基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)和5種不同空間分辨率的遙感影像,對西寧市東部一區(qū)域開展土地覆被分類研究,旨在探索CNN在不同空間分辨率下進(jìn)行影像分類的差異性和對不同地物的提取能力。為提高樣本的選擇效率,引入了窗口滑動(dòng)方法進(jìn)行輔助選樣。研究表明5種不同空間分辨率影像的總體分類精度均達(dá)89%以上,Kappa系數(shù)達(dá)0.86以上,分類精度較高。在所涉及的分辨率尺度范圍內(nèi),空間分辨率越高,CNN分類結(jié)果越精細(xì),并能保持較高的分類精度,表明CNN更適合高空間分辨率影像分類;但同時(shí)影像空間分辨率越高,地物表現(xiàn)出較高的類內(nèi)變異性和低類間差異性,分類精度有降低的趨勢。相比較而言,SPOT 6影像的分類精度最高,同時(shí)窗口滑動(dòng)是一種有效的樣本輔助選擇方法。研究對今后同類工作具有一定的借鑒意義。

【文章頁數(shù)】：10 頁

【部分圖文】：

圖1研究區(qū)位置圖

西寧市地處湟水流域中游河谷盆地，面積為497km2，地理坐標(biāo)為36°12′27″～37°30′09″N,100°47′56″～101°56′49″E，市區(qū)平均海拔2295m，屬于高原大陸性半干旱氣候[11]，湟水河自西向東流經(jīng)市區(qū)。研究區(qū)為西寧市東部的一區(qū)域（圖1），土地利....

圖2卷積運(yùn)算示意圖

卷積層由多個(gè)卷積核構(gòu)成，卷積核通俗地理解為一系列的權(quán)重陣列[17]。卷積運(yùn)算是指將卷積核的每個(gè)權(quán)重與相應(yīng)的影像像元一一對應(yīng)，分別求積后相加。一個(gè)卷積核負(fù)責(zé)提取圖像的一種特征，為了從原始影像中提取到足夠多的特征，一個(gè)卷積層往往含有多個(gè)卷積核。圖2展示了一個(gè)卷積核對影像進(jìn)行卷積運(yùn)算得....

圖3最大池化示意圖

由于卷積為線性操作，無論堆疊多少層，其最終結(jié)果都是經(jīng)線性計(jì)算得到。但現(xiàn)實(shí)世界中很多問題是線性不可分的，為增強(qiáng)CNN的表達(dá)能力，往往會在卷積層之后連接一個(gè)激活函數(shù)，它是一個(gè)非線性函數(shù)，用來學(xué)習(xí)影像的非線性特征，本文采用常見的ReLu函數(shù)[19]作為激活函數(shù)，其函數(shù)圖像見圖4。圖4....

圖4ReLu函數(shù)圖像

圖3最大池化示意圖經(jīng)過若干次的卷積和池化操作后，可以得到一些更高抽象層次的特征圖，將所有的二維特征圖展開拼接為一個(gè)一維向量，作為全連接層的輸入。全連接層的每一個(gè)神經(jīng)元都與前一層的所有像元相連接，一方面可以使用全連接層來擴(kuò)充CNN的容量；另一方面，其主要作用是將學(xué)習(xí)到的抽象特征映....

本文編號：3911392