基于卷積神經(jīng)網(wǎng)絡(luò)的衛(wèi)星遙感圖像區(qū)域識別研究*

胡 瓊

(六安職業(yè)技術(shù)學(xué)院 安徽六安 237158)

在現(xiàn)代社會中，衛(wèi)星遙感圖像識別被廣泛應(yīng)用在民用、軍事領(lǐng)域當中。一般情況下將衛(wèi)星遙感圖像中的區(qū)域分為多個區(qū)域如居民區(qū)、軍事區(qū)等，由于區(qū)域之間交織緊密，所以遙感設(shè)備往往會受到云層、氣流以及電磁波等多種因素的影響，出現(xiàn)識別不清等情況，影響了衛(wèi)星遙感圖像識別的準確性。因此，基于卷積神經(jīng)網(wǎng)絡(luò)的衛(wèi)星遙感圖像區(qū)域識別技術(shù)的出現(xiàn)是必然趨勢，對其進行研究具有十分重要的意義。

1 卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)概述

1.1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展

早在20世紀60年代，基于獨特網(wǎng)絡(luò)結(jié)構(gòu)的神經(jīng)元就得到了社會的關(guān)注，能夠?qū)⒎答伾窠?jīng)網(wǎng)絡(luò)的復(fù)雜性有效降低。1998年，LeCun就根據(jù)此類研究提出了卷積神經(jīng)網(wǎng)絡(luò)的概述。隨著時代不斷進步，有更多的學(xué)者基于卷積神經(jīng)網(wǎng)絡(luò)研究出了更加科學(xué)的模型，并在2015年在大詞匯量連續(xù)語音識別任務(wù)中開始應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)，提出解碼器概念，進一步提升了識別的速度。

1.2 卷積神經(jīng)網(wǎng)絡(luò)的特點

由于卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)構(gòu)造具有一定的特殊性，所以其具備較多的有點，比如具有局部感知、權(quán)值共享、降維等特點。①局部感知：一般情況下，人類認知世界是從局部到全局，而圖像之間存在的空間聯(lián)系也是一種局部現(xiàn)象，而卷積神經(jīng)網(wǎng)絡(luò)能夠連接圖像的局部區(qū)域，將傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中全部連接的參數(shù)數(shù)目有效降低；②權(quán)值共享：在卷積神經(jīng)網(wǎng)絡(luò)當中，其每個局部的神經(jīng)元都會基于圖像區(qū)域?qū)ζ溥M行加權(quán)計算，從而實現(xiàn)權(quán)值共享的目標，讓構(gòu)建的模型能夠?qū)崿F(xiàn)平移且不變性；③降維：池化層的主要特點是為了壓縮區(qū)域內(nèi)的像素塊，讓其成為一個像素點，從而實現(xiàn)圖像縮放，同時也讓整個模型具有圖像不變性特點。

2 遙感圖像識別網(wǎng)絡(luò)的相關(guān)概述

2.1 遙感圖像識別網(wǎng)絡(luò)的設(shè)計

2.1.1選擇激活函數(shù) 用非線性函數(shù)來激活函數(shù)可以促進網(wǎng)絡(luò)擬合精度值，為了保證其檢測精度，可以采用梯度計算方式，讓其具備可微性。實際上，常見的激活函數(shù)有ReLU函數(shù)以及Sigmoid函數(shù)等。有生物科學(xué)家電信號和激活頻率之間存在函數(shù)關(guān)系，傳達了抑制區(qū)域不對稱特征，相關(guān)關(guān)系如圖1所示。

圖1 輸入電信號強度與激活頻率之間生成圖像的相關(guān)關(guān)系圖

由圖1可以看出，沒有對稱的區(qū)域具有較大的突兀性，與Sigmoid函數(shù)之間存在較大的區(qū)別，而與另一個ReLU函數(shù)也具有相似點。ReLU函數(shù)如圖2所示。

圖2 ReLU函數(shù)圖

所以選用的激活函數(shù)為ReLU函數(shù)，其相關(guān)表達式為：

f(x)=max(0，x)

(1)

2.1.2初始化參數(shù) 數(shù)據(jù)模型參數(shù)調(diào)節(jié)在很大程度上影響了卷積神經(jīng)網(wǎng)絡(luò)的效果，其中最重要的就是參數(shù)初始化的過程。首先需要進行權(quán)值初始化，然后再進行偏置初始化。其中權(quán)值初始化時，神經(jīng)網(wǎng)絡(luò)的初始化為：

(2)

式(2)中，N表示輸入數(shù)據(jù)的維度。

有相關(guān)學(xué)者提出了一種比傳統(tǒng)方法的訓(xùn)練效果更優(yōu)的初始化方案，

(3)

式(3)中，F(xiàn)in表示輸入數(shù)據(jù)的維度，而Fout則表示輸出數(shù)據(jù)的維度。

在進行偏置初始化的過程中一般會將其設(shè)置為1，從而能夠在一定程度上讓網(wǎng)絡(luò)訓(xùn)練的速度加快。

2.1.3設(shè)置DropoutDrpout 當中具有特殊隨機性，可以通過實驗分析方式，預(yù)防網(wǎng)絡(luò)神經(jīng)出現(xiàn)運行文體，對應(yīng)的處理人員可以對網(wǎng)絡(luò)神經(jīng)的擬合現(xiàn)象進行預(yù)防，首先需要對Dropout進行訓(xùn)練，將所有輸入的x使用一定的概率將其設(shè)置為0；其次需要正向預(yù)測Dropout，對其進行正向預(yù)測分析，再激活網(wǎng)絡(luò)神經(jīng)元，并將神經(jīng)元進行疊加處理，將數(shù)據(jù)x輸入之后進行平均處理。

