摘 要

卷积神经网络作为遥感影像监督分类方法——神经网络的分支之一，它在图像识别领域有着卓越的天赋，在高空间分辨率的遥感影像地物的分类中，展现出了优于其他监督分类方法的分类精度和可行性，然而，在构造和训练网络的过程中，很多参数的设置都会影响最终形成的网络，并且这些的参数很多都仅限为经验值。本文使用深度卷积神经网络（CNN）对光谷地区的高空间分辨率遥感影像进行地物分类，训练一个适用于光谷地区遥感影像地物分类的卷积神经网络，同时探究卷积神经网络中学习效率和网络层数对遥感影像数据分类结果的影响。在实验中，分别设计了3种不同层数的卷积神经网络，经过大量的实验，训练和测试了在3种不同层数的网络结构下的不同学习效率的网络的分类精度。比较这些网络的分类精度，得到对光谷地区分类效果最好的网络，并且证实了学习效率和网络层数对于分类精度的影响的无规律性，同时，本文总结了在训练过程中学习效率的设置的方法，为后人在训练卷积神经网络时设置学习效率提供参考。

关键词：CNN；学习效率；网络结构

Abstract

Convolution neural network, as one of the branches of neural network, is one of the branches of neural network. It has excellent talent in the field of image recognition. It is superior to other supervisors in the classification of remote sensing images with high spatial resolution. Classification method of classification accuracy and feasibility, however, in the process of constructing and training the network, many parameters of the settings will affect the final formation of the network, and many of these parameters are limited to experience values. In this paper, a deep convolution neural network (CNN) is used to classify the high spatial resolution remote sensing images in the optical valley area, and a convolution neural network for remote sensing image classification in the optical valley area is trained. Effects of Learning Efficiency and Network Layer Number on Remote Sensing Image Data Classification. In the experiment, three kinds of convolution neural networks with different layers are designed. After a lot of experiments, the classification accuracy of different learning efficiency networks under three different layers of network structure is trained and tested. Comparing the classification accuracy of these networks, the network with the best classification effect in the optical valley area is obtained, and the effect of learning efficiency and network layer on the classification accuracy is confirmed. At the same time, this paper summarizes the learning efficiency in the training process Set the method for the future generations in the training of convolution neural network to provide learning efficiency to provide a reference.

Key words:CNN;Learning efficiency; Network structure

目录

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 1

1.3 研究内容及技术路线 2

1.4 论文的组织结构 2

第2章 卷积神经网络 4

2.1 模型概述 4

2.2 卷积神经网络的优势 4

2.3 卷积神经网络的计算 5

第3章 数据预处理 9

3.1 遥感影像概述 9

3.2 遥感影像的目视解译 9

3.3 卷积神经网络的样本制作 10

第4章 基于卷积神经网络的遥感影像分类 13

4.1 Matlab中卷积神经网络的实现 13

4.2 卷积神经网络的设计 19

4.2.1 卷积神经网络之网络结构设计 21

4.2.2 卷积神经网络之学习效率设计 22

4.3 卷积神经网络的训练和测试 23

第5章 卷积神经网络分类结果分析 25

5.1 遥感影像分类结果分析 25

5.1.1 学习效率分析 26

5.1.2 网络结构分析 41

5.2 重构类别后分类结果分析 42

第6章 结论 44

参考文献 45

致 谢 46

第1章 绪论

1.1 研究背景及意义

随着遥感技术的不断进步，遥感影像的空间分辨率越来越高，在生产生活中，我们使用遥感影像解决问题的频率越来越高。在使用遥感影像时，我们不得不解决的问题是辨识遥感影像中的地物类别。对遥感影像地物的正确辨识是我们解决大多数问题的基础。对遥感影像地物的辨识精度越高，解决问题的方法的正确率就越高。对于遥感影像地物的辨识，最古老的方法当然是人工目视解译，这样的解译方法正确率很高，但是效率相当低下。之后，随着科学技术的不断发展，计算机软硬件技术的发展为遥感影像地物的分类提供了便捷之道。目前的遥感影像地物辨识的方法主要是在计算机上人工提取地物特征，如：局部二值模式（LBP）^[1]、梯度方向直方图（HOG）^[2]、Gabor^[3]，然后将这些特征以特征向量的方式输入分类器中进行分类，目前主流分类器有：支持向量机（SVM）^[4],决策树^[5]，AdaBoost^[6]。然而，这些分类方法依旧过度依赖人工的特征提取。因此，提出一种让机器能够自动学习数据自身特征的方法将会大幅度提升遥感影像地物分类的速率，同时避免了人工提取数据特征的主观性。

1.2 国内外研究现状

近年来，随着机器学习理论和方法的不断发展和完善，利用机器学习数据自身特征的方法被不断提出。其中最热门的话题就是基于深度神经网络的机器学习。深度神经网络模型是一种通过模拟动物的神经网络建立的模型。在深度神经网络中，大量的神经元组合成多层次的结构，后一层的神经元能够从前一层的神经元或数据中学习前一层的神经元或数据的特征，基于深度神经网络的分类器相比于其他的浅层网络结构的分类器，诸如基于统计学的支持向量机、模糊聚类、线性自回归、贝叶斯网络，具有自适应环境能力强、泛化能力强的优势。一般，深度神经网络深度越深，学习到的特征就越好。但是普通的深度神经网络由于包含的神经元数量庞大导致计算耗时变大，不利于神经网络的训练，同时，随网络深度的递增，网络会出现梯度弥散问题^[7]，从而导致训练效率下降或得不到好的数据特征，尤其用于遥感影像数据的地物分类中时，由于遥感影像的多波段、数据量大以及地物类型的复杂多变等特性，导致神经元数量和权值数量极其庞大。因此，使用一般的深度神经网络在学习遥感数据特征时计算量大，分类效果差，同时对于计算机软硬件的要求过高。所以，针对遥感数据的地物分类，本文采用深度神经网络中典型的算法——深度卷积神经网络算法，对遥感数据进行分类。深度卷积神经网络突破了深度全连接神经网络计算量大的限制，通过采用权值共享的方法，降低网络训练的计算量。LECUN Y等设计的基于梯度下降算法的CNN网络模型在字符识别任务中具有优秀的性能^[8]，LAUER F等发展了这个网络结构，将之应用于手写数字的识别上并取得了巨大的成功^[9]。在人脸识别领域，LAWRENCE S等使用CNN同样取得了优秀的成果^[10]。TANG J等在遥感图像中的舰船检测中同样使用了CNN^[11]。国内，陈冠宇等在遥感影像中使用CNN对不良地质进行了识别与分类^[12]。刘如意等对于遥感影像中道路的提取同样用到了CNN^[13]。

1.3 研究内容及技术路线

鉴于CNN在图像识别领域的卓越天赋，本文采用CNN对遥感影像中的地物进行识别分类，激活函数采用传统的Sigmoid函数。由于卷积神经网络具有层次化和局部感知区域的结构特征，学习效率、网络层数及卷积核大小等的选择影响到最终分类精度的高低。本文通过大量实验，训练一个基于CNN的用于遥感地物分类的网络结构，同时总结学习效率和网络结构与分类正确率的关系。图1.1所示为卷积神经网络的训练和测试的技术路线图。