推荐星级：
- 1
- 2
- 3
- 4
- 5
基于多尺度特征融合的遥感图像场景分类
资料介绍
为了解决遥感图像场景分类中因样本量小而分类精度不高的问题,提出了一种基于多尺度特征融合(MSFF)的分类方法。首先,对遥感图像进行尺度变换,得到同一遥感源图像的多个不同尺度图像。接着,将其分别输入深度卷积神经网络(DCNN)中进行卷积操作。然后,将各卷积层和全连接层提取出的不同尺度特征进行降维和编码/平均池化操作。最后,将各尺度特征进行编码融合并利用多核支持向量机(MKSVM)进行场景分类。在两个公开遥感图像数据集UCM Land-Use和NWPU-RESISC45中进行试验,分类精度最高分别达到98.91%和99.33%。本文方法能够利用不同尺度的图像特征,结合低、中、高层语义表示,使融合特征的可辨识性更高,同时使用多核支持向量机提高了深度网络学习的泛化能力,因此分类效果更好。
部分文件列表
| 文件名 | 大小 |
| 1577656171基于多尺度特征融合的遥感图像场景分类.pdf | 3M |
部分页面预览
（完整内容请下载后查看）第
卷
第
期
１２
光学 精密工程
ꢀ
２６
ꢀ
Ｖｏｌ．２６ Ｎｏ．１２
ꢀ
ꢀꢀꢀꢀꢀ ꢀꢀꢀꢀ
ꢀꢀꢀꢀꢀ ꢀ
Ｏ ｔｉｃｓａｎｄＰｒｅｃｉｓｉｏｎＥｎｉｎｅｅｒｉｎ
ꢀ ｐ ꢀ ꢀ ꢀ ｇ
ｇ
年
２０１８ １２
月
ꢀ ꢀ
Ｄｅｃ．２０１８
ꢀ
（ ）
１００４９２４Ｘ２０１８１２３０９９０９
－
文章编号
ꢀ
－
－
基于多尺度特征融合的遥感图像场景分类
＊
， ， ，
慕晓冬 王舒洋 马晨晖
杨
州
ꢀ
（ ，
火箭军工程大学 信息工程系 陕西 西安
）
７１００２５
： ，
摘要 为了解决遥感图像场景分类中因样本量小而分类精度不高的问题 提出了一种基于多尺度特征融合
（
）
的分
ＭＳＦＦ
。 ， ， 。 ，
类方法 首先 对遥感图像进行尺度变换 得到同一遥感源图像的多个不同尺度图像 接着 将其分别输入深度卷积神
（ ） 。 ， ／
中进行卷积操作 然后 将各卷积层和全连接层提取出的不同尺度特征进行降维和编码 平均池化操
ＤＣＮＮ
经网络
。
，
最后 将各尺度特征进行编码融合并利用多核支持向量机
（
） 。
进行场景分类 在两个公开遥感图像数据集
作
ＭＫＳＶＭ
，
中进行试验 分类精度最高分别达到
。
本文方法能够利用不同
和
ＵＣＭ ＬａｎｄＵｓｅ ＮＷＰＵ ＲＥＳＩＳＣ４５
－
和
９８．９１％ ９９．３３％
ꢀ
－
， 、 、 ， ，
尺度的图像特征 结合低 中 高层语义表示 使融合特征的可辨识性更高 同时使用多核支持向量机提高了深度网络学
，
习的泛化能力 因此分类效果更好
。
： ； ； ； ；
词 遥感图像 场景分类 深度卷积神经网络 特征融合 多核支持向量机
ꢀ
关
键
ꢀ
：
：
文献标识码
Ａ
：
／
中图分类号
ＴＰ７５１
ꢀꢀ
ｄｏｉ１０．３７８８ Ｏ ＰＥ ．２０１８２６１２ ．３０９９
ꢀꢀ
Ｓｃｅｎｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｒｅｍｏｔｅｓｅｎｓｉｎ ｉｍａｅｓ
ꢀ ꢀ ꢀ ꢀ
ｇ
ｇ
ꢀ
ｂａｓｅｄｏｎｍｕｌｔｉｓｃａｌｅｆｅａｔｕｒｅｓｆｕｓｉｏｎ
ꢀ ꢀ ꢀ ꢀ
＊
ＹＡＮＧＺｈｏｕ ＭＵ Ｘｉａｏｄｏｎ ＷＡＮＧＳｈｕ ａｎ ＭＡＣｈｅｎｈｕｉ
ꢀ
，
，
ｇ
，
ｙ ｇ
ꢀ
ꢀ
－
－
ꢀ
－
（
