摘 要

卷积神经网络模型是一种典型的深度神经网络模型，因其网络结构由二维平面组成，适用于解决大多数与二维图像相关的问题，特别是图像识别、图像分类任务等，遥感影像地物分类是目前研究比较火热的问题之一。本文首先总结了卷积神经网络的理论基础，推导了网络训练过程中的数学公式，接下来阐述了研究区域遥感影像的数据处理过程，在此基础上将卷积神经网络模型应用于研究区域的遥感分类任务中，设计了一种含有四层（卷积与下采样交替）网络的网络结构模型，并采用C#与matlab混合编程的形式实现了所设计的模型，提供了模型实现的思路以及关键技术，将所设计的模型与常用的matlab软件中神经网络工具进行了性能的比较以及分析，提出了改进建议。该模型在中国武汉光谷区域遥感分类任务中取得了高达72.33%的分类正确率。

关键词：遥感影像分类；深度神经网络；卷积神经网络；混合编程

Abstract

Convolution neural network model is a typical deep neural network model, because its network structure consists of two-dimensional plane, which is suitable for solving most problems related to two-dimensional images, especially image recognition, image classification task, remote sensing image Geological classification is one of the most hot problems.This paper first summarizes the theoretical basis of convolution neural network, deduces the mathematical formula in the process of network training, and then elaborates the data processing process of remote sensing image,on these basis, the convolution neural network model is applied to the study area in the task of remote sensing classification, a network structure model with four layers (convolution and downsampling alternate) is designed, and the model is designed in the form of hybrid programming of C # and Matlab, this paper also provides the idea and key of model realization technology, the design of the model and the commonly used matlab software in the neural network tools for performance comparison and analysis, made recommendations for improvement.This model achieves a classification rate of 72.33% in the remote sensing classification task of Wuhan Guanggu area, China.

Key Words:remote sensing image classification; DNN; CNN; hybrid programming

目 录

第1章 绪论 1

1.1研究背景与意义 1

1.2国内外研究现状 2

1.2.1 深度神经网络模型研究现状 2

1.2.2 遥感影像分类研究现状 2

1.3研究方法与技术路线 3

1.3.1 研究目标 3

1.3.2 研究技术路线 4

1.4研究内容和组织结构安排 5

第2章 神经网络模型的理论基础 6

2.1人工神经网络模型 6

2.1.1感知机模型 6

2.1.2多层感知机模型 7

2.2神经网络模型的训练 8

2.2.1训练过程 8

2.2.2 BP反向传播算法原理 8

2.3 卷积神经网络模型 11

2.3.1网络基本结构 11

2.3.2局部感受野与权值共享概念 11

2.3.3卷积层 12

2.3.4采样层 13

2.3.5全连接层 13

2.3.6卷积神经网络应用于遥感影像分类的优势 14

第3章 研究区域的遥感影像数据预处理 15

3.1研究区域概况 15

3.2遥感影像预分类处理 16

3.3遥感影像精确分类 21

3.4卷积神经网络模型数据制作 22

第4章 卷积神经网络模型结构设计 26

4.1网络模型结构设计 26

4.2激活函数与分类器 28

第5章 基于Matlab与C#混合编程的卷积神经网络模型实现 30

5.1 Matlab与C#介绍以及混合编程原理 30

5.2软件运行环境搭建 31

5.3模型实现框架 32

5.3.1模型整体框架 32

5.3.2网络参数初始化框架流程 33

5.3.3前向传播过程框架流程 34

5.3.4反向传导过程框架流程 36

5.3.5网络训练过程框架流程 37

5.4关键的方法类介绍 38

5.4.1矩阵运算方法类Matrix.cs 39

5.4.2模型实现工具类matTools.cs 41

5.4.3所引用来源于Matlab的方法 42

5.5 网络模型的测试与运行 43

第6章 卷积神经网络模型性能评测与分析 45

6.1模型运行过程性能评测 45

6.2影像分类正确率比较 46

6.3网络参数随机初始化对训练的影响 49

6.4分析与建议 49

第7章 总结与展望 51

参考文献 52

致 谢 53

第1章 绪论

1.1研究背景与意义

对于给定的一张图像，我们人类能快速地描述出这张图像所包含的信息以及隐藏的信息。这是因为人类具有强大的视觉感知能力，从眼睛获取光学信息，传入大脑，经过复杂的“计算”，信息被大脑解析，然后重新组织语言将信息描述出来。图像信息能被解析出来，是因为我们从小不断接触世界中的各类实体，大脑被不断训练，各类实体的特征被我们的大脑所记住。所以当我们观察到给定的图像时，我们能快速提取图像的特征，并将其分类到我们学习到的实体类别中。

然而，对于计算机来说，我们要实现这一过程是特别困难的。计算机的任何计算过程都是由0和1组成的，我们想要通过计算机模仿人脑视觉认知过程，就需要构建一个能由计算机实现的模型。1981年，诺贝尔医学奖获颁发给David Hubel和TorstenWiesel以及Roger Sperry，前两位科学家通过研究小猫的瞳孔区域与大脑皮层神经元的对应关系发现了生物视觉系统的信息处理是分级处理的。这个发现启发人们：大脑对于视觉图像的处理也许是一个不断抽象、迭代的过程。这个生物学上的发现使得计算机人工智能成为可能，也就是说，我们开头说的那种情况，是有可能由计算机实现的。机器学习研究开始席卷全球。