论文摘要
针对卷积神经网络在土地覆盖分类中卷积层尺寸过大问题,研究了一种适用于土地覆盖分类像素级分类的土地覆盖分类模型。以陆地卫星中分辨率影像和快鸟高分辨率影像为实验数据,对比了不同样本尺寸大小和不同分辨率影像对模型分类结果的影响,并与传统的基于光谱特征以及光谱加纹理特征的方法进行对比分析。结果表明,陆地卫星中分辨率影像最佳训练样本尺寸大小为5像素×5像素,过大的样本尺寸在分类结果上会产生较强的滤波效应,减少了分类结果的细节信息,而过小的样本尺寸由于包含信息太少,导致误分严重;陆地卫星中分辨率影像分类结果细碎图斑少,一致性好,可有效减少分类后处理环节;快鸟高分辨率影像最佳训练样本尺寸大小为7像素×7像素,相比陆地卫星中分辨率影像滤波效应得到缓解,细节信息保存更好,精度提升更大,对训练样本尺寸选择更为鲁棒,在总体分类精度上优于基于光谱特征和光谱加纹理特征的分类方法,可以很好地应用于土地覆盖分类。
论文目录
文章来源
类型: 期刊论文
作者: 史路路,郑柯,唐娉,赵理君
关键词: 卷积神经网络,土地覆盖分类,特征层,光谱特征,纹理特征
来源: 遥感信息 2019年03期
年度: 2019
分类: 信息科技,基础科学,工程科技Ⅱ辑
专业: 工业通用技术及设备,自动化技术
单位: 中国科学院遥感与数字地球研究所,中国科学院大学
基金: 国家自然科学基金(2016YFB0501501)
分类号: TP751;TP183
页码: 34-42
总页数: 9
文件大小: 884K
下载量: 253