高分遥感影像分类中卷积神经网络的应用

高分遥感影像分类中卷积神经网络的应用

蔡金凤

广东省国土资源测绘院广东广州510000

摘要：遥感影像在很多领域都发挥着不容忽视的作用，科学技术的发展不仅使得遥感影像的分辨率越来越高，对于影像分类也提出了更高的要求。在这种情况下，以往高分遥感影像分类算法的计算精度逐渐无法满足分类要求，需要对算法进行改进和创新。基于此，本文提出了卷积神经网络分类算法，能够有效减少图像分类处理过程中比例缩放、平移等变形所引发的误差问题，提升分类精度。

关键词：高分遥感影像；分类；卷积神经网络；应用

前言

遥感技术自产生之日起，就受到了广泛的关注，在许多行业和领域都有应用，遥感影像可以通过像元值或者亮度值的数值差异和空间变化来对不同地物进行表示，这也是区分不同影像地物的基础。遥感影像分类常见的分类方法包括监督分类、半监督分裂、非监督分类等，但是这些方法在面对一些复杂信号时，并不能发挥出预期效果，需要引入更加完善，更深层次的结构模型，对复杂类型的信号进行处理。

1卷积神经网络概述

卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种深度前馈人工神经网络，存在于网络中的人工神经元能够响应周围单元，实现对于大型图像的处理，产生于上世纪六十年代，也是当前图像科学研究的热点之一，其本身可以直接输入原始图像，不需要进行复杂的前期预处理，在模式分类等领域有着广泛的应用。

可以将CNN看做一种典型的深度学习模型，在网络结构方面，CNN更加接近生物的神经模型。CNN实现了深度学习方法和人工神经网络的有机结合，采用基于梯度的改进反向传播算法来实现对于网络权重的训练，通过深度学习多层过滤器网络结构和过滤器、分类器的结合，形成了全局训练算法，能够有效降低网络模型复杂度，减少权值数量，在语音分析、图像识别等领域得到了广泛应用。CNN可以利用空间关系来降低需要学习的参数数量，提升一般前向BP算法的训练性能，其特征监测层能够结合训练数据展开学习[1]，从而避免了显式特征提取，可以直接从训练数据中学习特征，若同一特征映射面的神经元存在相同权值，还可以实现并行学习，这也是CNN的一大优势。在CNN中，图像的局部感受区域是层级结构的最低层输入，信息会依次传输到其它层，每一层都会经过数字滤波器，对数据最显著特征进行提取。通过这样的方式，能够获取对缩放、平移等不变的观测数据的显著特征，在多维图像输入时，图像能够直接作为网络输入，避免了特征提取和分类环节的数据重建工作。

现阶段，对于CNN的研究主要集中在以下三个方面：一是网络结构，CNN的网络结构相当复杂，训练需要花费大量的时间，因此，对于同一个数据集，如何才能找到最佳的网络结构，或者能否找出一种面对不同数据集都具备分类性能的网络结构，是相关人员研究的热点。例如，对于一种结构可变的CNN构建方法，可以从每层仅有单个卷积核的简单网络结构开始，逐渐在网络层中在增加新的卷积神经元，对新增连接权重进行修改，待达到预期目标后结束训练[2]；二是系统硬件，CNN具备极强的并行处理能力，因此在系统硬件实现方面存在很大优势，可以设计专门的大规模集成电路，配合CUDA与GPGPU的并行计算能力，促进训练算法速度的提高；三是网络应用，在不断的发展过程中，CNN在物体识别、物体检测等领域得到了广泛应用，以静态图像识别为例，CNN表现出了相当优越的性能，并且能够在视频数据识别方面进行延伸。

