推荐星级:
- 1
- 2
- 3
- 4
- 5
基于卷积神经网络的光学遥感图像检索
资料介绍
提出了一种基于深度卷积神经网络的光学遥感图像检索方法。首先,通过多层卷积神经网络对遥感图像进行卷积和池化处理,得到每幅图像的特征图,抽取高层特征构建图像特征库;在此过程中使用特征图完成网络模型参数和Softmax分类器的训练。然后,借助Softmax分类器在图像检索阶段对查询图像引入类别反馈,提高图像检索准确度,并根据查询图像特征和图像特征库中特征向量之间的距离,按相似程度由大到小进行排序,得到最终的检索结果。在高分辨率遥感图像数据库中进行了实验,结果显示:针对水体、植被、建筑、农田、裸地等5类图像的平均检索准确度约98.4%,增加飞机、舰船后7类遥感图像的平均检索准确度约95.9%;类别信息的引入有效提高了遥感图像的检索速度和准确度,检索时间减少了约17.6%;与颜色、纹理、词袋模型的对比实验表明,利用深度卷积神经网络抽取的高层信息能够更好地描述图像内容。实验表明该方法能够有效提高光学遥感图像的检索速度和准确度。
部分文件列表
文件名 | 大小 |
基于卷积神经网络的光学遥感图像检索.pdf | 2M |
部分页面预览
(完整内容请下载后查看)第
卷
第
期
1
光学 精密工程
26
ꢀ
ꢀ
Vol.26 No.1
ꢀ
ꢀꢀꢀꢀꢀ ꢀꢀꢀꢀ
ꢀ ꢀꢀ ꢀꢀꢀ
O ticsandPrecisionEnineerin
ꢀ p ꢀ ꢀ ꢀ g
g
年
月
ꢀ ꢀ
2018
1
Jan.2018
ꢀ ꢀ
文章编号
( )
1004924X201801020008
-
ꢀ
-
-
基于卷积神经网络的光学遥感图像检索
1
*
宇
1 1 2
,刘雪莹 ,张洪群 ,李湘眷 ,孙晓瑶
1
李
ꢀ
( 中国科学院 遥感与数字地球研究所,北京
1.
;
100094
西安石油大学,陕西 西安
2.
)
710065
摘要:提出了一种基于深度卷积神经网络的光学遥感图像检索方法。首先,通过多层卷积神经网络对遥感图像进行卷积
和池化处理,得到每幅 图 像 的 特 征 图,抽 取 高 层 特 征 构 建 图 像 特 征 库;在 此 过 程 中 使 用 特 征 图 完 成 网 络 模 型 参 数 和
分类器的训练。然后,借助
分类器在图像检索阶段对查询图像引入类别反馈,提高图像检索准确度,并
Softmax
Softmax
根据查询图像特征和图像特征库中特征向量之间的距离,按相似程度由大到小进行排序,得到最终的检索结果。在高分
辨率遥感图像数据库 中 进 行 了 实 验,结 果 显 示:针 对 水 体、植 被、建 筑、农 田、裸 地 等 类 图 像 的 平 均 检 索 准 确 度 约
5
,增加飞机、舰船后 类遥感图像的平均检索准确度约
7
;类别信息的引入有效提高了遥感图像的检索速度
98.4%
95.9%
和准确度,检索时间减少了约
;与颜色、纹理、词袋模型的对比实验表明,利用深度卷积神经网络抽取的高层信息
17.6%
能够更好地描述图像内容。实验表明该方法能够有效提高光学遥感图像的检索速度和准确度。
关
键
词:遥感图像检索;深度学习;图像分类;卷积神经网络; 分类器
Softmax
ꢀ
ꢀ
中图分类号:
TP751
文献标识码:
: /
doi10.3788 O PE .20182601 .0200
A
ꢀꢀ
ꢀꢀ
Oticalremotesensin imaeretrievalbasedon
ꢀ ꢀ
g
ꢀ
ꢀ
ꢀ
p
g
ꢀ
convolutionalneuralnetworks
ꢀ ꢀ
1
*
1
1
2
1
,
, , ,
LIU Xue in ZHANG Hon un LIXian uan SUN Xiao ao
y g gq gj y
ꢀ ꢀ - ꢀ - ꢀ -
-
LIYu
ꢀ
(
,
1.Instituteo RemoteSensin andDiitalEarth
ꢀ
g
ꢀ
ꢀ
ꢀ
f
g
ꢀ
ꢀ
, ,
ChineseAcadem o Sciences Beiin 100094 China
ꢀ
;
y f
ꢀ ꢀ
j g
, ,
2.Xi′anShiouUniversit Xi′an710065 China
ꢀ
)
ꢀ
ꢀ
y
y
, : _
Corresondin author Emailliu0321 163.com
@
*
-
p
g
ꢀ
y
:
Abstract A methodforremotesensin imaeretrievalbasedonconvolutionalneuralnetworkswas
gꢀ
ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
g