2.2 遙感圖像識別網(wǎng)絡(luò)結(jié)構(gòu)

當網(wǎng)絡(luò)結(jié)構(gòu)越深，就說明其包含的參數(shù)越多，要想將其進行擬合也存在較大的困難。在小維度中用LeNet5連接層模型讓該模型的數(shù)據(jù)表達能力有效增強，也就是構(gòu)建出具有2個卷積層、池化層以及全連接層的網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 遙感圖像識別網(wǎng)絡(luò)結(jié)構(gòu)圖

圖3中，在CP2當中輸入4×4的卷積核(32個)與大小為2×2的maxpooling，會得到大小為32×4的特征矩陣。FC1表示擁有100個隱蔽節(jié)點的全連接層，使用的激活函數(shù)為ReLU函數(shù)，當經(jīng)過FC1之后就會得到100維的特征；FC2表示增加的全連接層，該全連接層中包含50個隱蔽節(jié)點，ReLU函數(shù)成為了對應(yīng)的激活函數(shù)，出現(xiàn)了50維特征。

3 實驗方法與結(jié)果

3.1 采集數(shù)據(jù)

實驗中使用的數(shù)據(jù)來自某搜索軟件衛(wèi)星地圖當中的19級圖像，采集隨機區(qū)域內(nèi)的圖像將其切分成25×25像素，并按照其類別不同將其進行劃分，其中主要包括居民區(qū)、綠化區(qū)、公路、土地以及湖泊等五類，每一種類別的圖像為5000張。

3.2 預(yù)處理相關(guān)數(shù)據(jù)

針對衛(wèi)星遙感圖的相關(guān)特點對其分析，相關(guān)數(shù)據(jù)進行預(yù)處理為去霧預(yù)處理和圖像旋轉(zhuǎn)預(yù)處理。①去霧預(yù)處理：因為云層、氣流等因素往往會影響到衛(wèi)星遙感設(shè)備，所以衛(wèi)星遙感設(shè)備拍攝圖片十分模糊，容易出現(xiàn)特征弱化等現(xiàn)象，對應(yīng)方法是采用去霧預(yù)處理，并采用導(dǎo)向濾波算法主要是通過利用導(dǎo)向濾波器將大氣透射率進行優(yōu)化，這種方式不會直接損壞圖片的特征值，可以全面提升圖像的清晰度。②圖像旋轉(zhuǎn)預(yù)處理：因為衛(wèi)星在不斷移動當中，衛(wèi)星遙感拍攝的圖像也會存在一定的角度偏差，并且同一種類型的目標，其方向也存在一定的差別，從而讓模型的識別更加困難。提升圖像的樣本度和清晰指指，可以對相關(guān)數(shù)據(jù)進行旋轉(zhuǎn)，經(jīng)過旋轉(zhuǎn)之后，每種類型的圖片都會增加到20 000張。旋轉(zhuǎn)后的衛(wèi)星遙感圖片如圖4所示。

圖4 旋轉(zhuǎn)后的衛(wèi)星遙感圖片

3.3 實驗的方法

選出4000×2張?zhí)幚韴D，將其作為測試集和驗證集，實驗得出的錯誤率曲線如圖5所示。

圖5 錯誤率曲線圖

3.4 結(jié)果比較

3.4.1傳統(tǒng)方法及兩種卷積神經(jīng)網(wǎng)絡(luò)的識別結(jié)果 傳統(tǒng)的圖像識別算法包括近鄰算法和支撐向量機算法，在預(yù)處理本數(shù)據(jù)集之后對其進行識別和比較，可以得到以下的遙感圖像識別結(jié)果(見表1)。

表1 遙感圖像識別結(jié)果(%)

在本數(shù)據(jù)集上預(yù)處理單全連接層卷積神經(jīng)網(wǎng)絡(luò)和雙全連接層卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)，并識別和比較預(yù)處理前后的數(shù)據(jù)，如表2所示：

表2 單雙層全連接層卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像識別結(jié)果對比(%)

3.4.2分析遙感圖像識別結(jié)果 根據(jù)數(shù)據(jù)對比顯示，傳統(tǒng)的近鄰算法和支撐向量機圖像識別算法在衛(wèi)星遙感圖像的識別功能太差，導(dǎo)致數(shù)據(jù)的分析表征能力不足，不能夠反饋出正常的數(shù)據(jù)，導(dǎo)致了算法結(jié)構(gòu)純在復(fù)雜的處理能力，且其泛化能力也相對不足。隨著科學(xué)技術(shù)的不斷進步，雙層連接優(yōu)于單層連接，提升了深層數(shù)據(jù)的自動學(xué)習(xí)功能具有較好的遙感圖像識別效果，再加深預(yù)處理效果，最終提升了提升識別質(zhì)量。

4 結(jié)語

隨著社會經(jīng)濟的不斷發(fā)展以及科學(xué)技術(shù)的不斷進步，卷積神經(jīng)網(wǎng)絡(luò)用于衛(wèi)星遙感圖像區(qū)域識別是必然趨勢。文章分析了衛(wèi)星遙感圖像的識別以及單卷積神經(jīng)網(wǎng)絡(luò)的識別效果更優(yōu)，若采用“去霧”“旋轉(zhuǎn)預(yù)處理”，可以優(yōu)化整個處理效果。但其還具有較深的提升空間，需要相關(guān)學(xué)者進行更加深入的研究和探討，將卷積神經(jīng)網(wǎng)絡(luò)的作用最大化發(fā)揮出來。