本文選題：遙感圖像分類(lèi) + 深度學(xué)習(xí)　； 參考：《中國(guó)圖象圖形學(xué)報(bào)》2017年09期

【摘要】：目的為進(jìn)一步提高遙感影像的分類(lèi)精度,將卷積神經(jīng)網(wǎng)絡(luò)(CNN)與條件隨機(jī)場(chǎng)(CRF)兩個(gè)模型結(jié)合,提出一種新的分類(lèi)方法。方法首先采用CNN對(duì)遙感圖像進(jìn)行預(yù)分類(lèi),并將其類(lèi)成員概率定義為CRF模型的一階勢(shì)函數(shù);然后利用高斯核函數(shù)的線(xiàn)性組合定義CRF模型的二階勢(shì)函數(shù),用全連接的鄰域結(jié)構(gòu)代替常見(jiàn)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(guò)計(jì)算超像素的后驗(yàn)概率均值修正各像素的分類(lèi)結(jié)果,鼓勵(lì)連通區(qū)域結(jié)果的一致性;最后采用平均場(chǎng)近似算法實(shí)現(xiàn)整個(gè)模型的推斷。結(jié)果選用3組高分辨率遙感圖像進(jìn)行地物分類(lèi)實(shí)驗(yàn)。本文方法不僅能抑制更多的分類(lèi)噪聲,同時(shí)還可以改善過(guò)平滑現(xiàn)象,保護(hù)各類(lèi)地物的邊緣信息。實(shí)驗(yàn)采用類(lèi)精度、總體分類(lèi)精度OA、平均分類(lèi)精度AA,以及Kappa系數(shù)4個(gè)指標(biāo)進(jìn)行定量分析,與支持向量機(jī)(SVM)、CNN和全連接CRF相比,最終獲得的各項(xiàng)精度均得到顯著提升,其中,AA提高3.28個(gè)百分點(diǎn),OA提高3.22個(gè)百分點(diǎn),Kappa提高5.07個(gè)百分點(diǎn)。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(shí)還考慮了圖像的空間上下文信息,使分類(lèi)更加準(zhǔn)確,后加入的約束條件還能進(jìn)一步保留地物目標(biāo)的局部信息。本文方法適用于遙感圖像分類(lèi)領(lǐng)域,是一種精確有效的分類(lèi)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(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院;公安部第三研究所;
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目(61371168) 江蘇省科技支撐計(jì)劃基金項(xiàng)目(BE2014646) 南京市科技計(jì)劃基金項(xiàng)目(201505026)~~
【分類(lèi)號(hào)】：TP751

【相似文獻(xiàn)】

相關(guān)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(lèi)技術(shù)研究[J];測(cè)試技術(shù)學(xué)報(bào);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(lèi)[J];國(guó)土資源遙感;2001年01期

3 譚衢霖,邵蕓;雷達(dá)遙感圖像分類(lèi)新技術(shù)發(fā)展研究[J];國(guó)土資源遙感;2001年03期

4 杜鳳蘭,田慶久,夏學(xué)齊;遙感圖像分類(lèi)方法評(píng)析與展望[J];遙感技術(shù)與應(yīng)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(lèi)方法研究綜述[J];國(guó)土資源遙感;2005年02期

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

7 王一達(dá);沈熙玲;謝炯;;遙感圖像分類(lèi)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(cè)中提高遙感圖像分類(lèi)精度的方法研究[J];安徽農(nóng)學(xué)通報(bào);2008年22期

9 岳昔娟;張勇;黃國(guó)滿(mǎn);;改進(jìn)的直方圖均衡化在遙感圖像分類(lèi)中的應(yīng)用[J];四川測(cè)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(lèi)與支持向量機(jī)應(yīng)用研究[J];計(jì)算機(jī)工程與應(yīng)用;2009年06期

相關(guān)會(huì)議論文 前3條

1 周軍其;張紅;孫家b，

本文編號(hào)：1807316