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
,
roosed.First theconvolutionand oolin ofremotesensin imaeswereconductedb multilaer
p p g ꢀ g ꢀ
ꢀp ꢀy
ꢀ
ꢀ
ꢀ
g
ꢀ
ꢀ
-
y
ꢀ
ꢀ
,
convolutionalneuralnetworks.Thefeature masofeachimaewereobtained andthehihlevel
g ꢀ
ꢀ pꢀ ꢀ ꢀ g
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
-
,
featureswereextractedtobuildtheimaefeaturedatabase.Inthis rocess thetrainin ofnetworks
ꢀ ꢀ ꢀ ꢀ gꢀ ꢀp
g ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
,
arametersandthe Softmaxclassifier werecom leted usin feature mas.Then intheimae
ꢀ p
p
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
p
ꢀ
g
ꢀ
ꢀ
ꢀ
g
,
retrievalstae classificationwasintroducedb thesoftmaxclassifierwhichwillim rovetheaccurac
ꢀ g ꢀ ꢀ ꢀy ꢀ ꢀ p ꢀ ꢀ
y
ꢀ
ꢀ
ꢀ
ꢀ
,
ofimaeretrieval.Lastl theremotesensin imaeretrievalwassortedbasedonthesimilarit
gꢀ gꢀ y
ꢀ ꢀ
ꢀ
y
ꢀ
ꢀ
g
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
betweenthe uer imaeanddatabase.Retrievalexerimentswere erformedonthehihresolution
y gꢀ
ꢀ ꢀq ꢀ ꢀ p ꢀ ꢀp ꢀ ꢀ ꢀ g -
ꢀ
,
oticalremotesensin imaes.Theaveraeretrieval recisiononfivekindsincludin water lant
p
,
p
ꢀ
ꢀ
g
ꢀ
g
ꢀ
gꢀ
ꢀp
ꢀ ꢀ
ꢀ
ꢀ
g
ꢀ
收稿日期:
;修订日期:
20170815.
-
20170609
-
ꢀꢀ
ꢀꢀ
-
-
基金项目:国家自然科学基金资助项目(
)
No .61501460
李
宇,等:基于卷积神经网络的光学遥感图像检索
第
期
1
ꢀꢀꢀꢀꢀꢀ
ꢀ
201
, , (
buildin farmlandandlandis98.4% andtheretrieval recisiononsevent es addin laneand
ꢀp
g
ꢀ
ꢀ
ꢀ ꢀ
ꢀ
ꢀ
ꢀ ꢀ
ꢀyp
gp
ꢀ
ꢀ
)
p
,
shi is95.9%.Theintroductionofclassinformationim rovestheretrieval recisionandseed
ꢀ ꢀ ꢀ ꢀ ꢀ p ꢀ ꢀ ꢀp ꢀ ꢀp
ꢀ
savin timeb 17.6% a roximatel .The roosed methodbehavesbetterthanthemethodsthat
pp
ꢀy ꢀp p ꢀ ꢀ ꢀ ꢀ ꢀ
g
ꢀ
y
ꢀ
ꢀ
ꢀ
,
,
basedoncolorfeature texturefeatureandtheba ofwordsmodel andtheresultsshowthatthe
ꢀ ꢀ ꢀ g
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
hihlevelfeaturefrom dee convolutionalneuralnetworkscanreresentimaecontenteffectivel .
ꢀ ꢀ ꢀ ꢀ ꢀ p ꢀ
gꢀ
g
-
ꢀ
p
ꢀ
ꢀ
ꢀ
y
Exerimeatindicatesthatretrievalseed and accurac ofoticalremotesensin imaescan be
ꢀ p ꢀ ꢀ p ꢀ -
p
ꢀ
ꢀ
ꢀ
ꢀ
y
ꢀ
g
ꢀ
g ꢀ
ꢀ
effectivel increasedinthismethod.