，
ｇ
Ｄｅ ａｒｔｍｅｎｔｏ Ｉｎ ｏｒｍａｔｉｏｎＥｎｉｎｅｅｒｉｎ ＲｏｃｋｅｔＦｏｒｃｅＥｎｉｎｅｅｒｉｎ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ｇ
ｐ
ｆ
ｆ
ｇ
ꢀ
， ’ ，
Ｕｎｉｖｅｒｓｉｔ Ｘｉａｎ７１００２５ Ｃｈｉｎａ
ｙ
）
，
Ｃｏｒｒｅｓｏｎｄｉｎ ａｕｔｈｏｒ Ｅｍａｉｌ ｚｍａｉｌｂｏｘ２０１５ １６３．ｃｏｍ
＠
：
ｙ
＊
－
ｐ
ｇ
ꢀ
：
Ａｂｓｔｒａｃｔ Ｔｏｓｏｌｖｅｔｈｅｌｏｗａｃｃｕｒａｃ ｒｏｂｌｅｍｏｆｒｅｍｏｔｅｓｅｎｓｉｎ ｉｍａｅｓｃｅｎｅｃｌａｓｓｉｆｉｃａｔｉｏｎｄｕｅｔｏｓｍａｌｌ
ｙｐ ｇꢀ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
，
（
）
ｓａｍ ｌｅｓｉｚｅｓ ａｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄ ｗａｓ ｒｏｏｓｅｄｂａｓｅｄｏｎ ＭｕｌｔｉｓｃａｌｅＦｅａｔｕｒｅｓＦｕｓｉｏｎ ＭＳＦＦ ．
ｐ ꢀ
ꢀｐ ｐ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
Ｆｉｒｓｔ ｔｈｅｒｅｍｏｔｅｓｅｎｓｉｎ ｉｍａｅｓｗｅｒｅｓｃａｌｅｄｔｏｏｂｔａｉｎｓｅｖｅｒａｌｄｉｆｆｅｒｅｎｔｓｃａｌｅｉｍａｅｓｏｆｔｈｅｓａｍｅｒｅ
ꢀ ꢀ ꢀ －
ｇ ꢀ ｇ ꢀ ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
（
ｍｏｔｅｓｅｎｓｉｎ ｉｍａｅ．Ｔｈｅｒｅａｆｔｅｒ ｔｈｅ ｗｅｒｅｉｎ ｕｔｔｅｄｉｎｔｏａＤｅｅ ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ ＤＣ
ꢀ ｐ ꢀꢀ －
ꢀ
ｇ
ꢀ
ｇ
ｙ
ꢀ
ꢀ
ｐ
ꢀ
ꢀ
ꢀ
）
，
ＮＮ ｆｏｒｃｏｎｖｏｌｕｔｉｏｎａｌｏｅｒａｔｉｏｎ ａｎｄｔｈｅｄｉｆｆｅｒｅｎｔｓｃａｌｅｆｅａｔｕｒｅｓｏｆｔｈｅｃｏｎｖｏｌｕｔｉｏｎａｌａｎｄｔｈｅｆｕｌｌ
ꢀｐ ꢀ ꢀ
ｙ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
ｃｏｎｎｅｃｔｅｄｌａｅｒｓｗｅｒｅｒｅｄｕｃｅｄａｎｄｃｏｄｅｄｏｒａｖｅｒａｅ ｏｏｌｅｄ．Ｆｉｎａｌｌ ｔｈｅｄｉｆｆｅｒｅｎｔｓｃａｌｅｆｅａｔｕｒｅｓｗｅｒｅ
ꢀ ｙ ꢀ ꢀ
ｇꢀｐ
ꢀ
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
ꢀ
，
ｃｏｄｅｄａｎｄｆｕｓｅｄ ａｎｄａｍｕｌｔｉｋｅｒｎｅｌｓｕ ｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｗａｓｕｓｅｄｔｏｃｌａｓｓｉｆ ｔｈｅｓｃｅｎｅｓ．Ｉｎｔｈｅｔｗｏ
ꢀꢀ ꢀ ｐｐ ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
，
ｕｂｌｉｃｒｅｍｏｔｅｓｅｎｓｉｎ ｉｍａｅｄａｔａｓｅｔｓＵＣＭ ＬａｎｄＵｓｅａｎｄＮＷＰＵ ＲＥＳＩＳＣ４５ ｔｈｅｈｉｈｅｓｔｃｌａｓｓｉｆｉｃａ
ｇꢀ
ꢀ ｇ －
ｐ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
