基于python机器学习的遥感图像识别算法(kNN/SVM/CNN/LSTM)

# 基于机器学习的遥感图像识别算法(kNN/SVM/CNN/LSTM) 随着遥感卫星成像技术的提升和机器学习的蓬勃发展，越来越多的研究人员利用机器学习的方法来进行遥感图像识别，取得了很好的效果。在本次作业中，我将利用四种机器学习算法在WHU-RS19数据集上进行遥感图像识别的尝试，这其中既包括传统的kNN和SVM，也包括近年来得到青睐的CNN和LSTM算法。本文的基本结构如下： * 数据集 * WHU-RS19的简单介绍 * 数据集的预处理与索引文档的生成 * kNN * kNN的测试效果 * 分析参数k对kNN的测试效果的影响 * SVM * SVM的测试效果 * 分析学习率和正则化参数对SVM的测试效果的影响 * SVM权值矩阵的可视化 * CNN * CNN的测试效果 * 不同网络结构对CNN的测试结果的影响 * LSTM * LSTM的测试效果 * 分析学习率和dropout值对LSTM的测试效果的影响 * 总结 ## 数据集 ### WHU-RS19的简单介绍 本次遥感图像识别算法采用的数据集是武汉大学提供的WHU-RS19数据集，该数据集包含了机场，海滩，桥，商业区，沙漠，农田，足球场，森林，工业区，草地，山，公园，停车场， 池塘， 港口， 火车站， 住宅区， 河流和高架桥总共19类遥感图像。图像的分辨率大都为600×600，每一个种类大约有50张图像。 <div align=center><img width="260" height="260" src="https://github.com/DICKIEZhu/Machine_learning_remote_sensing/raw/master/figure/bridge_17.jpg"/></div> <div align=center> 图1 bridge_17 </div> <div align=center><img width="260" height="260" src="https://github.com/DICKIEZhu/Machine_learning_remote_sensing/raw/master/figure/footballField_13.jpg"/></div> <div align=center>图2 footballField_13</div> ### 数据集的预处理与索引文档的生成 在原始的数据集中，有4张分辨率不是600×600的图像已被去除。 利用 split_dataset.py 将数据集按照 0.8: 0.2 的比例分为训练集和测试集，分别置于train文件夹和test文件夹中。 利用 generate_txt.py 分别生成训练集和测试集的索引文件，索引文件中包括了图片的路径和图片的标签（0~19）。由于后面的实验在Google Colab上进行，因此我手动统一修改了图片的路径。最后得到的索引文件分别为train.txt和test.txt，其内容如下图所示： <div align=center><img width="320" height="320" src="https://github.com/DICKIEZhu/Machine_learning_remote_sensing/raw/master/figure/traintxt.png"/></div> <div align=center>图3 train.txt</div> 在本次作业中，我采用了4种不同的机器学习方法进行遥感图像识别的尝试，分别是kNN、SVM、CNN和LSTM。以上所有的实验均在Google Colab平台上进行。 ## kNN kNN（k-邻近算法）是最为简单的机器学习算法。在kNN算法中，一个对象的分类是由其邻居的“多数表决”确定的，k个最近邻居（k为正整数，通常较小）中最常见的分类决定了赋予该对象的类别。若k = 1，则该对象的类别直接由最近的一个节点赋予。 ### kNN的测试效果 kNN作为一种最简单的机器学习算法，我并未对其的测试效果报以太大的期望。在本次测试中，我先将k取为1，测试这种最简单的模式下的效果，最终其测试的准确率为16%。