y
ꢀ ꢀ ꢀ
ꢀ
: ; ; ;
Ke words remotesensin imaeretrieval dee learnin imaeclassification convolutionalneural
gꢀ
ꢀ
g
ꢀ
gꢀ
p
ꢀ
g
ꢀ
y
ꢀ
;
networks softmaxclassifier
ꢀ
(
,
ConvolutionalNeuralNetwork CNN
ꢀ
)通过多层
ꢀ
网络架构对原始图像数据进行逐层提取与抽象,
获取的特征能够更好地表达图像所包含的信息,
为图像特征的获取提供了新思路,得到了广泛关
引 言
ꢀ ꢀ
1
作为海量 遥感图 像信 息分析 的 重 要 技 术 手
段,遥感图像检索一直是一个热点问题。随着遥
感技术的发展,遥感数据用户群体的不断增加与
应用需求的日益多样化,对遥感图像检索技术提
出了更高的要求。基于内容的图像检索不受图像
标注的限制,利用特征直接对图像内容进行分析
实现检索,更符合人类的认知过程,能够更好地满
足用户需求。
[]
8
:
[]
9
注
等
采用深度卷积神 经网络
F.P.S.Luus
提取多尺度特征,并以此为基础完成高分辨率遥
[
]
10
感图像分类;熊昌镇等 利用深度卷积神经网络
查询图像中的主体类别,提取了结合主体检测的
[
]
11
利用
图像检索方法;实现图像检索;刘海龙等
改进
模型提取全连接层特征,实现图像检
LeNet
-
索。与传统分类方法不同,
CNN
作为一种深度学
习架构,其特征提取和分类训练两个过程是密不
可分的,在获取图像特征的同时能够得到图像的
类别信息。
基于内容的图像检索技术在遥感图像检索中
[]
1
已得到了广泛应用 。早期研究主要集中在遥感
图像光谱、纹 理 和 形 状 等 底 层 特 征 的 提 取:
Zhu
[]
2
采用
在前人工作基础上,本文提出了一种基于卷
积神经网络的光学遥感图像检索方法。该方法采
用深度卷积神经网络提取图像的高层特征,充分
有效地描述图像内容。同时,借助权值共享和池
化,大幅减少了网络参数,提高了方法的学习效
等
滤波法获取纹理特征用于航空
Gabor
[]
3
利用颜色特征和灰度
遥感图像的检索;
等
Priti
共生矩阵描述的纹理特征,实现遥感图像检索;陆
[]
4
丽珍等 采用纹理和颜色特征的线性加权,融合
两种特征来进行遥感图像的检索。然而,底层特
征与高层语义之间的“语义鸿沟”使得该类基于底
层特征的方法难以准确反映用户的检索意图。为
解决这一问题,用户反馈机制被引入到基于内容
率。另外,方法利用
分类器将类别反馈
Softmax
引入检索过程,缩小检索范围进而提高了遥感图
像的检索速度和检索准确度。实验结果表明,本
文方法能够在一定程度上提高图像检索速度和检
索准确度。
[]
5
的 遥 感 图 像 检 索 中 。 支 持 向 量 机 (
Su ort
pp
,
VectorMachineSVM
ꢀ
)因 其 对 有 限 训 练 样 本 的
良好推广能力,常常被用于处理用户反馈信息,改
善图像检索效果。但是,基于 的反馈方法
SVM
模型方法
2
ꢀ
往往受限于样本的选 取方 式和核 函数参数 的选
[]
6
。随着遥感技术的高速发展,遥感图像不仅
取
本文的遥感图像检索处理流程如图 所示。
1
数量激增,图像分辨率也不断提高,图像中包含的
信息更加复杂丰富,使得现有的基于内容的遥感
图像检索方法面临新的挑战。
首先,利用遥感图像数据集训练深度卷积神经网
络模型,在此过程中,完成模型的参数学习和分类
器训练。然后,通过卷积神经网络进行遥感图像
的深度特征抽取,并构建图像特征库。对于输入
的查询图像,根据查询图像的特征和类别,与图像
特征库中的特征进行相似性度量,按相似性由大
近年来,深度学习方法飞速发展,广泛应用于
语音识别、自然语言处理和计算机视觉等领域中,
[]
7
并获得 了 空 前 的 成 功 。 其 中,卷 积 神 经 网 络
相关下载
- 华为模块电源管理设计指导-(V100R001_02 Chi...
- 华为LGA模块PCB设计指导_V2.0_20150126.pdf
- HUAWEI Module USB Interface Descriptor Gui...
- HUAWEI ME909s-821 LTE LGA模块硬件指南V100R...
- HUAWEI ME909s-821 LTE LGA Module Acceptanc...
- HUAWEI 30 mm x 30 mm LGA Module Hardware M...
- HUAWEI 30 mm x 30 mm LGA Module Developmen...
- Altium_Designer_规则设置三例.pdf
- STM32F407产品技术培训-DSP库及其例程
- STM32F407产品技术培训-2.浮点单元.pdf
全部评论(0)