【基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像耕地提取方法探究6100字（論文）】

基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像耕地提取方法研究目錄TOC\o"1-2"\h\u2988基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像耕地提取方法研究 112092關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；遙感圖像；耕地提取 117397引言 1195171、相關(guān)概念 2209861.1卷積神經(jīng)網(wǎng)絡(luò) 2202781.2遙感圖像 2116762、實(shí)驗(yàn)數(shù)據(jù)及評(píng)估方法 3194022.1數(shù)據(jù)源與數(shù)據(jù)集的構(gòu)建 3210122.2實(shí)驗(yàn)評(píng)估方法 513800OA=（TP+TN）/（TP+FP+FN+TN）（2.1） 668523、基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像耕地提取 776393.1實(shí)驗(yàn)參數(shù)設(shè)置 760453.2CMHRNet耕地提取結(jié)果 865214、結(jié)語(yǔ) 107624參考文獻(xiàn) 10摘要：遙感圖像在農(nóng)業(yè)監(jiān)測(cè)、城市規(guī)劃、地圖生成和更新等方面有著廣泛的應(yīng)用。在深度學(xué)習(xí)的背景下，卷積神經(jīng)網(wǎng)絡(luò)是當(dāng)前最受歡迎的一種圖像處理技術(shù)，能夠?qū)崿F(xiàn)對(duì)圖像的深度特征的自動(dòng)學(xué)習(xí)和抽取，極大地提高了圖像的處理精度。為此，文章運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)廣東省高分辨率遙感圖像進(jìn)行了研究，并給出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的耕地提取算法。關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；遙感圖像；耕地提取引言隨著航天、計(jì)算機(jī)技術(shù)的不斷發(fā)展，遙感資料的獲取和應(yīng)用范圍不斷擴(kuò)大，高分辨率遙感影像可以清楚地反映出地形的內(nèi)部幾何構(gòu)造，并提供了豐富的空間信息。隨著遙感影像的不斷增多，分辨率不斷提高，數(shù)據(jù)的維數(shù)（空間、時(shí)間、光譜）也在不斷擴(kuò)大，數(shù)據(jù)的數(shù)量也在不斷增加。近年來(lái)，隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)已成為一種有效的圖像處理技術(shù)，能夠?qū)崿F(xiàn)對(duì)圖像特征的自動(dòng)學(xué)習(xí)和提取，并且具有很好的魯棒性。越來(lái)越多的學(xué)者將CNN用于高分遙感圖像分類和提取，但是直接將CNN應(yīng)用在遙感圖像耕地提取上仍然會(huì)存在許多問(wèn)題，例如耕地提取準(zhǔn)確性和模型性能如何提高等。因此，將CNN方法從自然圖像遷移到遙感圖像中，對(duì)于更好的完成耕地提取的任務(wù)具有重要的意義。1、相關(guān)概念1.1卷積神經(jīng)網(wǎng)絡(luò)在CNN中，卷積運(yùn)算代替了全連接神經(jīng)網(wǎng)絡(luò)中的向量運(yùn)算。使用卷積運(yùn)算可以大大減少每一層權(quán)重的參數(shù)量，降低了神經(jīng)網(wǎng)絡(luò)的復(fù)雜性。