基于神经网络的遥感图像分类算法研究

遥感图像的分类在许多应用中起着重要的作用，包括自然灾害检测、土地覆盖的确定、地理空间物体检测、地理图像检索、植被制图、环境检测和城市规划等研究。在过去几年，遥感技术已经取得了很大的进展，并且由此获取了大量的具有不同图像分辨率、光谱分辨率和时间分辨率的机载和卫星遥感图像。近年来，越来越多的更具有挑战性的遥感场景图像数据集被标注和共享出来，这些数据集往往具有更高的类内变化和更小的类间差异性，图像的分辨率与缩放程度也不尽相同，每类的数据量与场景的类别数也越来越大，这对遥感场景分类算法研究提出了更高的要求。对这些更具挑战性的高分辨率的遥感场景数据集，传统的分类方法无法获得理想的分类精度。因此，如何快速高准确率地对这些遥感影像进行分类是一个非常具有应用要求和技术要求的课题。
基于深度模型的预训练网络模型对遥感场景数据进行分类工作，通过多种预训练网络的融合和应用遥感场景数据对预训练网络进行微调，以提高遥感场景分类的准确率。
CNN的典型架构是由多个级联级组成，一般卷积层和池化层构成了前几个阶段，经过卷积层之后输出特征图，其特征图的每个元素都是通过计算卷积核与输入特征图进行计算得到局部感受野。最后应用softmax函数计算每个类的分数。
对于训练一个高效的卷积神经网络模型而言，充足的训练数据至关重要。训练数据不足时，尤其在训练较复杂的网络模型时，训练集的不足极易使网络发生严重的过拟合。为了减少这种由于数据不足而带来的过拟合问题，文章中采用翻转变换、平移变换、噪声扰动三种数字图像处理的方式，将训练集的图像进而扩充了10倍。
如何高效地学习图像特征表示一直是遥感场景领域的重要问题，对于数据量较小的数据集而言，比较好的特征提取方法是对低级特征进行特征编码和无监督特征学习的方法，但这些方法只能获得中级的特征，并没有很好地表征图像信息。从2012年AlexNet模型开始，深度卷积神经网络在百万级的图像数据集上获得显著的成绩，但这些深层次的卷积神经网络更为复杂，并且因为网络参数数据巨大，需要使用大量的训练数据对网络进行训练。遥感场景数据的规模偏小，远低于百万级数据量，使用这样小数据集进行深层次的卷积神经网络训练是很难实现的，并且过拟合现象很严重。
由于遥感场景图像数据量的局限，无法仅仅依靠小数据集进行训练非常深的、复杂的网络模型，我们可以考虑使用迁移学习的对遥感场景图像进行分类。
注：文章选自《基于神经网络的遥感图像分类算法研究》梁晓旭