《基于卷积神经网络的卫星遥感图像区域识别》由会员分享，可在线阅读，更多相关《基于卷积神经网络的卫星遥感图像区域识别（8页珍藏版）》请在金锄头文库上搜索。
1、基于卷积神经网络的卫星遥感图像区域识别 张日升 朱桂斌 张燕琴 重庆通信学院应急通信重庆市重点实验室 中国人民解放军 95894 部队 摘 要： 为了提高卫星遥感图像的识别与分类效果, 提出一种基于卷积神经网络的卫星遥感图像识别与分类方法。该方法通过导向滤波去雾和旋转图像数据提高了模型的泛化能力, 同时采用了双全连接层网络结构增强了模型数据表达能力。实验证明, 该方法在卫星遥感图像的识别与分类上优于传统图像识别方法和一般卷积神经网络模型。关键词： 卷积神经网络; 深度学习; 遥感图像; 识别分类; 作者简介：张日升 (1988-) , 男, 硕士研究生, 研究方向为智能信号与信息处理。收稿日期
2、：2016-12-06Region recognition of satellite remote sensing images based on convolutional neural networkZHANG Ri-sheng ZHU Gui-bin ZHANG Yan-qin Chongqing Key Laboratory of Emergency Communication, PLA Chongqing Communication Institute; PLA 95894 Troops; Abstract： In order to improve the effect of rem
3、ote satellite sensing images recognition and classification, a kind of satellite remote sensing images recognition and classification method is put forward based on convolutional neural network. It uses guided filter to dehaze and rotates the image to improve the generalization ability of the model,
4、 and uses double connection layer network structure to enhance the model data expression ability. The experiments and comparisons show that this method is much batter than traditional image recognition method and general convolutional neural network model on satellite remote sensing images recogniti
5、on and classification.Keyword： convolutional neural network; deep learning; remote sensing images; recognition and classification; Received： 2016-12-060 引言卫星遥感图像的识别不管在军事领域还是民用领域, 都有重要实际意义。卫星遥感图像中的区域一般分为五类, 即:居民区、土地、绿化区、公路与湖泊。这些区域交织在一起, 错综复杂, 同时因遥感设备受外部拍摄环境 (云层、气流、电磁波、光波) 影响, 常常模糊不清。对计算机而言, 这些都影响着识别的
6、准确性。随着深度学习的发展, 基于深度学习算法的图像识别技术不断提出, 然而很少有针对卫星遥感图像的识别算法, 而传统算法存在着严重的准确率不足问题。鉴于以上两点, 本文提出了一种基于卷积神经网络模型同时更加适应卫星遥感图像识别与分类的方法。1 卷积神经网络20 世纪 60 年代, Hubel 和 Wiesel 在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性。1998 年, Le Cun1据此提出了卷积神经网络。2012 年, Hinton2研究小组采用卷积神经网络模型参与并获得了 I-mage Net 图像分类比赛的冠军。2013 年,
7、 Ji3等研究出一种基于卷积神经网络的 3D 人体行为的识别模型。2015 年, Sainath4等将卷积神经网络应用到大词汇量连续语音识别的任务中。同年, Vijay5等提出一个基于深度卷积编解码器的神经网络结构, 该结构参数设置量明显小于同类网络结构, 使得识别速度得到提升。卷积神经网络由于其特殊的结构构造, 具备了其它网络模型所不具备的优点。(1) 局部感知。一般认为, 人对世界的认知是一个从局部到全局的过程, 而图像的空间联系也是局部的。因此, 卷积神经网络对图像的局部区域进行连接, 从而也降低了传统神经网络中全连接的参数数目。(2) 权值共享。借鉴于视觉神经感受野的概念6, 卷积神经
8、网络中的每一个局部神经元都会依次对图像上的所有区域进行加权计算, 进而构成权值共享, 使模型具有图像的平移不变性。(3) 降维过程。Pooling (池化层) 是一个非参数层, 目的是将一个区域的像素块压缩为一个像素点, 达到缩放图像的目的, 有 Max Pooling (锐化) 、Avg Pooling (平滑) 等, 进而使模型具有图像的缩放不变性。2 遥感图像识别网络2.1 网络设计为了找到一种适应卫星遥感图像识别的卷积神经网络模型, 本文从激活函数、参数初始化、Dropout3 个方面进行研究。2.1.1 激活函数选择激活函数需要使用非线性函数, 以使网络能够更好地拟合数据, 同时需要