CNN的結(jié)構(gòu)一般由池化層、全連接層、歸一化層等組成。（1）池化層。池化層通過(guò)下采樣方式來(lái)降低特征圖的尺。池化層常用的方式有最大池化和平均池化。最大池化是在特征圖中選定一個(gè)固定尺寸的窗口，并用這個(gè)窗口中像元的最大值來(lái)代替此窗口，然后窗口按固定步長(zhǎng)在特征圖中進(jìn)行滑動(dòng)采樣，以此來(lái)降低特征圖的尺寸。而平均池化是用窗口中所有像元的平均值來(lái)代替窗口。池化層一般將特征圖的尺寸降低一半，這樣可以進(jìn)一步減少模型后續(xù)的參數(shù)量。（2）全連接層。全連接層是CNN的最后一種類型，它一般是在整個(gè)網(wǎng)絡(luò)的末尾。在圖像經(jīng)過(guò)卷積層和池化層之后，該系統(tǒng)會(huì)對(duì)圖像進(jìn)行更深層次的識(shí)別。全連接層利用已知特性，并對(duì)其進(jìn)行權(quán)重，從而決定該影像屬于哪一類。在全連接層，輸入層為特征矢量，而輸入層的神經(jīng)元?jiǎng)t與隱藏層的神經(jīng)元充分相連，并對(duì)特征矢量進(jìn)行加權(quán)處理，而輸出層一般通過(guò)Softmax分類器將輸出的結(jié)果表示成一個(gè)分類概率向量，表示圖像屬于每個(gè)類別的概率。（3）歸一化層。在CNN中，前一卷積的輸出為深度卷積。表層卷積層參數(shù)的改變將引起更深層次的輸入分布的改變。該方法采用了隨機(jī)梯度遞減法，對(duì)網(wǎng)絡(luò)的參數(shù)和分布進(jìn)行了不斷地更新，每一次的參數(shù)更新都會(huì)引起網(wǎng)絡(luò)中心各層次的輸入分布的改變。當(dāng)層數(shù)越高，這種變化越明顯，使得模型在進(jìn)行采樣分配時(shí)所需的時(shí)間越長(zhǎng)，網(wǎng)絡(luò)的學(xué)習(xí)效率就越低。而IoffeS,SzegedyC.提出的批歸一化層（BatchNormalization,BN）有效地緩解了這個(gè)問(wèn)題，利用BN層將卷積層的輸出數(shù)據(jù)標(biāo)準(zhǔn)化到有效范圍內(nèi)，這樣就可以緩解內(nèi)部協(xié)變量偏移的問(wèn)題。因此BN層可以防止梯度消失和梯度爆炸，加快網(wǎng)絡(luò)訓(xùn)練和收斂的速度，還能防止模型過(guò)擬合。1.2遙感圖像遙感圖像分類的原理是對(duì)圖像中的所有像元按照其光譜和空間特征劃分為許多不同類別的過(guò)程。在遙感圖像中，由于不同地物類別表現(xiàn)出不同的光譜、空間和紋理特征，而相同地物類別在相同的條件下表現(xiàn)出相似的特征。可以用一些方法來(lái)選擇能夠區(qū)分不同地物類別的特征，依據(jù)這些特征用各種分類算法來(lái)對(duì)遙感圖像分類。分類算法就是通過(guò)某些規(guī)則來(lái)分析多維空間中不同點(diǎn)群之間特征的差異性，從而確定不同點(diǎn)群之間的界限，最終將圖像上不同類別分開(kāi)。2、實(shí)驗(yàn)數(shù)據(jù)及評(píng)估方法2.1數(shù)據(jù)源與數(shù)據(jù)集的構(gòu)建2.1.1數(shù)據(jù)源本文所采用的影像資料是從GF-1衛(wèi)星的遙感影像資料中獲取的。中國(guó)首枚高分辨率對(duì)地觀測(cè)系統(tǒng)GF-1衛(wèi)星于2013年在酒泉成功發(fā)射。衛(wèi)星裝備有4個(gè)16m的多波段照相機(jī)，2個(gè)8m的多波段照相機(jī)，2個(gè)2米的空間分辨率照相機(jī)。多光譜傳感器以四個(gè)波段捕獲地面特征，覆蓋可見(jiàn)光和近紅外波長(zhǎng)范圍（藍(lán)色波段：450-520nm；綠色波段：520-590nm；紅色波段：630-690nm；近紅外波段：770-890nm）。