2高分遥感影像分类中卷积神经网络的应用

CNN最早出现了1980年，经过三十多年的发展，在语音识别、图像处理等方面有着自身独特的优越性。在图像和语音识别等相关任务中，经由多层反向传播网络训练得到的神经网络，可以从大量训练样例中，找出更加价值的信息，完成对于多维、复杂、非线性分类曲面的学习。传统模式识别模型中，一般都是采用相应的手工设计特征提取器，对输入数据中的有用信息进行收集，将一些无关变量删除后，得到特征变量，然后利用可训练分类器，实现对于特征变量的分类识别。在这样的模式下，标准全连接多层网络同样能够作为分类器使用，若取消特征抽取器，直接将原始数据输入，凭借反向传输算法，可以将最初的数层网络训练成特诊提取器，同样可以经由标准全连接神经网络实现[3]。不过，在实现过程中，同样可能存在不少问题：一是普通图像和声音频谱数据偏大，包含数百甚至数千变量，在全连接网络中，如果第一个隐藏层包含了100个隐藏单元，则仅在其与输入层之间，就可能存在数万个权重，在缺乏足够数量训练样例的情况下，很容易引发过度拟合问题；二是全连接网络中并不会考虑输入数据的特点，以图像识别任务为例，若其中一幅图像相对与另一幅图像仅出现极小的位移，其他结构完全相同，全连接网络并不能对相应的信息进行补助，也无法依照这样的数据特征对训练过程进行优化；三是全连接网络对于训练数据的局部性完全无视，事实上，在图像与声音频谱数据中，都存在较强的一维或二维局部结构，CNN能够通过局部感知区域、空间降采样、共享权重等方式，对数据本身的局部性特诊进行充分利用，实现网络结构优化，在一定程度上保证位移和变形的不变性[4]。

这里通过共享权值和网络结构充足的方式，将特征学习融入到多层神经网络中，确保整个网络能够通过反向船舶算法，得到优化训练，为高分遥感影像分类提供支撑。CNN可以分为卷积层、子采样层和全连接层，每一层都包含多个二维平面，每个平面由多个独立神经元构成。卷积层中的每一个神经元都会对应上一层的一个局部区域，并与之连接，可以将其看做局部特征检测器，使得每个神经元都可以对初级视觉特征进行提取，这样的局部连接能够减少网络参数，为训练提供便利。在高分辨率遥感影像分类中，CNN训练分为两个阶段，一是向前传播阶段，需要从样本集中，抽取一个样本（X，Yp），将X输入网络，从输入层经逐级变换后进入输出层，计算实际输入，存在

二是向后传播阶段，或者说误差传播阶段，对上述实际输出与理想Op与理想输出Yp的差异进行计算，依照最小化误差方法，对权值矩阵进行调整。

在高分遥感影像分类中，卷积神经网络的之所以能够得到有效应用，一方面是因为其每个神经元的输出很少，使得梯度能够在尽量多的层中进行传播；另一方面则是因为分层局部连接结构本身属于较强的先验结构，非常适合计算机视觉任务，若整个网络参数处于合适区域，则基于梯度的优化算法能够取得非常好的学习效果[5]。

3结语

总而言之，将卷积神经网络应用到高分遥感影像分类中，能够促进分类质量和分类效率的提高。对照传统分类算法，卷积神经网络分类算法的总体精度明显更高，表明其在高分遥感影像分类中有着良好的应用效果，能够为遥感图像的处理提供技术支持。

参考文献

[1]王植，孙林，顾文剑，等.基于卷积神经网络的高分遥感影像多标签分类[A].高分辨率对地观测学术年会，2017.

[2]刘雨桐，李志清，杨晓玲.改进卷积神经网络在遥感图像分类中的应用[J].计算机应用，2018，38（4）：949-954.

[3]何小飞，张佳兴，陶超，等.联合显著性和多层卷积神经网络的高分影像场景分类[J].测绘学报，2016，45（9）：1073-1080.

[4]万里红，方涛，姚相坤，等.基于多结构卷积神经网络的高分遥感影像飞机目标检测[J].计算机工程，2017，43（1）：259-267.

[5]吴正文.卷积神经网络在图像分类中的应用研究[D].电子科技大学，2015.