首页 > 论文 > 光学学报 > 36卷 > 4期(pp:0428001--1)

基于深度学习的高分辨率遥感影像分类研究

High Spatial Resolution Remote Sensing Image Classification Based on Deep Learning

  • 摘要
  • 论文信息
  • 参考文献
  • 被引情况
  • PDF全文
分享:

摘要

针对高空间分辨率遥感影像的分类问题,提出了基于深度学习的分类方法。该方法通过非下采样轮廓波变换计算影像的纹理特征,利用深度学习的常用模型—深度信念网络(DBN)对高分辨率遥感影像进行了基于光谱-纹理特征的分类,并与基于单源光谱信息的DBN 分类方法、支持向量机(SVM)分类方法、传统神经网络(NN)分类方法进行了比较分析。研究结果表明:相对于单源光谱信息,利用影像的光谱-纹理特征能够有效提高高分辨率遥感影像的分类精度;相对于SVM、NN 等分类方法,DBN 能够更加准确地挖掘高分辨率遥感影像的空间分布规律,提高分类的准确度。

Abstract

A classification method based on deep learning is proposed for the classification of high spatial resolution remote sensing images. The texture features of the images are calculated through nonsubsampled contourlet transform, the deep learning common model- deep belief networks (DBN) are used to classify the high spatial resolution remote sensing images based on spectral and texture features. The proposed method is compared with the DBN classification method based on single spectral information, the support vector machine (SVM) method and the traditional neural network (NN) classification method. Experimental results show that comparing with the single spectral information, the use of spectral and texture information can effectively improve the classification accuracy of high spatial resolution remote sensing images, and comparing with methods of SVM and NN, the DBN method can accurately explore the distribution law of the high spatial resolution remote sensing images and improve the accuracy of classification.

广告组1 - 空间光调制器+DMD
补充资料

中图分类号:TP751.1

DOI:10.3788/aos201636.0428001

所属栏目:遥感与传感器

基金项目:国家自然科学基金项目(41171224,41301386)、中央高校基本科研业务费专项资助(310826161009)

收稿日期:2015-09-21

修改稿日期:2015-12-04

网络出版日期:--

作者单位    点击查看

刘大伟:长安大学地测学院, 陕西 西安 710054武警工程大学信息工程系, 陕西 西安 710086
韩玲:长安大学地测学院, 陕西 西安 710054
韩晓勇:长安大学地测学院, 陕西 西安 710054

联系人作者:刘大伟(wjmicheal@163.com)

备注:刘大伟(1980—),男, 博士研究生,主要从事遥感图像处理方面的研究。

【1】Luo B, Zhang L. Robust autodual morphological profiles for the classification of high-resolution satellite images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(2): 1451-1462.

【2】Pacifici F, Chini M, Emery W J. A neural network approach using multi-scale textural metrics from very high-resolution panchromatic imagery for urban land-use classification[J]. Remote Sensing of Environment, 2009, 113(6): 1276-1292.

【3】Huang X, Zhang L. An SVM ensemble approach combining spectral, structural, and semantic features for the classification of highresolution remotely sensed imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(1): 257-272.

【4】Liu C, Hong L, Chen J, et al.. Fusion of pixel-based and multi-scale region-based features for the classification of high-resolution remote sensing image[J]. Journal of Remote Sensing, 2015, 19(2): 228-239.

【5】Bengio Y. Learning deep architectures for AI[J]. Foundations and Trends in Machine Learning, 2009, 2(1): 1-127.

【6】Bottou L. Large-scale kjernel machines[M]. Cambridge: MIT Press, 2007: 321-359.

【7】Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J]. Science, 2006, 313(5786): 504-507.

【8】Yu D, Deng L. Deep learning and its applications to signal and information processing[J]. IEEE Signal Processing Magazine, 2011, 28 (1): 145-154.

【9】Jones N. The learning machines[J]. Nature, 2014, 505(7842): 146-148.

【10】Yu Kai, Jia Lei, Chen Yuqiang, et al.. Deep learning: Yesterday, today and tomorrow[J]. Journal of Computer Research and Development, 2013, 50(9): 1799-1804.
余凯, 贾磊, 陈雨强, 等. 深度学习的昨天、今天和明天[J]. 计算机研究与发展, 2013, 50(9): 1799-1804.