航天器重訪頻率只有4天，任務(wù)觀測(cè)范圍覆蓋80oN~80oS之間的區(qū)域。GF-1遙感圖像具有2米的全色分辨率、8米的多光譜分辨率和800公里的組合條帶。本文選擇廣東省的揭西縣、雷州市、連州等有水稻、玉米、花生的縣區(qū)為研究區(qū)，這些地區(qū)的主要農(nóng)作物有水稻、甘蔗和花生，且地理環(huán)境差異較大，耕地類型也有較大的差異。本文選擇高分1號(hào)衛(wèi)星高分二號(hào)衛(wèi)星WFV圖像作為數(shù)據(jù)源,采用像素分辨率為2m的全色相機(jī)圖像，選用了33幅2015-2016年期間的圖像，數(shù)據(jù)量大小為6.0GB。2.1.2數(shù)據(jù)集的構(gòu)建數(shù)據(jù)集的構(gòu)建主要包括確定圖像分類體系、圖像拼接和裁剪、圖像矢量化和柵格化、數(shù)據(jù)預(yù)處理、數(shù)據(jù)集的自動(dòng)裁剪和重命名以及數(shù)據(jù)集的劃分和數(shù)據(jù)增強(qiáng)。（1）確定圖像分類體系。首先確定遙感圖像耕地提取需要分類的地物類別，不同地物類別的有不同的特征，這些對(duì)于耕地的提取都有一定的影響。根據(jù)第三次全國(guó)土地調(diào)查地類分類方案，將地物類型分為耕地、林地、園地、草地、建筑用地、水域、道路、設(shè)施農(nóng)業(yè)用地以及其他用地這九類。準(zhǔn)確的分類體系能夠充分利用遙感圖像的特征信息，有利于耕地的提取。根據(jù)數(shù)據(jù)源中的遙感圖像，具體類別在圖像上的特征如圖2.1所示，其中(a)是耕地、(b)是林地、(c)是園藝果樹(shù)、(d)是草地、(e)是建筑用地、(f)是水域、(g)是道路、(h)是設(shè)施農(nóng)業(yè)用地、(i)是其他用地。圖2.1GF-1圖像分類體系圖（2）圖像拼接和裁剪。確定好分類體系后，需要用ArcGIS軟件對(duì)處理好的遙感圖像按照地區(qū)矢量范圍進(jìn)行拼接。拼接完成之后，由于一個(gè)地區(qū)的遙感圖像范圍太廣，不便于遙感圖像矢量化和柵格化。因此，將一個(gè)地區(qū)的遙感圖像裁剪成范圍較小的矩形塊，方便下一步的矢量化和柵格化。（3）圖像矢量化和柵格化。使用ArcGIS軟件對(duì)處理好的高分一號(hào)遙感圖像進(jìn)行目視解譯矢量化。首先在ArcGIS上建立矢量圖層，然后勾繪地物類別圖斑范圍，圖斑以多邊形矢量數(shù)據(jù)形式表示，然后建立屬性表添加“地物類別”和“標(biāo)簽值”字段，每個(gè)地物類別對(duì)應(yīng)的標(biāo)簽值如表2.1所示。矢量化完成之后，由多人進(jìn)行交叉檢驗(yàn)，降低目視解譯的錯(cuò)誤率。檢驗(yàn)完成后，對(duì)矢量化之后的標(biāo)簽進(jìn)行柵格化，在ArcGIS上使用矢量轉(zhuǎn)柵格操作。經(jīng)過(guò)ArcGIS轉(zhuǎn)出來(lái)的柵格是灰度圖像，經(jīng)過(guò)OpenCV庫(kù)的灰度轉(zhuǎn)RGB后，矢量化標(biāo)簽就轉(zhuǎn)為RGB圖像了，每個(gè)地物類別對(duì)應(yīng)的RGB值如表2.2所示。圖像矢量化的結(jié)果如圖3.3所示。表2.1地物類別標(biāo)簽信息表地物類別標(biāo)簽值RGB值耕地10(200,200,0)園藝果樹(shù)20(200,0,200)林地30(0,200,0)草地40(0,200,200)水域50(0,0,200)建筑用地60(200,0,0)道路70(200,100,100)其他用地80(0,0,0)設(shè)施農(nóng)業(yè)用地90(100,100,0)圖2.2數(shù)據(jù)集樣例圖2.2實(shí)驗(yàn)評(píng)估方法本文從定性和定量?jī)蓚€(gè)方面來(lái)評(píng)估耕地提取的結(jié)果。