论文部分内容阅读
遥感影像地物分类作为遥感影像解译的关键问题之一,已受到国内外学者的广泛关注。目前,遥感影像地物分类方法可分为非监督分类和监督分类两大类。监督分类方法从影像中人工选取颜色、纹理、形状等底层特征作为先验知识,往往能得到更高的分类精度。然而,影像空间分辨率的提高使得影像细节增加,导致同类地物的特征相似性减少、不同类地物的特征相似性增大。此时,无论是使用单一特征还是多元特征,影像的底层特征和上层理解之间总是存在着较大的差异,导致人工选取的底层特征难以满足遥感影像地物分类的实际需求。深度学习方法的发展为遥感影像地物分类提供了新思路,其通过多层神经元的自我学习可以从输入数据中获得大量由底层到高层的特征,避免了传统分类方法人工选取特征的局限性。本文在总结国内外相关研究理论与应用成果的基础上,采用深度学习领域的全卷积神经网络模型,以德国波茨坦市部分区域为研究区,使用ISPRSWGII/4公用数据集中的真正射影像和DSM数据,研究全卷积神经网络应用于遥感影像地物分类的可行性和优势,以及利用DSM数据和条件随机场模型引入空间信息约束对分类结果的影响。具体研究内容和取得的成果如下:(1)在现有训练样本的基础上,对训练集数据采取一系列几何变换和辐射变换得到最终的训练集数据,使得训练集规模扩大了8倍,在一定程度上减少了模型训练的过拟合问题。(2)采用全卷积神经网络模型实现了遥感影像地物分类,并对比了其与支持向量机、面向对象的K近邻法、最大似然法的分类结果。实验结果表明,全卷积神经网络在目视效果和定量评价指标上均优于其他三种传统分类方法,是一种具有应用潜力的遥感影像地物分类方法。(3)将DSM数据加入训练集数据参与模型训练。实验结果表明,加入DSM后的分类结果在目视效果和定量指标上均有明显提升,且得到的分类模型的ROC曲线明显优于未加入DSM时的模型,验证了高程信息对于改善分类效果的有效性。(4)利用条件随机场模型对遥感影像地物分类结果进行优化,并使用不同的高斯核函数参数进行了多组分类实验,确定了最佳的参数组合。实验结果表明,条件随机场模型对分类结果具有一定程度的边缘平滑效果和去噪效果。