论文部分内容阅读
高分辨率遥感影像的土地利用分类是土地资源管理领域的基础问题,由于土地利用分类标准受自然和社会因素双重影响,使得不同用地类型信息存在极大的互扰性,而如何进一步提高土地利用的分类精度是目前研究中一直面临的问题。本文从场景级和像素级两种分类尺度对土地利用分类问题进行研究,场景级尺度的分类研究能够提供快速、准确的场景判断功能,在地类检索、违章违建识别、土地资源调查等方面具有潜在应用价值;像素级尺度的土地利用分类能够根据遥感影像自动化完成解译工作,提取目标地类面积等信息,有助于对国土资源和生态环境状况的及时掌握。本文的相关工作也主要围绕场景级和像素级两种尺度的分类任务展开。在场景级尺度的土地利用分类任务中,研究工作围绕增强图像特征表达性和实现更有效的分类开展。采用UC Merced land use数据集对CaffeNet、VGG-S和VGG-F三种CNNs模型全连接层参数进行微调训练,然后将微调后的网络作为特征提取器,将提取到的全连接层输出特征级联后作为图像的最终表达,最后将级联特征输入到mcODM分类器中获得分类结果。该部分研究通过实验验证得出如下结论:(1)多结构卷积神经网路特征级联的方法能够有效弥补单一CNN图像信息提取不足的缺点,增强特征表达性。通过实验对比,多结构卷积神经网络特征级联的方法在UC Merced land use数据集的总体分类精度达到97.55%,相对于单一CNN模型提高了2%-5%。(2)微调CNNs全连接层能够有效改善模型分类性能。在对CaffeNet、VGGS和VGG-F三种CNNs微调的实验中,微调后的分类精度提升范围在3%-5%。在像素级尺度的土地利用分类任务中,为进一步提高分类精度,基于集成学习的思想,将多个U-Net组成并联模型,利用每种土地类型数据集(仅标注目标地类和非目标地类信息)单独对一个U-Net进行训练,并将训练后的U-Net提取结果结合数学形态学进行空间优化,最后将各个U-Net模型的提取结果根据F-measure指标进行评定,根据评定结果确定融合优先级。最后通过实验验证,基于数学形态学的分类后优化方法改善了U-Net分类后存在的“空洞”等现象,经优化后三张测试影像的F-measure指数分别达到92.29%、93.66%和87.96%,较优化前提升幅度为1.3%-1.5%。因此本文针对像素级尺度的分类方法在土地利用类型的小样本数据集训练中具有良好的适用性,能够有效改善分类后出现的碎斑、空洞等问题,证明了该方法的有效性和鲁棒性。