定性方面主要通過(guò)目視結(jié)合真實(shí)結(jié)果來(lái)評(píng)估耕地提取結(jié)果的完整性。定量方面主要通過(guò)混淆矩陣、總體精度、F1-Score、Kappa系數(shù)以及平均交并比來(lái)評(píng)估耕地提取結(jié)果的精確性。其中，定量評(píng)估詳細(xì)方法如下：（1）混淆矩陣?；煜仃囉址Q誤差矩陣，是衡量精度的一種標(biāo)準(zhǔn)形式。該方法利用一種具有n行n列的矩陣來(lái)表達(dá)預(yù)測(cè)和真值在空間上的分布，從而能夠反映出分類結(jié)果的精確度和錯(cuò)誤。在耕地提取中，將模糊矩陣應(yīng)用于實(shí)際分類與分類圖像中的分類進(jìn)行對(duì)比，從而得到模糊矩陣。在混沌矩陣中，每個(gè)欄表示一個(gè)模型所預(yù)測(cè)的樣本值，而每一條線表示了樣本值。每個(gè)欄的總數(shù)量表示這個(gè)分類中的每個(gè)像素的總數(shù)量，而每個(gè)數(shù)字的總數(shù)量表示這個(gè)分類中的像素的總數(shù)量。第i行j欄的數(shù)字表示在實(shí)際值為i類別i的對(duì)象中被預(yù)測(cè)為類別j的像素的總數(shù)。利用模糊矩陣，可以計(jì)算出用于評(píng)價(jià)所有樣品的分類狀況的指標(biāo)。（2）總體精度（OverallAccuray,OA）。總體精度被用來(lái)度量圖像分類的整體準(zhǔn)確性。其計(jì)算式如式2.1，即圖像中被正確預(yù)測(cè)的像素總數(shù)除以圖像中的像素總數(shù)?？傮w精度可以很好地表征圖像總體分類的精度，但是對(duì)于占比較少的類別來(lái)說(shuō)，總體精度對(duì)其不太敏感。OA=（TP+TN）/（TP+FP+FN+TN）（2.1）（3）F1-Score。在進(jìn)行精度評(píng)價(jià)時(shí)，對(duì)于類別像元數(shù)不均衡時(shí)，有時(shí)總體精度不能準(zhǔn)確評(píng)價(jià)其分類結(jié)果。當(dāng)正負(fù)樣本分布相差很大時(shí)，如果預(yù)測(cè)的值全是較多樣本的那一類的值時(shí)，最后得到的總體精度還是比較高。針對(duì)這種常見(jiàn)的情況需要使用更加全面的評(píng)價(jià)方式來(lái)評(píng)價(jià)分類結(jié)果。F-Score是一個(gè)綜合性的評(píng)價(jià)指標(biāo)，能夠很好的解決上述問(wèn)題，其計(jì)算式如式2.2。其是通過(guò)計(jì)算精確率和召回率的加權(quán)調(diào)和平均值來(lái)確定的，式中λ表示權(quán)重因子。（1+λ2）P×R式中，P表示精確率，其表示預(yù)測(cè)正確的樣本數(shù)占預(yù)測(cè)值為真的樣本總數(shù)的比例。R表示召回率，其表示預(yù)測(cè)正確的樣本數(shù)占真實(shí)值為真的樣本總數(shù)的比例。（4）Kappa系數(shù)。Kappa系數(shù)主要用于一致性檢驗(yàn)，也被用來(lái)評(píng)估分類的準(zhǔn)確性，通常用于遙感圖像分類評(píng)價(jià)指標(biāo)。其計(jì)算公式如式2.3。kappa=po?p其中，po表示預(yù)測(cè)正確的樣本數(shù)占樣本總量的比例，即總體分類精度。pe表示所有類別相對(duì)應(yīng)的真實(shí)樣本數(shù)與預(yù)測(cè)樣本數(shù)的乘積之和除以樣本總數(shù)的平方。根據(jù)kappa的計(jì)算公式，越不平衡的混淆矩陣，（5）平均交并比（MeanIntersectionoverUnion,MIoU）。MIoU為語(yǔ)義分割的標(biāo)準(zhǔn)度量,其是對(duì)每一類預(yù)測(cè)值和真實(shí)值的交集與并集的比值求和平均的結(jié)果，其計(jì)算公式如式2.4。