基于深度學(xué)習(xí)的遙感圖像土地分類研究＊

張 凱，于 航

(1.長春財經(jīng)學(xué)院，吉林 長春 130122；2.吉林農(nóng)業(yè)大學(xué))

0 引言

遙感技術(shù)是從遠距離感知目標(biāo)反射或自身輻射的電磁波、可見光、紅外線，對目標(biāo)進行探測和識別的技術(shù)。隨著遙感技術(shù)的不斷發(fā)展，遙感圖像數(shù)據(jù)在各個領(lǐng)域的應(yīng)用也越來越多，在國防和安全建設(shè)、城市規(guī)劃、災(zāi)害監(jiān)測、土地利用、景觀分析、農(nóng)業(yè)遙感等領(lǐng)域均有應(yīng)用廣泛。遙感圖像分類是該領(lǐng)域的一個熱點問題，對圖像信息的獲取具有重要意義。在過去人工視覺方法主要用于圖像解釋，不僅消耗人力、效率低下，而且不能提高準(zhǔn)確性。隨著計算機技術(shù)的發(fā)展，遙感圖像與計算機圖像分類技術(shù)相結(jié)合已經(jīng)取代了人工分類并已成為主流。

目前被廣泛使用的方法有神經(jīng)網(wǎng)絡(luò)和遺傳算法。近年來，遙感圖像采集技術(shù)得以迅速發(fā)展，采集的圖像越來越豐富。如高光譜圖像和包含更豐富特征信息的高分辨率圖像。但豐富的特征信息也給分類帶來了一定的困難，如何合理利用豐富的特征信息實現(xiàn)高效準(zhǔn)確的遙感圖像土地分類是亟待解決的問題.遙感圖像數(shù)據(jù)的總體規(guī)劃和應(yīng)用也越來越完善，監(jiān)測結(jié)果和數(shù)據(jù)需要更加全面和準(zhǔn)確。因此，對遙感圖像的土地分類提出了一個新的挑戰(zhàn)。本文針對生態(tài)資源利用的視角提出了一種基于深度學(xué)習(xí)的遙感圖像細化土地分類模型。與傳統(tǒng)模式相比，其創(chuàng)新創(chuàng)新總結(jié)如下。

⑴由于單個特征描述和分類的精度不夠高，該模型提取了顏色、紋理、部分、形狀等9 個特征?；谔卣骷増D像融合方法，可以最大程度地保留特征的有效識別信息，提高分類的可靠性。

⑵為了提高遙感圖像土地分類的精度，該模型使用DBN 對融合后的圖像特征進行處理。結(jié)合正向無監(jiān)督分類結(jié)果和標(biāo)簽數(shù)據(jù)，根據(jù)誤差反向傳播規(guī)律對訓(xùn)練網(wǎng)絡(luò)進行微調(diào)，縮短了土地分類時間。

1 分類方法

在實際的圖像分類過程中，可選的訓(xùn)練樣本很少。大多數(shù)深度學(xué)習(xí)模型從不同的訓(xùn)練樣本數(shù)據(jù)集、不同的訓(xùn)練樣本和迭代時間中能夠分析抗干擾和收斂性能，但對不同規(guī)則和不同尺度的圖像分類的適應(yīng)性較差。弗萊徹-里夫斯提出了一種基于遙感圖像分割的CNN 方法，基于CNN 算法的研究在遙感圖像分類領(lǐng)域取得了良好的效果，但很少涉及到土地生態(tài)資源的利用。因此，本文提出了一種基于生態(tài)資源利用角度的深度學(xué)習(xí)的遙感圖像土地細化分類方法，該方法在考慮生態(tài)環(huán)境資源利用的同時，提高了分類的效率和準(zhǔn)確性。

2 數(shù)據(jù)采集與預(yù)處理

2.1 數(shù)據(jù)源

遙感圖像分割的CNN 研究對象選擇吉林省長春市公主嶺地區(qū)2021 年高光譜數(shù)據(jù)，如圖1 所示。使用的主要遙感數(shù)據(jù)為國內(nèi)高分1 號衛(wèi)星，分辨率為2 米全色/8米多光譜。

圖1 長春市公主嶺地區(qū)遙感圖像

2.2 多光譜數(shù)據(jù)預(yù)處理

⑴ 輻射校準(zhǔn)。使用ENVI 軟件對GF-1(高分1 號)遙感圖像進行輻射校準(zhǔn)，將圖像的灰度值轉(zhuǎn)換為傳感器瞳孔處的輻射。ENVI 軟件可以自動選擇不同時間段采集的GF-1 遙感圖像在相應(yīng)時間段內(nèi)發(fā)布的輻射校準(zhǔn)系數(shù)。

⑵大氣校正。電磁波在大氣傳輸過程中被大氣吸收、散射并受到不同程度的干擾。需要對遙感圖像進行大氣校正處理。ENVI 的超立方體(FLASH)模塊的快速視線大氣分析。用于大氣校正，以減少大氣的影響。軟件模塊可自動讀取傳感器中心點的高度、經(jīng)度、緯度、傳感器類型、像素大小、成像時間等信息。設(shè)置成像面積的平均高度、大氣模型和氣溶膠類型，最終得到表面反射率圖像。

3 基于多特征融合的DBN 遙感圖像土地分類技術(shù)

