论文部分内容阅读
近年来,随着卫星传感器和航空摄影技术的飞速发展,高空间分辨率遥感图像的获取手段日益成熟。高分数据提供了地物覆盖类型的详细的几何细节和丰富的纹理特征,同时高分影像上的异类相似和同类异质现象也增加了地物分类的复杂度。传统的基于对象的影像分析(OBIA)的思想的方法很难解决高分影像中“同物异谱”和“异物同谱”现象。卷积神经网络(CNN)伴随着深度学习时代的到来,为从高分影像中提取影像深度特征提供了可能。CNN具有多个隐藏层,这使得其在影像分类中具有较高的鲁棒性。目前,已经有学者提出基于像素的CNN方法用于高分影像分类并且取得了比一般分类器更高分类精度。但是其仍然存在着诸如海量的空间处理单元、像素级别的椒盐现象等问题。为了解决上述存在的问题,本文提出将OBIA与CNN相结合的高分影像遥感分类方法。基于影像块规则输入的要求,本文提出了基于超像素的SEEDS-CNN方法,在分类时采用超像素中心点作为卷积中心。SEEDS-CNN取得了比传统OBIA方法精度更高的分类结果,同时与传统的基于像素的CNN相比,在未损失分类精度的前提下,大大提高了影像的分类效率。但SEEDS-CNN仍然存在着地物边界分类差、超像素级别的椒盐误差和空间处理单元较多的问题。因此,针对SEEDS-CNN存在的上述问题,本文进一步RMV-CNN方法,在分割时采用多尺度分割算法,在每个分割后的对象内生成多个待分类卷积中心,然后利用这些待分类中心在CNN模型中分类,最后分别在各自的区域内进行最大值投票得出最终的分类结果。实验结果表明:(1)基于对象的CNN分类效率远远高于基于像素的CNN;(2)基于对象的CNN的分类精度比SEEDS-CNN与基于像素的CNN要高出大约2%;(3)基于对象的CNN的边界分类效果很好。同时,论文对高分影像分类的尺度效应问题进行了分析与探讨,经过多尺度系列实验,得到分类的尺度效应结论如下:(1)多尺度的分类结果明显优于单尺度的分类结果;(2)基于对象的CNN一定程度上解决了小尺度下的高分辨影像分类的椒盐现象;(3)在极端情况下,单个小尺度的分类结果最佳。