MIoU=1k+1i=0k式中，k表示樣本類別數(shù)，TP表示每一類預(yù)測(cè)值和真實(shí)值的交集，TP+FP+FN表示每一類預(yù)測(cè)值和真實(shí)值的并集。3、基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像耕地提取3.1實(shí)驗(yàn)參數(shù)設(shè)置（1）損失函數(shù)。通常網(wǎng)絡(luò)的輸出是經(jīng)過(guò)一個(gè)softmax層來(lái)輸出每一個(gè)類別的概率圖，網(wǎng)絡(luò)的損失函數(shù)就是計(jì)算網(wǎng)絡(luò)的輸出和標(biāo)簽之間的誤差，使訓(xùn)練損失最小化，從而產(chǎn)生一個(gè)最優(yōu)模型。而在遙感圖像中，有一些地物類別的占比非常大，類別分布不均勻。這會(huì)使學(xué)習(xí)過(guò)程陷入損失函數(shù)的局部極小值，從而導(dǎo)致模型的預(yù)測(cè)更加偏向占比較大的類別。以前訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)一般選擇交叉熵?fù)p失函數(shù)，但是對(duì)于訓(xùn)練樣本類別分布不均時(shí)，交叉熵?fù)p失函數(shù)無(wú)法很好的對(duì)小比例樣本進(jìn)行訓(xùn)練。因此本實(shí)驗(yàn)選用DiceLoss作為損失函數(shù)，計(jì)算公式如式3.1。DiceLoss=1-2(|A∩B|)/(|A|+|B|)（3.1）式中A∩B表示A和B之間交集像素的個(gè)數(shù)，A和表示A、B中像素的個(gè)數(shù)。（2）優(yōu)化器。訓(xùn)練神經(jīng)網(wǎng)絡(luò)還需要選擇優(yōu)化器，本實(shí)驗(yàn)選擇Adam優(yōu)化器，并設(shè)置超參數(shù)為：β1=0.9，β2=0.999，ε=10（3）學(xué)習(xí)率。不同的學(xué)習(xí)率會(huì)影響神經(jīng)網(wǎng)絡(luò)收斂速度的快慢，本實(shí)驗(yàn)將開(kāi)始的學(xué)習(xí)率固定為0.001，并在訓(xùn)練過(guò)程中不斷調(diào)整學(xué)習(xí)率，其中學(xué)習(xí)率變化如式3.2。lr=lr01?式中iter表示當(dāng)前迭代次數(shù)，maxiter表示總的迭代次數(shù)，lr表示當(dāng)前學(xué)習(xí)率，〖lr〗_0表示初始學(xué)習(xí)率，power表示學(xué)習(xí)率迭代因子。在實(shí)驗(yàn)中設(shè)置maxiter=50，power=0.9，批次設(shè)為8。3.2CMHRNet耕地提取結(jié)果為了驗(yàn)證本文提出的CMHRNet對(duì)于遙感圖像耕地提取的有效性，實(shí)驗(yàn)選擇UNet和HRNet與CMHRNet進(jìn)行對(duì)比實(shí)驗(yàn)。在包含19211張分辨率為256×256圖像的訓(xùn)練集上進(jìn)行訓(xùn)練，在包含1078張圖像的驗(yàn)證集上進(jìn)行驗(yàn)證，并從定量和定性兩個(gè)角度來(lái)評(píng)估模型耕地提取的有效性。定量是按照上文的評(píng)估方法對(duì)耕地提取結(jié)果進(jìn)行評(píng)估，定性是將模型的耕地提取結(jié)果可視化出來(lái)，用目視解譯來(lái)對(duì)提取結(jié)果進(jìn)行評(píng)估。另外，為了驗(yàn)證模型的有效性，還將模型六分類的結(jié)果進(jìn)行定量評(píng)估，以此來(lái)判斷模型的泛化性。