－
ꢀ
ꢀ
－
ꢀ
，
ｔｉｏｎａｃｃｕｒａｃ ｏｆｔｈｅｅｘｅｒｉｍｅｎｔａｒｅ９８．９１％ ａｎｄ９９．３３％ ｒｅｓｅｃｔｉｖｅｌ ．Ｔｈｉｓｍｅｔｈｏｄｃａｎｕｓｅｉｍａｅ
ｙ ꢀ ꢀ ｐ
ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ｐ
ｙ
ꢀ
ꢀ
ｇ
ꢀ
，
，
ｆｅａｔｕｒｅｓｏｆｄｉｆｆｅｒｅｎｔｓｃａｌｅｓａｎｄｌｏｗ ｍｉｄｄｌｅａｎｄｈｉｈｌｅｖｅｌｓｅｍａｎｔｉｃｒｅｒｅｓｅｎｔａｔｉｏｎｓｃｏｍｂｉｎｅｄ ｔｈｕｓ
ꢀ ꢀ ꢀ ｇ ꢀ ｐ
ꢀ
ꢀ
ꢀ
ꢀ
－
ꢀ
ꢀ
，
ｔｈｅｆｕｓｉｏｎｆｅａｔｕｒｅｉｓｍｏｒｅｒｅｃｏｎｉｚａｂｌｅ．Ｆｕｒｔｈｅｒｍｏｒｅ ｔｈｅｕｓｅｏｆａｍｕｌｔｉｋｅｒｎｅｌｓｕ ｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ
ꢀ ꢀ ꢀ ꢀ ꢀꢀ ꢀ ｐｐ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
：
；
：
修订日期
２０１８０５０６．
收稿日期
２０１８０３１３
－ －
ꢀꢀ
－
－
：
基金项目 国家自然科学基金资助项目
（
）；
航空科学基金资助项目
（
）
Ｎｏ ．６１６０１４７５
Ｎｏ．２０１５５５Ｕ８０１０
ꢀꢀ
光学 精密工程
ꢀ
第
卷
ꢀ
２６
３１００
ꢀꢀꢀꢀꢀ
ꢀꢀꢀꢀꢀ
，
ｉｍ ｒｏｖｅｓｔｈｅ ｅｎｅｒａｌｉｚａｔｉｏｎｏｆｔｈｅｄｅｅ ｎｅｔｗｏｒｋｌｅａｒｎｉｎ ａｂｉｌｉｔ ｓｏｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｅｆｆｅｃｔｉｓｂｅｔｔｅｒ．
ꢀ
ｐ
ꢀ
ꢀｇ
ꢀ ꢀ
ꢀ
ｐ
ꢀ
ꢀ
ｇ
ꢀ
ｙ
ꢀ
ꢀ
ꢀ ꢀ
：
；
；
Ｋｅ ｗｏｒｄｓ ｒｅｍｏｔｅｓｅｎｓｉｎ ｉｍａｅ ｓｃｅｎｅｃｌａｓｓｉｆｉｃａｔｉｏｎ ｄｅｅ ｃｏｎｖｏｌｕｔｉｏｎａｌａｌｎｅｕｒａｌｎｅｔｗｏｒｋ ｆｅａｔｕｒｅｓ
ꢀ ꢀ
；
ꢀ
ｇ
ꢀ
ｇ
ꢀ
ｐ
ꢀ
ꢀ
ｙ
ꢀ
；
ｆｕｓｉｏｎ ｍｕｌｔｉｋｅｒｎｅｌｓｕ ｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ
ꢀ ｐｐ
－
ꢀ
ꢀ
，
降维 然后应用光谱回归核区分分析法处理后进
。
行融合并分类
引 言
１
ꢀ ꢀ
，
在以上场景分类方法中 只是利用了局部多尺
，
随着遥感技术的不断发展进步 人们能够获
ꢀꢀ
，
度 并没有充分利用图像的多尺度和深度网络各层
， ，
得的遥感图像越来越多 分辨率也越来越高 图像
。 ，
级的不同尺度特征 因此 本文提出一种新的基于
、 ，
中包含的信息更丰富 结构更复杂 在城市规划
、
———
多尺度 特征 融合 的遥 感 图 像 场 景 分 类 方 法
，
自然灾害探测等领域发挥重要作用的同时 也因
，
即在增加遥感图像多尺度样本数量的同时
ＭＳＦＦ
，
、
其同物异谱 异物同谱等问题的存在对场景分类
，
利用深度网络各层多尺度特征较强的语义表示 提
。
等带来了更大的挑战 虽然已有许多分类方法被
。
高小样本遥感图像场景分类的精度
［
］
１１０
，
－
不同的研究者提出
但大部分方法是基于图
， 。 ，
像的低中层特征 分类效果并不理想 其中 比较
