利用PSP Net实现湖北省遥感影像土地覆盖分类.docx
版权申诉
16 浏览量
2022-11-29
17:43:14
上传
评论
收藏 452KB DOCX 举报
遥感影像分类方法是研究土地覆盖及其变化的最重要手段。传统的遥感影像分类方法
有目视解译法、统计分析法、聚类分析法等
[1-3]
。这些方法虽然简单、灵活，但是其局限性
大且花费时间长、解译精度差，已经不适合当今的海量遥感影像分类。之后发展的支持向
量机、决策树和人工神经网络等分类法
[4-6]
，在数据处理的速度上无法满足数据的大尺度和
时效性。
近年来，深度学习的出现为遥感影像分类提供了新方法
[7-9]
。深度学习是一种深层次结
构的神经网络，可以比支持向量机、决策树和人工神经网络等浅层结构模型更好地提取遥
感影像的特征，在影像分类中，取得了比以往更高的精度，有效地推动了遥感影像自动
化、智能化解译的发展。
在深度学习迅速发展之后，全卷积神经网络(fully convolutional network，FCN)使得
图像分割进入了新的阶段，像素不仅能够按照物体类别进行分类，图像分割精度也得到提
升
[10-12]
。目前，基于 FCN 的模型的主要问题是缺乏合适的策略来利用全局场景类别线索，
不能有效地处理场景之间的关系和全局信息。
金字塔场景解析网络(pyramid scene parsing net，PSP Net)是基于 FCN 的语义分割
网络
[13-16]
。它可以将 FCN 的像素预测框架中嵌入困难场景的上下文特征，完整理解场景的
进行，实现对每个像素类别、位置和形状的准确预测，并将局部和全局信息融合在一起，
提出一个适度监督损失的优化策略。
随着国家经济的发展，各类建设用地迅速增多，城市面积急剧扩大，土地覆盖变化剧
烈。Landsat 5 是目前运行时间最长的对地观测卫星，它搭载的专题测图仪(thematic
mapper，TM)为地球提供了近 29 年的成像数据。使用深度学习算法能够对 TM 数据进行
语义分割，更好地实现遥感影像的分类。
本文使用 507 景 900×600 像素的湖北省标准分幅影像，借助 PSP Net 的上下文场景
解析能力，通过模型的泛化和样本的泛化与迭代，获得了湖北省 30 m 分辨率的土地覆盖
分类。
1. PSP Net 的构建
1.1 全卷积神经网络的描述
FCN 能够通过构建多层的卷积层自动提取图像上的特征。FCN 结构和其他神经网络
结构类似
[13, 17]
，分为输入层、隐藏层和输出层，如图 1 所示。输入层有 n 个节点，隐藏层
有 m 个节点，输出层有 q 个节点，输入层和隐藏层间的权重为 R
ki
，隐藏层和输出层间的
权重为 W
jk
。
剩余11页未读，继续阅读
罗伯特之技术屋
- 粉丝: 3675
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
VIP享7折，此内容立减5.97元 开通VIP
相关推荐
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
评论0
最新资源