圖3.1各模型訓(xùn)練曲線各模型訓(xùn)練時(shí)在訓(xùn)練集和驗(yàn)證集上的精度和損失值的變化曲線如圖3.1。從圖中可以看出，這三個(gè)模型在訓(xùn)練時(shí)波動(dòng)都較大，但是最后都趨于收斂了。HRNet只迭代了35次就早停了，但是其訓(xùn)練和驗(yàn)證精度只有大約0.85、損失值在0.15以下一點(diǎn)。UNet和CMHRNet迭代了大約50次，但是CMHRNet最后的曲線更加平穩(wěn)，并且UNet的訓(xùn)練和驗(yàn)證精度只比0.85高一點(diǎn)、損失值在0.1左右，而CMHRNet的訓(xùn)練和驗(yàn)證精度接近0.9、損失值也在0.1以下了，因此從訓(xùn)練曲線上看，CMHRNet的效果要比另外兩種模型要好。從定性的角度來(lái)評(píng)價(jià)耕地提取效果，各模型在包含1076張圖像的測(cè)試集上進(jìn)行預(yù)測(cè)的耕地提取精度和預(yù)測(cè)時(shí)間如表3.1，耕地提取的混淆矩陣如圖3.2。從表中可以看出，CMHRNet在耕地提取上取得了最好的結(jié)果，總體精度達(dá)到了0.9474，F(xiàn)1-score達(dá)到了0.9118，Kappa系數(shù)達(dá)到了0.8237，MIOU達(dá)到了0.8428。CMHRNet模型相比UNet模型，總體精度提高了0.0023，F(xiàn)1-score提高了0.0053，Kappa系數(shù)提高了0.0107，MIOU提高了0.0082，總體上看提升的雖然不高，但是參數(shù)量卻比UNet減少了63.4%，預(yù)測(cè)時(shí)間比UNet提高了17s，這可能是因?yàn)榫W(wǎng)絡(luò)計(jì)算更為復(fù)雜。但是相比HRNet模型精度提升較為明顯，總體精度提高了0.0164，F(xiàn)1-score提高了0.0262，Kappa系數(shù)提高了0.0524，MIOU提高了0.0406，并且參數(shù)量只比HRNet增加了4.3%，預(yù)測(cè)時(shí)間也只增加了1s。這說(shuō)明CMHRNet模型可以很好的解決HRNet模型在高分辨率遙感圖像上信息丟失的問(wèn)題，可以更好的利用上下文信息，提高了耕地提取精度。表3.1各模型耕地提取精度模型oAF1-scoreKappaMIOU參數(shù)量預(yù)測(cè)時(shí)間UNet0.94510.90650.8130.8346331M50sHRNet0.9310.88560.77130.8022116M66sCMHRNet0.94740.91180.82370.8428121M67s從圖3.2的混淆矩陣可以看出，CMHRNet相比HRNet和UNet模型在耕地提取精度上也有所提升，相比HRNet和UNet耕地提取精度都提升了0.03，HRNet和UNet耕地提取精度相同，這說(shuō)明CMHRNet可以充分利用遙感圖像上的信息，解決了一般模型信息丟失的問(wèn)題。圖3.2各模型耕地提取混淆矩陣圖3.3是各模型在測(cè)試集上得到的耕地提取結(jié)果，從中選出了五張圖片進(jìn)行比較和展示。圖中從左到右依次是遙感圖像、標(biāo)簽、UNet結(jié)果、HRNet結(jié)果、CMHRNet結(jié)果，圖中紅框表示這幾種模型的明顯不同之處。從紅框的地方可以看出，CMHRNet可以比較完整的提取出耕地，細(xì)節(jié)更豐富，邊緣更加清晰完整。例如第二和第五張圖像，CMHRNet可以提取出細(xì)碎的耕地，而另外兩種模型則不能提??；第一和第三張圖像，CMHRNet邊緣地方提取的更加清晰；第四張圖像，UNet將建筑用地識(shí)別為耕地了，而CMHRNet和HRNet則沒(méi)有識(shí)別出來(lái)。這些結(jié)果表明CMHRNet模型的耕地提取結(jié)果與實(shí)際耕地分布更接近，說(shuō)明該模型針對(duì)遙感耕地提取中出現(xiàn)問(wèn)題的改進(jìn)取