摘 要

目前应用于遥感影像分类的方法，在效率与精度上都无法满足当前环境下的分类要求。本文提出了卷积神经网络结合面向对象的遥感技术对遥感影像进行分类，针对光谷地区11类地物实现了56.09%的分类精度。为了达到更好的分类效果，本文探究了样本分类错误的原因，针对水泥地类通过实验对比分析，发现了水泥地类作为样本类别的不合理，对样本类别的选取标准提供了参考。由于卷积神经网络在模型设计与参数调整上存在一定困难，使其无法成为最常用的分类算法。本文尝试在迭代次数，输入数据尺寸与全连接层前特征图尺寸三个方面进行实验，探究它们与分类精度的规律，得到了结果：（1）在一定范围内，迭代次数越多，分类精度越高；（2）当模型结构与参数相同时，输入数据尺寸为128*128的平均分类精度优于96*96；（3）没有得出全连接层前特征图尺寸与分类精度之间的关系。

关键词：遥感影像；分类；卷积神经网络；参数优化

Abstract

At present, the method of remote sensing image classification can not meet the classification requirements in the current environment in terms of efficiency and accuracy. In this paper, the convolution neural network combined with object-oriented remote sensing technology is used to classify remote sensing images, and 56.09% classification accuracy is achieved for 11 objects in Guanggu area. In order to achieve better classification effect, this paper explores the reasons for the classification of the sample classification. According to the comparative analysis of the cement type, it is found that the cement type is unreasonable as the sample category and provides reference for the selection criteria of the sample category. Because convolution neural network has some difficulties in model design and parameter adjustment, it can not become the most commonly used classification algorithm. In this paper, we try to experiment with the three times of the number of iterations, the input data size and the feature map of the whole connection layer, and explore the rules of their classification accuracy and get the result: (1) in a certain range, the more the number of iterations, the higher the accuracy of classification; (2) When the model structure and the same parameters, the input data size of 128 * 128 average classification accuracy is better than 96 * 96; (3) The relationship between the size of the feature map and the accuracy of the classification is not obtained.

Key Words: remote sensing image; classification; CNN; parameter optimization

目 录

第1章 绪论 1

1.1研究背景、目的与意义 1

1.1.1研究背景 1

1.1.2研究目的与意义 1

1.2国内外研究现状 2

1.2.1遥感图像分类研究现状 2

1.2.2卷积神经网络研究现状 2

1.3论文研究内容与组织结构 3

第2章 人工神经网络与卷积神经网络的原理 5

2.1人工神经网络 5

2.1.1神经元 5

2.1.2人工神经网络模型结构 5

2.1.3误差逆传播算法 6

2.2卷积神经网络 8

2.2.1卷积神经网络的模型结构 8

2.2.2卷积神经网络的计算 8

2.2.3卷积神经网络的训练过程 10

2.2.4卷积神经网络的特点 11

2.2.5卷积神经网络的优缺点 12

2.3本章小结 13

第3章 实验数据处理 13

3.1影像数据处理 14

3.1.1研究区概况 14

3.1.2样本处理 14

3.1.3选取样本 22

3.1.4提取样本 24

3.2制作数据集 24

3.3数据标准化 25

3.4本章小结 25

第4章 基于卷积神经网络的遥感影像分类 26

4.1模型结构的设计与相关参数的调整 26

4.2实验结果与分析 27

4.3对比实验与分析 32

4.4卷积神经网络参数调整策略的尝试 33

4.4.1迭代次数的调整 33

4.4.2输入数据尺寸的调整 34

4.4.3特征图尺寸的调整 35

4.5本章小结 36

第5章 总结与展望 37

5.1本文总结 37

5.2展望 37

参考文献 39

致谢 40

第1章 绪论

1.1研究背景、目的与意义

1.1.1研究背景

近年来，由于地理信息技术和对地观测技术的持续发展，人们可以获取的遥感影像分辨率在不断提升，使得高分辨率的遥感影像数据在各行各业的应用越来越广泛。该数据不仅可以被使用在城市规划、资源勘查和土地利用等生产生活领域，也可以被使用在诸如航空航天、国防军事等科学技术领域 ^[1]。如何对高分辨率的遥感影像数据进行适当的处理与充分的分析，从而获取对人类及社会发展有利的信息是当前的研究热点，在信息提取中重要的一个步骤就是对影像数据进行分类处理。而高分辨率遥感影像数据含有较少的光谱特性信息，传统的却较为成熟的遥感影像分类技术诸如K-means均值聚类法、极大似然法和贝叶斯分类器法，对其分类的精度较低；在常用的分类算法中，支持向量机（SVM）、决策树（DT）、随机森林（RF）等浅层结构模型分类算法在处理实际工程问题（如高分辨率遥感影像的分类）时，它们对于些许复杂信号的表达能力具有一定的局限性^[2]。因此，运用卷积神经网络这种深层结构模型结合面向对象的遥感技术，去解决高分辨率遥感影像的分类问题，是一个较为合理的选择。

1.1.2研究目的与意义