【11】Hinton G. Training products of experts by minimizing contrastive divergence[J]. Neural Computation, 2002, 14(8): 1771-1800.

【12】Jin Jing, Zou Zhengrong, Tao Chao. Compressed texton based high resolution remote sensing image classification[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(5): 493-499.
金晶, 邹峥嵘, 陶超. 高分辨率遥感影像的压缩纹理元分类[J]. 测绘学报, 2014, 43(5): 493-499.

【13】Do M N, Vetterli M. The Contourlet transform: An efficient directional multiresolution image representation[J]. IEEE Transactions on Image Processing, 2005, 14(12): 2091-2106.

【14】Cunha A L, Zhou J, Do M N. The nonsubsampled contourlet transform: Theory, design, and applications[J]. Image Processing, IEEE Transactions on, 2006, 15(10): 3089-3101.

【15】Zhou J, Cunha A L, Do M N. Nonsubsampled contourlet transform: Construction and application in enhancement[C]. Image Processing, 2005. ICIP 2005. IEEE International Conference on, IEEE, 2005, 1: 469-472.

【16】Wu Xiaoyue, Guo Baolong, Tang Lu, et al.. A new adaptive image denoising method based on the nonsubsampled Contourlet transform algorithm[J]. Acta Optica Sinica, 2009, 29(8): 2147-2152.
武晓玥, 郭宝龙, 唐璐, 等. 一种新的基于非下采样Contourlet变换的自适应图像去噪算法[J]. 光学学报, 2009, 29(8): 2147-2152.

【17】Zhou Jinghong, Zhou Cui, Zhu Jianjun, et al.. A method of super-resolution reconstruction for remote sensing image based on nonsubsampled Contourlet transform[J]. Acta Optica Sinica, 2015, 35(1): 0110001.
周靖鸿, 周璀, 朱建军, 等. 基于非下采样轮廓波变换遥感影像超分辨率重建方法[J]. 光学学报, 2015, 35(1): 0110001.

【18】He Yongcong, Liu Wenbo, Zhang Gong, et al.. Rotation-invariant texture image retrieval algorithm based on non-subsampled Contourlet transform[J]. Journal of Image and Graphics, 2011, 16(1): 79-83.
何永从, 刘文波, 张弓, 等. 基于NSCT的旋转不变纹理图像检索算法[J]. 中国图象图形学报, 2011, 16(1): 79-83.

【19】Wu Yiquan, Yin Jun, Zhu Li, et al.. Method for improving reconstructed image quality of digital hologram based on SRAD and NSCT[J]. Chinese J Lasers, 2014, 41(2): 0209024.
吴一全, 殷骏, 朱丽, 等. 基于SRAD 和NSCT的数字全息再现像像质改善方法[J]. 中国激光, 2014, 41(2): 0209024.

【20】Zhou Liangji, Li Qingwu, Huo Guanying, et al.. Fase image recognition method based on the NSCT and bionic pattern[J]. Laster & Optoelectronics Progress, 2015, 52(3): 031001.
周亮基, 李庆武, 霍冠英, 等. 基于NSCT和仿生模式的人脸图像识别方法[J]. 激光与光电子学进展, 2015, 52(3): 031001.

【21】Chen Musheng, Cai Zhishan. Study on fusion of visual and infrared images based on NSCT[J]. Laster & Optoelectronics Progress, 2015, 52(6): 061002.
陈木生, 蔡植善. 基于NSCT的红外与可见光图像融合方法研究[J]. 激光与光电子学进展, 2015, 52(6): 061002.

【22】Huang Xin. Multiscale texture and shape feature extraction and object-oriented classification for very high resolution remotely sensed imagery[D]. Wuhan: Wuhan University, 2009: 71-76.
黄昕. 高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D]. 武汉: 武汉大学, 2009: 71-76.

【23】Hinton G. A practical guide to training restricted Boltzmann machines[J]. Momentum, 2010, 9(1): 926.

【24】Roux N L, Bengio Y. Representational power of restricted Boltzmann machines and deep belief networks[J]. Neural Computation, 2008, 20(6): 1631-1649.

【25】Larochelle H, Bengio Y, Louradour J, et al.. Exploring strategies for training deep neural networks[J]. Journal of Machine Learning Research, 2009, 10(1): 1-40.