9、具有可微性, 以计算梯度。常用的激活函数有 Sigmoid 函数和 Re LU 函数。Dayan等生物科学家发现生物神经元输入电信号强度与激活频率之间的图像具有相对的不对称性与对称性, 如图 1 所示。不对称区域出现了一段很突兀的“0”, 这与 Sigmoid 函数有较大区别, 而与 Re LU 函数比较相似, 如图 2 所示。图 1 生物神经元输入电信号与激活频率之间关系 下载原图图 2 Re LU 函数 下载原图因此, 选择 Re LU 函数作为激活函数。其数学表达如下式:2.1.2 参数初始化卷积神经网络的效果很大程度上取决于模型参数的调节, 而其中一个重要的方面就是参数初始化过程。(1
10、) 权值初始化。神经网络初始化如下式所示:式中, N 为输入数据的维度。Glorot7提出了如公式 (3) 所示的初始化方案。在实验中, 被证明训练效果优于传统方法。式中, F in为输入数据的维度, F out为输出数据的维度。这里, 选择 Glorot 的权值初始化方案。(2) 偏置初始化。偏置的初始化一般都置为 18, 可加速网络训练, 目前无数学解释, 只是经验值。2.1.3 Dropout 设置Dropout 由 Hinton8提出, 引入了随机稀疏性, 在实验中被证实, 可以有效地在某种程度上防止任意神经网络的过拟合现象。(1) 训练 Dropout。训练时, 经过当前层的所有输入
11、 x, 均以一定概率 p 被置为0, 即该神经元被剔除, 如下式所示:(2) 正向 Dropout。正向预测时, 激活所有神经元, 等价于将所有随机神经网络叠加求和, 输入数据 x 需做平均处理。如下式所示:为了防止过拟合发生, 将全连接层 Dropout 设置为 0.5。2.2 网络结构使用过深的网络结构意味着参数过多, 拟合起来也就更加困难。针对输入的2525 像素的小维度图像, 选用经典的 Le Net 5 卷积神经网络模型, 并在最后增加一个全连接层, 增强数据表达能力。即构建 2 个 Convolutional Layer (卷积层) 、2 个 Pooling Layer (池化层)
12、 与 2 个 Full Connection Layer (全连接层) 的网络结构, 如图 3 所示。图 3 识别遥感图像的卷积神经网络结构 下载原图图 3 中:(1) CP1 为 16 个大小为 44 的卷积核与 22 大小的 maxpooling, 输入数据经CP1 后, 得到 1611 的特征矩阵。(2) CP2 为 32 个大小为 44 的卷积核与 22 大小的 maxpooling, 上一层的输出经 CP2 后, 得到 324 大小的特征矩阵。(3) FC1 为包含 100 个隐藏节点的全连接层, 激活函数为 Re LU 函数, 上一层的输出经过 FC1 后, 得到 100 维的特征
13、。(4) FC2 为增加的包含 50 个隐藏节点的全连接层, 激活函数同为 Re LU 函数, FC1 的输出经过 FC2 后, 得到 50 维的特征。3 实验方法3.1 数据采集实验所使用数据来自谷歌卫星地图 19 级图像, 随机区域采集后切分成 2525像素图像, 按照类别分为五类, 即居民区、土地、绿化区、公路与湖泊, 每类5000 张, 合计 25000 张。3.2 数据预处理针对卫星遥感图像特点, 本文对其做两种特定的预处理操作, 以期进一步提升模型训练效果。3.2.1 去雾由于卫星遥感设备常常受云层、气流的影响而导致拍摄出的图像目标轮廓不清、特征弱化。因此, 在将图像输入卷积神经网
14、络之前, 使用导向滤波算法对图像进行去雾处理。导向滤波算法使用导向滤波器来优化大气透射率, 在保证较好去雾效果的同时保证图像特征不发生变化。3.2.2 图像旋转卫星遥感图像的拍摄会随着卫星的移动带来角度偏差, 或者同类型目标方向也不相同, 这会给模型识别带来困难。如图 4 所示, 两张不同图片均为居民区。图 4 同类型不同方向的卫星遥感图像 下载原图为了增加样本的相关性, 使模型具有更好的泛化能力, 现将训练数据依次顺时针旋转 90 度、180 度和 270 度, 如图 5 所示。经过旋转处理后, 每类图片扩增至 20000 张, 合计 100000 张。图 5 旋转后的卫星遥感图片 下载原图
15、3.3 训练方法在每类 20000 张数据中, 随机取 12000 张作为训练集, 其余部分随机分成两部分, 每部分 4000 张, 分别为测试集与验证集, batch 大小为 200, 迭代至错误率不再下降。错误率曲线如图 6 所示。图 6 错误率曲线 下载原图3.4 结果比较3.4.1 传统方法的识别结果传统的图像识别算法 KNN (近邻算法) 算法与 SVM (支撑向量机) 算法在本数据集上对预处理前后的数据进行识别并比较, 结果如表 1 所示。3.4.2 两种卷积神经网络的识别结果单全连接层卷积神经网络与双全连接层卷积神经网络在本数据集上对预处理前后的数据进行识别并比较, 结果如表 2
16、 所示。表 1 基于 KNN 和 SVM 算法的遥感图像识别结果 (%) 下载原表 表 2 两种卷积神经网络的遥感图像识别结果 (%) 下载原表 3.4.3 结果分析传统的图像识别算法 (KNN 和 SVM) 在卫星遥感图像上的识别效果不理想, 主要因为算法结构局限, 对于复杂的数据表征能力不足, 并且缺乏泛化能力。本文提出的双全连接层卷积神经网络因具有深度学习挖掘数据深层次特征能力, 相比单全连接层卷积神经网络更具优势, 识别效果较好。再加之对输入数据进行了图像去雾和旋转的预处理, 使得识别结果又上升了一个台阶。4 结束语本文提出的双连接层卷积神经网络模型对卫星遥感图像的识别不仅较传统方法和一般卷积神经网络模型有了显著提升, 同时经过对输入图像的去雾和旋转预处理, 使得模型更加适合卫星遥感图像的识别与分类。但是深度学习在卫星区域识别上还存在着很大的提升空间。首先, 目前尚未有大规模的卫星图像数据, 如何在有限的小数据集下得到好的训练