3.1 多功能融合

圖像融合提高了圖像的清晰度和信息內(nèi)容，能夠準(zhǔn)確、可靠、全面地獲取目標(biāo)或場景信息。融合主要分為像素級、特征級和決策級三個層次，本文使用特征級圖像融合的方法是從原始圖像中提取特征信息。特征信息是基于研究者對圖像中研究對象的分析，如車輛、行人和數(shù)字，然后提取出能夠充分表達目標(biāo)的相關(guān)特征信息。與原始圖像相比，基于特征融合信息的目標(biāo)識別和提取的精度將得到顯著提高。通過特征級融合方法可以獲得壓縮后的圖像信息，壓縮后的信息被重復(fù)用于計算機分析和處理。與像素級融合方法相比，減少了內(nèi)存和時間消耗，可以更快地獲得融合結(jié)果。

3.2 分類模型

DBN 是一種概率生成模型，它通過學(xué)習(xí)過程建立了輸入數(shù)據(jù)和標(biāo)簽數(shù)據(jù)之間的聯(lián)合分布。從結(jié)構(gòu)上講，DBN 模型由多層限制玻爾茲曼機(RBM)和頂部組成Softmax 分類器。正確地構(gòu)建DBN 模型是從遙感圖像中準(zhǔn)確、有效地提取陸地類型的關(guān)鍵。合理設(shè)計DBN 模型的框架，如RBM 網(wǎng)絡(luò)的層數(shù)等，可以有效地提高分類化效率。確定合理的DBN模型操作參數(shù)，如學(xué)習(xí)率、正無監(jiān)督學(xué)習(xí)數(shù)量、隱層神經(jīng)元數(shù)量等，可以大大提高分類結(jié)果的準(zhǔn)確性.考慮到該模型的分類效果和訓(xùn)練效率，構(gòu)建了一個網(wǎng)絡(luò)規(guī)范為124-250-250-2的DBN模型。

3.3 算法具體流程

⑴提取了九個特征。方法是采用灰度直方圖和小波變換算法提取了兩種紋理特征。顏色特征通過顏色直方圖和顏色矩獲得。利用矩不變算法得到一個形狀特征，通過求解普查和尺度不變特征變換算法得到三個局部特征。最后，總共得到了九個特征值。

⑵規(guī)范這九個功能，并將數(shù)據(jù)轉(zhuǎn)換為0-1之間。

⑶將九個歸一化特征向量連續(xù)融合，獲得作為DBN 模型輸入的圖像的新特征。充分考慮計算復(fù)雜度和分類精度來確定最終的DBN網(wǎng)絡(luò)模型。

⑷將測試數(shù)據(jù)輸入DBN，使用相同的特征融合方法進行測試，并使用Softmax 方法，完成遙感圖像陸地類型的分類。

4 實驗與分析

實驗在Ubuntu16 上進行訓(xùn)練。系統(tǒng)采用NVIDIAGeForce TitanX 圖形設(shè)備，該設(shè)備共計二個部件，每個部件帶有12GB 顯存。DBN 模型是在開源框架Keras 和TensorFlow 平臺中實現(xiàn)。從圖2 可見，DBN模型的正向訓(xùn)練過程是一個無監(jiān)督的學(xué)習(xí)過程。DBN 模型的每次訓(xùn)練都伴隨著神經(jīng)元之間的權(quán)重和偏差的更新。因此，前向無監(jiān)督學(xué)習(xí)的數(shù)量決定了DBN 模型中每個參數(shù)的更新次數(shù)。訓(xùn)練過程中設(shè)置更積極的無監(jiān)督學(xué)習(xí)，有利于DBN模型更有效地表達輸入神經(jīng)元的特征信息。多重積極學(xué)習(xí)不僅影響了模型的訓(xùn)練效率，也導(dǎo)致了DBN模型的分類結(jié)果。

圖2 積極學(xué)習(xí)時間與分類準(zhǔn)確率之間的關(guān)系

圖3中在保證分類準(zhǔn)確性的同時，推理時間縮短，時間消耗為128ms。即使時間消耗不是最短的，但考慮到速度和精度，所提出的模型也能滿足實際需要。實驗結(jié)果如圖4 所示，根據(jù)遙感圖像得出的土地分類結(jié)果的比較，本文模型(b)較比原有模型(a)精度和速度有明顯提升。

圖3 截取遙感圖像

圖4 根據(jù)遙感圖像得出的土地分類結(jié)果的比較

5 結(jié)論

土地覆蓋類型是生態(tài)環(huán)境觀測的關(guān)鍵和廣泛的研究領(lǐng)域，但形態(tài)受季節(jié)的影響，大多數(shù)分類方法的識別效果并不理想。為此，本文提出了基于生態(tài)資源利用角度基于深度學(xué)習(xí)的遙感圖像土地分類模型，結(jié)合特征級圖像融合方法，對高分一號衛(wèi)星獲得的遙感圖像數(shù)據(jù)進行DBN網(wǎng)絡(luò)模型處理和分析，有效準(zhǔn)確地獲得土地類型。同時，基于Keras 和TensorFlow 平臺，對該模型進行了實驗驗證。結(jié)果表明，當(dāng)隱層神經(jīng)元數(shù)量設(shè)置為280，學(xué)習(xí)率設(shè)置為0.45，前向無監(jiān)督學(xué)習(xí)數(shù)量設(shè)置為120，DBN 模型的分類性能最好。該模型可以對土地類型進行清晰的分類，為遙感領(lǐng)域的深度學(xué)習(xí)提供了技術(shù)支持。