推荐星级：

基于多尺度特征融合的遥感图像场景分类

更新时间：2019-12-30 05:49:37 大小：3M 上传用户：IC老兵查看TA发布的资源 标签：遥感图像 下载积分：1分评价赚积分（如何评价?）打赏收藏评论(0) 举报

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

立即下载

【关注视频号领20积分】【关注公众号立即送20积分】

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．２６Ｎｏ．１２

ꢀ

ꢀꢀꢀꢀꢀ ꢀꢀꢀꢀ

ꢀꢀꢀꢀꢀ ꢀ

ＯｔｉｃｓａｎｄＰｒｅｃｉｓｉｏｎＥｎｉｎｅｅｒｉｎ

ꢀ ｐ ꢀ ꢀ ꢀ ｇ

ｇ

年

２０１８１２

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

ＵＣＭＬａｎｄＵｓｅＮＷＰＵＲＥＳＩＳＣ４５

－

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

ꢀꢀ

ｄｏｉ１０．３７８８ＯＰＥ．２０１８２６１２．３０９９

ꢀꢀ

Ｓｃｅｎｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｒｅｍｏｔｅｓｅｎｓｉｎｉｍａｅｓ

ꢀ ꢀ ꢀ ꢀ

ｇ

ꢀ

ｂａｓｅｄｏｎｍｕｌｔｉｓｃａｌｅｆｅａｔｕｒｅｓｆｕｓｉｏｎ

ꢀ ꢀ ꢀ ꢀ

＊

ＹＡＮＧＺｈｏｕＭＵＸｉａｏｄｏｎＷＡＮＧＳｈｕａｎＭＡＣｈｅｎｈｕｉ

ꢀ

，

ｇ

，

ｙｇ

ꢀ

－

ꢀ

－

（

，

ｇ

ＤｅａｒｔｍｅｎｔｏＩｎｏｒｍａｔｉｏｎＥｎｉｎｅｅｒｉｎＲｏｃｋｅｔＦｏｒｃｅＥｎｉｎｅｅｒｉｎ

ꢀ

ｇ

ꢀ

ｇ

ｐ

ｆ

ｇ

ꢀ

， ’ ，

ＵｎｉｖｅｒｓｉｔＸｉａｎ７１００２５Ｃｈｉｎａ

ｙ

）

，

ＣｏｒｒｅｓｏｎｄｉｎａｕｔｈｏｒＥｍａｉｌｚｍａｉｌｂｏｘ２０１５１６３．ｃｏｍ

＠

：

ｙ

＊

－

ｐ

ｇ

ꢀ

：

ＡｂｓｔｒａｃｔＴｏｓｏｌｖｅｔｈｅｌｏｗａｃｃｕｒａｃｒｏｂｌｅｍｏｆｒｅｍｏｔｅｓｅｎｓｉｎｉｍａｅｓｃｅｎｅｃｌａｓｓｉｆｉｃａｔｉｏｎｄｕｅｔｏｓｍａｌｌ

ｙｐｇꢀ

ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ

ꢀ

ｇ

ꢀ

，

（

）

ｓａｍｌｅｓｉｚｅｓａｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｗａｓｒｏｏｓｅｄｂａｓｅｄｏｎＭｕｌｔｉｓｃａｌｅＦｅａｔｕｒｅｓＦｕｓｉｏｎＭＳＦＦ．

ｐ ꢀ

ꢀｐｐ ꢀ ꢀ

ꢀ

，

Ｆｉｒｓｔｔｈｅｒｅｍｏｔｅｓｅｎｓｉｎｉｍａｅｓｗｅｒｅｓｃａｌｅｄｔｏｏｂｔａｉｎｓｅｖｅｒａｌｄｉｆｆｅｒｅｎｔｓｃａｌｅｉｍａｅｓｏｆｔｈｅｓａｍｅｒｅ

ꢀ ꢀ ꢀ －

ｇ ꢀ ｇ ꢀ ꢀ

ꢀ

ｇ

ꢀ

，

（

ｍｏｔｅｓｅｎｓｉｎｉｍａｅ．ＴｈｅｒｅａｆｔｅｒｔｈｅｗｅｒｅｉｎｕｔｔｅｄｉｎｔｏａＤｅｅＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋＤＣ

ꢀ ｐ ꢀꢀ －

ꢀ

ｇ

ꢀ

ｇ

ｙ

ꢀ

ｐ

ꢀ

）

，

ＮＮｆｏｒｃｏｎｖｏｌｕｔｉｏｎａｌｏｅｒａｔｉｏｎａｎｄｔｈｅｄｉｆｆｅｒｅｎｔｓｃａｌｅｆｅａｔｕｒｅｓｏｆｔｈｅｃｏｎｖｏｌｕｔｉｏｎａｌａｎｄｔｈｅｆｕｌｌ

