论文部分内容阅读
本文主要研究基于半监督Curvelet压缩卷积模型的遥感图像地物分类问题。近几年,遥感图像数据数量越来越多,包含的信息也越来越复杂。但用于训练模型的人工标记数据量却并没有增多,仅占待分类数据的极少部分。因此使用少量训练样本提取更多相关判别特征以用于表达分类是现阶段遥感图像地物分类的难点之一。本文提出使用Curvelet变换结合金字塔卷积模型作为多尺度,多方向,多分辨率的特征提取器,使用CRF-RF算法作为特征细化分类器,提出使用轻量化卷积网络与奇异值分解的方法对遥感图像进行分类,在保证准确率的情况下极大地减少了模型的参数量和计算复杂度。主要工作如下:1.提出了一种基于CRF-RF和Curvelet卷积模型的极化SAR地物分类方法。该方法通过将Curvelet滤波与卷积模型相结合,构造Curvelet卷积模型,使用该模型作为遥感图像的特征提取器,提取多方向、多尺度,多视角的特征信息。使用CRF-RF结合算法作为特征细化分类器,对Curvelet卷积模型输出的特征进行细致分类,通过形态学算法进行初步分类结果纠正。弥补了卷积神经网络端到端的分类中提取特征单一,并且需要大量训练数据训练网络的缺陷。该模型在多幅极化SAR图像的分类上取得了有效的分类效果。2.提出了一种基于半监督金字塔卷积模型的多光谱图像地物分类方法。该方法使用超像素分割算法与KNN算法相结合对输入像素块中另类像素点剔除,将所得到的像素块作为金字塔卷积模型的输入,将倒置金字塔模型与卷积池化层结合提取图像特征。解决了卷积神经网络固有输入中可能会混杂与中心像素点不同类像素点的问题,同时减弱了深度卷积网络训练过程中丢失信息对分类结果的影响。相比较单一尺度的深度卷积神经网络,半监督金字塔卷积模型能够获取单纯的判别特征,更加鲁棒。该模型在多幅多光谱图像的分类效果上取得了有效的分类效果。3.提出了一种基于SVD轻量化卷积模型的多光谱图像地物分类方法。该方法使用SVD分解将高分辨率图像与低分辨率图像进行数据融合,使用深度分离卷积替代标准卷积,使用全局平均池化层代替与卷积连接的第一层全连接层,使用SVD分解全连接层参数,将得到的分解参数作为全连接层参数的空间表达。在追求制造更深入,更复杂,更高准确性的卷积神经网络时,模型尺寸和参数量方面的问题得到了有效的解决。该模型在多幅多光谱图像的分类上取得了有效的分类效果。