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)