引用该论文

Liu Dawei,Han Ling,Han Xiaoyong. High Spatial Resolution Remote Sensing Image Classification Based on Deep Learning[J]. Acta Optica Sinica, 2016, 36(4): 0428001

刘大伟,韩玲,韩晓勇. 基于深度学习的高分辨率遥感影像分类研究[J]. 光学学报, 2016, 36(4): 0428001

被引情况

【1】叶珍,白璘,粘永健. 基于Gabor特征与局部保护降维的高光谱图像分类算法. 光学学报, 2016, 36(10): 1028003--1

【2】高贤君,郑学东,刘子潇,杨元维. 基于偏移阴影分析的高分辨率可见光影像建筑物自动提取. 光学学报, 2017, 37(4): 428002--1

【3】李强,王智,崔粲,乐燕思,宋晓佳,孙翀翚,刘彪,吴重庆. 反脉冲时间依赖可塑性学习机制的光学实现. 中国激光, 2017, 44(5): 508002--1

【4】侯榜焕,姚敏立,王 榕,张峰干,戴定成. 面向高光谱图像分类的空谱半监督局部判别分析. 光学学报, 2017, 37(7): 728002--1

【5】董安国,李佳逊,张 蓓,梁苗苗. 基于谱聚类和稀疏表示的高光谱图像分类算法. 光学学报, 2017, 37(8): 828005--1

【6】陈洋,范荣双,王竞雪,吴增林. 结合相位一致和分水岭变换的高分辨率遥感影像分割方法. 激光与光电子学进展, 2017, 54(9): 92803--1

【7】刘 峰,沈同圣,马新星. 特征融合的卷积神经网络多波段舰船目标识别. 光学学报, 2017, 37(10): 1015002--1

【8】陈 洋,范荣双,王竞雪,吴增林,孙汝星. 结合最小噪声分离变换和卷积神经网络的高分辨影像分类方法. 激光与光电子学进展, 2017, 54(10): 102801--1

【9】陆永帅,李元祥,刘 波,刘 辉,崔林丽. 基于深度残差网络的高光谱遥感数据霾监测. 光学学报, 2017, 37(11): 1128001--1

【10】叶 珍,白 璘. 基于主成分分析与局部二值模式的高光谱图像分类. 激光与光电子学进展, 2017, 54(11): 111006--1

【11】魏湧明,全吉成,侯宇青阳. 基于YOLO v2的无人机航拍图像定位研究. 激光与光电子学进展, 2017, 54(11): 111002--1

【12】侯宇青阳,全吉成,魏湧明. 基于认知模型的遥感图像有效飞机检测系统. 光学学报, 2018, 38(1): 111005--1

【13】陈洋,范荣双,王竞雪,陆婉芸,朱红,楚清源. 基于深度学习的资源三号卫星遥感影像云检测方法. 光学学报, 2018, 38(1): 128005--1

【14】方旭,王光辉,杨化超,刘慧杰,闫立波. 结合均值漂移分割与全卷积神经网络的高分辨遥感影像分类. 激光与光电子学进展, 2018, 55(2): 22802--1

【15】刘祖瑾,杨玲,刘祖涵,段琳琳,乔贤贤,龚娇娇. 一种结合深度置信网络与最优尺度的植被提取方法. 激光与光电子学进展, 2018, 55(2): 21001--1

【16】葛乐,钟兴. 基于阴影概率约束的遥感影像建筑物阴影检测. 激光与光电子学进展, 2018, 55(4): 41006--1

【17】刘芳,路丽霞,黄光伟,王洪娟,王鑫. 基于离散余弦变换和深度网络的地貌图像分类. 光学学报, 2018, 38(6): 620001--1

【18】褚晶辉,吴泽蕤,吕卫,李喆. 基于迁移学习和深度卷积神经网络的乳腺肿瘤诊断系统. 激光与光电子学进展, 2018, 55(8): 81001--1

【19】刘坤,苏彤,王典. 基于模糊不变卷积神经网络的遥感飞机识别. 激光与光电子学进展, 2018, 55(8): 82001--1

【20】李振东,钟勇,陈蔓,曹冬平. 基于深度特征的快速人脸图像检索方法. 光学学报, 2018, 38(10): 1010004--1

【21】王权,孙林,韦晶,周雪莹,陈婷婷,束美艳. 动态阈值云检测算法改进及在高分辨率卫星上的应用. 光学学报, 2018, 38(10): 1028002--1

