负责更新。在反向调整过程中,调整学习速率负责整个模型的收敛速度。它有一个至关重要的对DBN模型的分类精度的影响。此外,较低的学习速率会增加培训结果的可信度,但训练过程需要很长时间。学习速率高将导致连接重量变化太多,这可能会导致训练DBN模型不收敛和输出结果不稳定。

5.1.3。积极的无监督学习

通过调整数量的无监督训练,比较分类精度当训练的数量是30,60岁,90年,120年,150年,180年和210年,结果如图8。

从图可以看出8的DBN模型的分类精度波动的变化数量的无监督学习。当向前学习的数量达到120次,DBN模型的分类精度达到最好的,这是97.61%。当学习的次数超过120次,DBN模型出现过度拟合,和分类精度逐渐减少。

远期DBN模型的训练过程是一个无监督学习过程。每个培训DBN模型是伴随着神经元之间的权重的更新和偏见。因此,远期无监督学习的数量决定了每个参数的更新数量的DBN模型。设置更积极的无监督学习在训练有利于DBN模型来表达更有效地输入神经元的特征信息。然而,多个积极学习不仅会影响模型的训练效率,但也导致DBN模型的分类结果出现过度拟合。

5.2。定性分类结果的比较

使用该模型对遥感图像处理、金丰地区得到的土地分类结果如图9。各种特性介绍了遥感图像。水体是蓝色的,植被是深绿色,亮绿色是耕地,黄色是裸露的土地,粉色的是建设用地,橙色是道路。

从图可以看出9使用DBN模型获得的土地类型非常明显的遥感图像,它提供了理想的支持监测和后续利用生态资源。为了证明该模型的分类性能,它是定性分析和文献[14,19),和三个地方金丰地区土地分类的选择。结果如图10。

从图可以看出10文献[的分类性能14不是令人满意的。由于建设用地的不规则分布和复杂的前景和背景之间的界限,很难提取其特性在这样一个复杂的遥感图像准确的目标识别。在文献[19因为模型的设计遵循一个更大的接受域,识别更关注整体信息,只有正确指出了建设用地,在细节略有不足。该模型全面考虑了特征的遥感图像和集成的各个方面,同时使用的DBN模型分类。因此,建设用地面积明显分为识别结果。虽然有轻微的锯齿状边缘,总的来说,比其他比较模型的分类结果。

5.3。分类结果的定量分析

为了定量分析提出了分类模型的性能,比较它与文献[14,19]。每个评价指标的结果如表所示2。

从表可以看出2的视觉感官和数据验证相对一致。该模型的OA是97.86%,借据是95.09%,2.34%和2.55%高于在文献[19]。文献[14使用小波变换进行图像分类。该方法更传统,难以适用于复杂的遥感图像。因此,借据是88.58%,分类效果不理想。

时间消耗和准确性之间的关系一直是深入学习研究的重点。网络参数的数量和GPU推理时间反映整个网络的时间消耗。为了证明该模型的普遍性,官方的F1指数是用来测量精度在这项实验中,参数数量(Params)和推理的速度图形处理单元(GPU)被用来测量时间消费。结果如表所示3。

从表可以看出3文献[的精度高19是在时间的成本。因为它不执行操作,如降维预处理,网络上有大量的参数为49.83 M。图像分类的时间是290 ms,难以实现效率高。的小波变换模型文献[14)有一个简单的网络,所以参数是只有23.95。推理时间来完成分类仅仅是115毫秒,但整体精度不高。该模型采用图像预处理和特征融合等操作,减少了参数的数量36.02。同时确保分类的准确性,推理时间缩短,消耗的时间是128 ms。即使时间消费不是最短的,但考虑到速度和准确性,该模型能够满足实际的需要。

6。结论

土地覆盖类型的生态环境观测的重要和广泛的研究领域。然而,土地形式受到季节的影响,和大多数分类方法的识别效果并不理想。为此,基于深度的遥感图像土地分类模型学习从生态资源利用的角度,提出了结合部件级图像融合方法和DBN网络模型处理和分析遥感图像数据获得的Gaofen-1卫星获取土地类型有效和准确的。基于Keras和TensorFlow平台,实验证明了该模型。结果表明,当隐层神经元的数量设置为280,学习速度设置为0.45,和远期无监督学习的数量设置为120,DBN模型的分类性能是最好的。,该模型可以清楚地分类类型的土地。OA的结果,F1值,推理时间分别为97.86%,87.25%,和128 ms,分别比其他比较模型,提供技术支持深度学习在遥感领域。

目前,深度学习的主流方法是分析遥感图像,但深度学习的可解释性差的问题一直阻碍了深度学习的速度发展。传统的遥感技术的发展经历了多年,有良好的理论基础和丰富的实际应用。即使准确性不如深学习方法,类似的指数模型和时间序列动态分析模型具有启发意义。在未来,如何使用传统的遥感技术提供更有效的特征输入深度学习网络将大大提高深度学习的泛化能力和分类精度。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。