【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 107624參考文獻(xiàn) 10摘要：遙感圖像在農(nóng)業(yè)監(jiān)測、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)對圖像的深度特征的自動學(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，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)對圖像特征的自動學(xué)習(xí)和提取，并且具有很好的魯棒性。越來越多的學(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存在許多問題，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。池化層通過下采樣方式來降低特征圖的尺。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固定尺寸的窗口，并用這個窗口中像元的最大值來代替此窗口，然后窗口按固定步長在特征圖中進(jìn)行滑動采樣，以此來降低特征圖的尺寸。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，它一般是在整個網(wǎng)絡(luò)的末尾。在圖像經(jīng)過卷積層和池化層之后，該系統(tǒng)會對圖像進(jìn)行更深層次的識別。全連接層利用已知特性，并對其進(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)元則與隱藏層的神經(jīng)元充分相連，并對特征矢量進(jìn)行加權(quán)處理，而輸出層一般通過Softmax分類器將輸出的結(jié)果表示成一個分類概率向量，表示圖像屬于每個類別的概率。（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，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）有效地緩解了這個問題，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，還能防止模型過擬合。1.2遙感圖像遙感圖像分類的原理是對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對遙感圖像分類。分類算法就是通過某些規(guī)則來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。2、實(shí)驗(yàn)數(shù)據(jù)及評估方法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。中國首枚高分辨率對地觀測系統(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16m的多波段照相機(jī)，2個8m的多波段照相機(jī)，2個2米的空間分辨率照相機(jī)。多光譜傳感器以四個波段捕獲地面特征，覆蓋可見光和近紅外波長范圍（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號衛(wèi)星高分二號衛(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，這些對于耕地的提取都有一定的影響。根據(jù)第三次全國土地調(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、(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軟件對處理好的高分一號遙感圖像進(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，每個地物類別對應(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)，降低目視解譯的錯誤率。檢驗(yàn)完成后，對矢量化之后的標(biāo)簽進(jìn)行柵格化，在ArcGIS上使用矢量轉(zhuǎn)柵格操作。經(jīng)過ArcGIS轉(zhuǎn)出來的柵格是灰度圖像，經(jīng)過OpenCV庫的灰度轉(zhuǎn)RGB后，矢量化標(biāo)簽就轉(zhuǎn)為RGB圖像了，每個地物類別對應(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)評估方法本文從定性和定量兩個方面來評估耕地提取的結(jié)果。定性方面主要通過目視結(jié)合真實(shí)結(jié)果來評估耕地提取結(jié)果的完整性。定量方面主要通過混淆矩陣、總體精度、F1-Score、Kappa系數(shù)以及平均交并比來評估耕地提取結(jié)果的精確性。其中，定量評估詳細(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列的矩陣來表達(dá)預(yù)測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)行對比，從而得到模糊矩陣。在混沌矩陣中，每個欄表示一個模型所預(yù)測的樣本值，而每一條線表示了樣本值。每個欄的總數(shù)量表示這個分類中的每個像素的總數(shù)量，而每個數(shù)字的總數(shù)量表示這個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的對象中被預(yù)測為類別j的像素的總數(shù)。利用模糊矩陣，可以計(jì)算出用于評價(jià)所有樣品的分類狀況的指標(biāo)。（2）總體精度（OverallAccuray,OA）?？傮w精度被用來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，但是對于占比較少的類別來說，總體精度對其不太敏感。OA=（TP+TN）/（TP+FP+FN+TN）（2.1）（3）F1-Score。在進(jìn)行精度評價(jià)時(shí)，對于類別像元數(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。針對這種常見的情況需要使用更加全面的評價(jià)方式來評價(jià)分類結(jié)果。F-Score是一個綜合性的評價(jià)指標(biāo)，能夠很好的解決上述問題，其計(jì)算式如式2.2。其是通過計(jì)算精確率和召回率的加權(quán)調(diào)和平均值來確定的，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)測正確的樣本數(shù)占預(yù)測值為真的樣本總數(shù)的比例。R表示召回率，其表示預(yù)測正確的樣本數(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)，也被用來評估分類的準(zhǔn)確性，通常用于遙感圖像分類評價(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表示所有類別相對應(yīng)的真實(shí)樣本數(shù)與預(yù)測樣本數(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為語義分割的標(biāo)準(zhǔn)度量,其是對每一類預(yù)測值和真實(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)測值和真實(shí)值的交集，TP+FP+FN表示每一類預(yù)測值和真實(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)過一個softmax層來輸出每一個類別的概率圖，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。這會使學(xué)習(xí)過程陷入損失函數(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)，但是對于訓(xùn)練樣本類別分布不均時(shí)，交叉熵?fù)p失函數(shù)無法很好的對小比例樣本進(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之間交集像素的個數(shù)，A和表示A、B中像素的個數(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)率會影響神經(jīng)網(wǎng)絡(luò)收斂速度的快慢，本實(shí)驗(yàn)將開始的學(xué)習(xí)率固定為0.001，并在訓(xùn)練過程中不斷調(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角度來評估模型耕地提取的有效性。定量是按照上文的評估方法對耕地提取結(jié)果進(jìn)行評估，定性是將模型的耕地提取結(jié)果可視化出來，用目視解譯來對提取結(jié)果進(jìn)行評估。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)行定量評估，以此來判斷模型的泛化性。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，這三個模型在訓(xùn)練時(shí)波動都較大，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。從定性的角度來評價(jià)耕地提取效果，各模型在包含1076張圖像的測試集上進(jìn)行預(yù)測的耕地提取精度和預(yù)測時(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)測時(shí)間也只增加了1s。這說明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題。圖3.2各模型耕地提取混淆矩陣圖3.3是各模型在測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將建筑用地識別為耕地了，而CMHRNet和HRNet則沒有識別出來。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，說明該模型針對遙感耕地提取中出現(xiàn)問題的改進(jìn)取