【22】刘峰,沈同圣,娄树理,韩冰. 全局模型和局部优化的深度网络显著性检测. 光学学报, 2017, 37(12): 1215005--1

【23】王书宇,陶声祥,杨钒,艾磊. 基于卷积神经网络的激光距离选通式成像目标识别. 激光与光电子学进展, 2019, 56(2): 21001--1

【24】闫苗,赵红东,李宇海,张洁,赵泽通. 基于卷积神经网络的高光谱遥感地物多分类识别. 激光与光电子学进展, 2019, 56(2): 21702--1

【25】刘心燕,孙林,杨以坤,周雪莹,王权,陈婷婷. 高分四号卫星数据云和云阴影检测算法. 光学学报, 2019, 39(1): 128001--1

【26】刘星,陈坚,杨东方,贺浩. 场景耦合的空对地多任务遥感影像智能检测算法. 光学学报, 2018, 38(12): 1215008--1

【27】王民,樊潭飞,贠卫国,王稚慧. PFWG改进的CNN多光谱遥感图像分类. 激光与光电子学进展, 2019, 56(3): 31003--1

【28】王玉锋,王宏伟,吴晨,刘宇,袁昱纬,全吉成. 基于共同视域的自监督立体匹配算法. 光学学报, 2019, 39(2): 215004--1

【29】谢江荣,李范鸣,卫红,李冰. 基于生成对抗式神经网络的红外目标仿真方法. 光学学报, 2019, 39(3): 311002--1

【30】裴亮,刘阳,高琳. 结合全卷积神经网络与条件随机场的资源3号遥感影像云检测. 激光与光电子学进展, 2019, 56(10): 102802--1

【31】吴晨,王宏伟,袁昱纬,王志强,刘宇,程红,全吉成. 基于图像特征融合的遥感场景零样本分类算法. 光学学报, 2019, 39(6): 610002--1

【32】吴晨,王宏伟,王志强,袁昱纬,刘宇,程红,全吉成. 基于局部保持的遥感场景零样本分类算法. 光学学报, 2019, 39(7): 728001--1

【33】袁立,袁吉收,张德政. 基于DeepLab-v3+的遥感影像分类. 激光与光电子学进展, 2019, 56(15): 152801--1

【34】吴晨,于光,张凤晶,刘宇,袁昱纬,全吉成. 基于词向量一致性融合的遥感场景零样本分类方法. 光学学报, 2019, 39(8): 828002--1

【35】董安国,刘洪超,张倩,梁苗苗. 基于自动编码机的高光谱遥感图像分类. 激光与光电子学进展, 2019, 56(19): 192801--1

【36】王琳琳,刘敬浩,付晓梅. 融合局部特征与深度置信网络的人脸表情识别. 激光与光电子学进展, 2018, 55(1): 11002--1

【37】姚丽莎,徐国明,赵凤. 基于卷积神经网络局部特征融合的人脸表情识别. 激光与光电子学进展, 2020, 57(4): 41513--1

【38】刘洪超,董安国. 基于非局部方式特征融合的高光谱遥感图像分类算法. 激光与光电子学进展, 2020, 57(6): 61017--1

【39】张倩,董安国,宋睿. 基于多特征和改进自编码的高光谱图像分类. 激光与光电子学进展, 2020, 57(8): 81010--1

【40】李积英,杨永红,温强,王燕,杨宜林. 改进SURF在多模MRI乳腺配准算法中的研究. 激光与光电子学进展, 2020, 57(12): 121010--1

【41】崔小曼,于凤芹. 基于条件生成对抗网络的多风格素描-照片生成. 激光与光电子学进展, 2020, 57(18): 181018--1

【42】欧阳光,荆林海,阎世杰,李慧,唐韵玮,谭炳香. 基于卷积神经网络的高分遥感影像单木树种分类. 激光与光电子学进展, 2021, 58(2): 228002--1

您的浏览器不支持PDF插件,请使用最新的(Chrome/Fire Fox等)浏览器.或者您还可以点击此处下载该论文PDF