基于多特征融合与深度置信网络的遥感影像分类研究

论文摘要

遥感影像分类是通过遥感分类技术大致区分影像中各类地物,是遥感图像处理的一个重要环节,对国防安全建设、城市规划、灾害监测、景观分析等具有重要意义。常用遥感影像分类方法有监督分类、非监督分类等,这些分类方法可以在一定程度上解决分类识别问题,随着遥感影像获取技术的进步和影像分辨率不断提高,影像包含的纹理信息丰富、特征较多、地物分布复杂,给分类识别增加了困难。因此越来越多的学者对高分辨率影像分类问题进行研究,如何利用这些信息成为了研究的热点。Krizhevsky将深度学习应用于图像识别时分类精度明显高于传统的分类方法。自此,众多学者开始对深度学习进行研究,在图像、语音识别等领域中取得较好效果。深度学习在自然图像识别的成功为其在遥感影像应用提供依据,当前如何将深度学习应用到高分辨率遥感影像中的研究成为趋势。本文以Matlab（R2017b）为实验平台,使用UC MercedLandUse和WHU-RS19数据集,主要研究深度置信网络在高空间分辨率遥感影像分类中的应用。主要研究内容及结论如下:（1）针对高分辨率遥感影像特征繁多,使用单一特征描述分类精度不高等问题,提出了一种多特征与深度置信网络（Deep Belief Network,DBN）结合的分类方法,探讨采用不同影像特征与分类精度的关系。首先分别提取颜色、纹理、局部、形状等共7种特征,然后根据特征排列组合进行融合得到多种特征融合结果,最后通过分类实验对比得到最优特征组合。实验结果表明,并非特征组合类别数越多就会得到更好的分类精度,该方法在UC MercedLandUse数据集和WHU-RS19数据集上实验,得到的最优特征组合结果为后文的分类研究奠定基础。（2）针对多特征融合中存在特征冗余导致遥感影像分类精度不高问题,引入ReliefF算法对最优特征组合进行特征优选。利用ReliefF算法得到各个特征变量的权值,设置不同阈值分别获得不同的特征子集,通过对特征子集与特征全集的分类实验对比分析得出优选结果。实验结果表明,通过ReliefF算法去除冗余特征后的特征子集能够有效提高分类精度,在两个数据集中特征优选后的特征子集分类的精度高于特征全集。（3）为进一步提高影像分类精度,本文提出一种基于线性判别分析（Linear Discriminant Analysis,LDA）与多特征优选的DBN高空分辨率遥感影像分类方法。根据最优特征子集结合LDA特征进行特征融合得到新的特征向量,然后将其作为总特征输入DBN模型中进行影像分类。结果表明该方法对UC MercedLandUse数据集和WHU-RS19数据集进行分类能有效提高分类精度。具体表现为:LDA与多特征优选的DBN分类方法在UC MercedLandUse数据集上的整体精度为89%,在WHU-RS19数据集上的整体精度为87%,与使用多特征优选分类相比整体精度有显著提高,在UC MercedLandUse数据集数据集提高了7%,在WHU-RS19数据集提高了9%。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
•   1.1 研究背景与意义
•   1.2 遥感影像分类国内外研究现状
•     1.2.1 遥感影像分类的主要方法
•     1.2.2 深度学习在遥感影像分类应用的国内外研究现状
•     1.2.3 多特征融合分类研究现状
•   1.3 研究内容和本文结构安排
•     1.3.1 研究内容
•     1.3.2 技术路线
•     1.3.3 本文结构安排
• 2 实验数据
•   2.1 UC Merced-LandUse数据集
•   2.2 WHU-RS19 数据集
•   2.3 数据预处理
•   2.4 评价指标
•   2.5 实验平台
• 3 多特征提取
•   3.1 引言
•   3.2 特征提取
•     3.2.1 纹理特征
•     3.2.2 颜色特征
•     3.2.3 尺度不变特征变换特征
•     3.2.4 不变矩
•     3.2.5 Census变换
•   3.3 本章小结
• 4 基于多特征融合的DBN影像分类
•   4.1 多特征融合
•   4.2 深度置信网络原理
•   4.3 基于多特征融合的深度置信网络
•     4.3.1 多特征融合方式
•     4.3.2 算法流程
•   4.4 基于多特征融合的DBN分类实验
•     4.4.1 多特征融合结果
•     4.4.2 参数设置
•     4.4.3 实验结果与分析
•   4.5 本章小结
• 5 基于多特征选择的影像分类
•   5.1 特征选择
•     5.1.1 特征选择算法分类
•     5.1.2 ReliefF特征选择算法
•   5.2 结合ReliefF特征选择与DBN的分类方法
•   5.3 实验结果与分析
•   5.4 特征优选结果比较
•   5.5 本章小结
• 6 基于LDA与多特征融合的DBN遥感影像分类
•   6.1 LDA特征提取
•     6.1.1 LDA特征提取原理
•     6.1.2 LDA应用
•   6.2 基于LDA与多特征融合的DBN分类方法流程
•   6.3实验
•     6.3.1 参数设置
•     6.3.2 分类实验
•   6.4 实验结果分析
•   6.5 本章小结
• 7 结论与展望
•   7.1 结论
•   7.2 可能的创新点
•   7.3 不足与展望
• 参考文献
• 附录
• 致谢

文章来源

类型: 硕士论文

作者: 乔贤贤

导师: 杨玲

关键词: 分类,遥感影像,深度置信网络,多特征

来源: 河南大学

年度: 2019

分类: 基础科学

专业: 自然地理学和测绘学

单位: 河南大学

分类号: P237

总页数: 83

文件大小: 4704K

下载量: 347