基于CNN模型的遥感图像复杂场景分类

复杂场景分类对于挖掘遥感图像中的价值信息具有重要意义。针对遥感图像中复杂场景分类，文章提出了一种基于卷积神经网络模型的分类方法，在该方法中构建了8层CNN网络结构，并对输入图像进行预处理操作以进一步增强模型的适应性，且在模型分类器的选择问题上提供了Softmax和支持向量机2种分类器，使其能够自动化提取特征，避免了前期繁琐的图像处理和人工提取特征等过程。
遥感图像场景分类的核心在于图像特征的有效提取。相比于传统的特征提取方法(如局部二值模式、尺度不变特征变换、梯度方向直方图和Gabor滤波器等方法)，CNN具有旋转、平移、缩放不变性，并能够提取更加丰富的高层特征信息，充分降低图像低层视觉特征与高层语义之间的“鸿沟”。
训练过程中，首先将带标签的数据随机分为两类，作为测试数据集和训练数据集，训练数据集输入CNN模型后，经过前向传播得到模型输出，再计算模型输出和实际数据标签的误差，根据误差求导计算梯度，通过反向传播更新网络，如此往复循环便可训练出优化的CNN模型。在对模型训练的过程中，引入了镜像和随机剪裁方法(通过对每个图像进行旋转，然后随机选取位置剪裁n x n 大小作为新的图像数据)来增加样本数据量，以避免过拟合现象。此外，在全连接层采用“dropout”技术随机使用隐含层的某些节点的权重不工作，也能有效地防止过拟合，同时很大程度地降低模型的训练时间。
在对测试集进行分类的过程中，使用基于CNN模型进行遥感图像复杂场景的分类的2种策略：
1.使用Softmax分类器直接对测试数据集进行分类
2.将Softmax替换为采用基于经典核函数径向基函数的SVM分类器，然后使用SVM分类器对CNN模型的层的特征进行分类，从而代替CNN模型的输出层。
展望：在后续的研究中，可以利用高光谱遥感图像，通过引入更多的光谱信息来代替目前的RGB三通道输入，从而实现对目标更为准确的分类与识别。
注：文章选自《基于CNN模型的遥感图像复杂场景分类》张康等