基于
的遥感图像分类
ＭＳＦＦ
２
ꢀ
［］
４
，
有名的方法之一就是视觉词袋法
它是一种基
，
于图像中层特征的视觉编码分类方法 后来的许
本文提出的多尺度特征融合的分类方法主要
ꢀꢀ
。
多方法都是对视觉词袋方法的改进或扩展
： ，
分为三个步骤 第一步为源图像的多尺度变换 即
，
近几年 深度学习的方法因其强大的学习能
，
对同一遥感图像进行不同尺度变换 得到多个尺
［
］
１１１６
，
－
力被成功地应用于许多领域
不少学者将其
， ，
度图像 增加遥感图像的总体样本数量 有效解决
［
］
１７２３
，
－
应用在遥感场景分类中
同样取得了不错的
；
部分遥感图像场景分类中样本量小的问题 第二
。 ， ，
表现 但是 在这些研究过程中 只有部分研究者
步结合深度网络各层不同尺度特征较强的语义表
意识到深度学习过程中不同尺度的特征均具有较
， ，
示 尤其是中高级语义特征进行分类 丰富样本数
［
，
］
２０２４２６
。
－
，
同时 在应用
强的表示能力
进行
ＤＣＮＮ
，
量的同时 也进一步丰富提取特征的多样性和互
，
遥感图像场景分类时 通常需要大量有标签的数
， ；
补性 增强融合特征的可辨识性 第三步用
ＭＫＳ
－
，
据进行训练 然而由于遥感图像内所含对象的复
分 类器 代替
网 络 的 输 出 层
Ｓｏｆｔｍａｘ
ＶＭ
进行场景分类 提高深度网络学习的泛化能力
中各卷积层和全连接层特征的编码
ＤＣＮＮ
， ，
杂多样性 致使具有单一标签的图像较少 而人工
，
。
，
标注又是一件费时费力的事 导致在遥感图像场
对
２．１
ＤＣＮＮ
ꢀ
，
景分类时因标签样本量少而分类精度不高 文献
［ ］ ，
可知 一般的
２７
从文献
中因全连接
ＤＣＮＮ
［ ， ］
利用多尺度特征进行遥感图像场景分
２０２４２６
－
，
层的存在要求输入固定大小的图像 为了能够输
。 ，
类正好缓解了这种情况 其中 文献
［ ］
提出的
２０
，
入不同尺度的遥感图像 我们采用文献
［ ］
中的
２５
多尺度特征方法是通过不同尺度的输入图像产生
，
方法 对各全连接层特征进行降维和平均池化
。
，
稠密特征 然后用不同的编码方式进行特征编码
，
在对各卷积层特征编码时 分别采用常用的四种
。
并分类 文献
［ ］
主要是利用非下采样变换方法
２４
［ ］
２８
，
（
） 、
编码方法进行对比 即词袋法
局部合
） 、
局部限制线性编码
ＢＯＷ
，
对遥感图像进行多尺度分解 然后利用深度卷积
网络训练得到不同尺 度的 图像特征 进行 场景分
［
］
２９
（
成描述符向量法
ＶＬＡＤ
［
３０
）
］
［ ］
３１
） 。
（
ＬＬＣ
（
ＩＦＫ
法
和改进费舍尔核编码法
。
［ ］
文献 提出的另外一种方法是对各卷积层
２５
类
多核支持向量机
２．２
ꢀ
，
编码 对各全连接层特征进行平
特征采用
ＶＬＡＤ
［ ］ ，
可知 在利用多尺度特征和深度
２４
从文献
，
均池化和标准化 最后连接所有处理后的特征进
，
网络进行遥感图像分类时 由于多尺度特征间的
。
行场景分类 文献
［ ］
将多尺度遥感图像各卷积
２６
，
差异性 大 用 多 核 支 持 向 量 机
（ ）
分 类
ＭＫＳＶＭ
，
层特征进行多尺度改进费舍尔编码 再将其与固
定尺度遥感图像的全连接层特征进行主成分分析
［ ］
３２
，
可以提
Ｓｏｆｔｍａｘ
器
代替
网络的输出层
ＤＣＮＮ
全部评论(0)