ꢀｐ ꢀ ꢀ

ｙ

ꢀ

，

ｃｏｎｎｅｃｔｅｄｌａｅｒｓｗｅｒｅｒｅｄｕｃｅｄａｎｄｃｏｄｅｄｏｒａｖｅｒａｅｏｏｌｅｄ．Ｆｉｎａｌｌｔｈｅｄｉｆｆｅｒｅｎｔｓｃａｌｅｆｅａｔｕｒｅｓｗｅｒｅ

ꢀ ｙ ꢀ ꢀ

ｇꢀｐ

ꢀ

ｙ

ꢀ

，

ｃｏｄｅｄａｎｄｆｕｓｅｄａｎｄａｍｕｌｔｉｋｅｒｎｅｌｓｕｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｗａｓｕｓｅｄｔｏｃｌａｓｓｉｆｔｈｅｓｃｅｎｅｓ．Ｉｎｔｈｅｔｗｏ

ꢀꢀ ꢀ ｐｐ ꢀ ꢀ ꢀ ꢀ

ꢀ

ｙ

ꢀ

，

ｕｂｌｉｃｒｅｍｏｔｅｓｅｎｓｉｎｉｍａｅｄａｔａｓｅｔｓＵＣＭＬａｎｄＵｓｅａｎｄＮＷＰＵＲＥＳＩＳＣ４５ｔｈｅｈｉｈｅｓｔｃｌａｓｓｉｆｉｃａ

ｇꢀ

ꢀ ｇ－

ｐ

ꢀ

ｇ

ꢀ

－

ꢀ

－

ꢀ

，

ｔｉｏｎａｃｃｕｒａｃｏｆｔｈｅｅｘｅｒｉｍｅｎｔａｒｅ９８．９１％ａｎｄ９９．３３％ｒｅｓｅｃｔｉｖｅｌ．Ｔｈｉｓｍｅｔｈｏｄｃａｎｕｓｅｉｍａｅ

ｙ ꢀ ꢀ ｐ

ꢀ ꢀ ꢀ ꢀ

ꢀ

ｐ

ｙ

ꢀ

ｇ

ꢀ

，

ｆｅａｔｕｒｅｓｏｆｄｉｆｆｅｒｅｎｔｓｃａｌｅｓａｎｄｌｏｗｍｉｄｄｌｅａｎｄｈｉｈｌｅｖｅｌｓｅｍａｎｔｉｃｒｅｒｅｓｅｎｔａｔｉｏｎｓｃｏｍｂｉｎｅｄｔｈｕｓ

ꢀ ꢀ ꢀ ｇ ꢀ ｐ

ꢀ

－

ꢀ

，

ｔｈｅｆｕｓｉｏｎｆｅａｔｕｒｅｉｓｍｏｒｅｒｅｃｏｎｉｚａｂｌｅ．Ｆｕｒｔｈｅｒｍｏｒｅｔｈｅｕｓｅｏｆａｍｕｌｔｉｋｅｒｎｅｌｓｕｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ

ꢀ ꢀ ꢀ ꢀ ꢀꢀ ꢀ 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

ꢀꢀꢀꢀꢀ

，

ｉｍｒｏｖｅｓｔｈｅｅｎｅｒａｌｉｚａｔｉｏｎｏｆｔｈｅｄｅｅｎｅｔｗｏｒｋｌｅａｒｎｉｎａｂｉｌｉｔｓｏｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｅｆｆｅｃｔｉｓｂｅｔｔｅｒ．

ꢀ

ｐ

ꢀ

ꢀｇ

ꢀ ꢀ

ꢀ

ｐ

ꢀ

ｇ

ꢀ

ｙ

ꢀ

ꢀ ꢀ

：

；

Ｋｅｗｏｒｄｓｒｅｍｏｔｅｓｅｎｓｉｎｉｍａｅｓｃｅｎｅｃｌａｓｓｉｆｉｃａｔｉｏｎｄｅｅｃｏｎｖｏｌｕｔｉｏｎａｌａｌｎｅｕｒａｌｎｅｔｗｏｒｋｆｅａｔｕｒｅｓ

ꢀ ꢀ

；

ꢀ

ｇ

ꢀ

ｇ

ꢀ

ｐ

ꢀ

ｙ

ꢀ

；

ｆｕｓｉｏｎｍｕｌｔｉｋｅｒｎｅｌｓｕｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ

ꢀ 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)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

基于多尺度特征融合的遥感图像场景分类

资料介绍

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

推荐下载

专栏首页