深度學習在遙感影像解譯中的應用淺析

徐金曉 方圓

摘要：近年來，以對地觀測技術為核心的空間地球信息科技已經成為衡量一個國家科技實力和經濟水平的重要指標，遙感技術就是一種采集地球信息的重要手段。而深度學習則是一種有效的特征提取方法，隨著科學家對于人工智能的深度研究，深度學習成為機器人與人工智能研究的熱點，深度學習已經被廣泛運用到遙感領域。本文總結了深度學習在遙感影像中的應用成果，并指出了當前研究存在的問題，為后期研究提供一定的參考意義。

關鍵詞：深度學習;遙感影像;應用

一.深度學習概念及其典型方法

深度學習是指超過三層的神經網絡模型，模仿人類大腦的層次結構，嘗試使用體系結構的多個非線性變換組成模型中數據的高級抽象機器學習算法。主要方法有以下三種：

1.深度信念網絡

深度信念網絡由多層的RBM和一層分類器組成，訓練過程有兩步：第一步是對DBM進行網絡預訓練，自下而上對每層RBM進行無監督訓練，第二步是網絡微調，是一種自上而下的監督學習，主要是對無監督學習階段取得的特征信息進行總結歸納，最后得到一個較好的識別水平。

2.卷積神經網絡

卷積神經網絡也分為兩層。低隱含層由卷積層，池化層交替組成，卷積層通常為組合卷積，負責的內容是線性操作，進行特征提取;池化層負責減少特征圖尺寸規模;高層由全連接層作為分類器使用，負責最終的推斷和分類。

3.自動編碼器

自動編碼器的組成部分是編碼器和解碼器。其演化模型包括棧式自動編碼器和稀疏自動編碼器等。其中，編碼器將輸入數據映射到特征空間，解碼器將數據映射回數據空間，完成對輸入時數據的重建。

二.遙感數據源及其分類方法

1.遙感概述

遙感影像記錄的是觀測區在某一時間內地物的電磁波輻射，其亮度值反映了地物的輻射光譜能量的特征，其紋理特征反映了地物的光譜結構特征。

2.分類方法

非監督分類：非監督分類不必對影像地物獲取先驗知識，僅依靠影像上不同種類的地物光譜信息特征進行特征提取，再統計特征的差別，然后確認已分出的各個類別的屬性。常用的非監督分類方法有：K均值、ISODATA方法等。

監督分類：監督分類是先選擇具有代表性的典型訓練區，用從訓練區中獲取的地物樣本的光譜特征來選擇特征參數、確定判別函數，從而把影像中的各個像元劃歸到各個給定類的分類方法。常用的監督分類方法有：K近鄰法、馬氏距離分類、最大似然法等。

三.深度學習在遙感影像中應用現狀

深度學習能從原始數據自動進行特征學習，通過多層非線性網絡逼近復雜分類問題。然而，深度學習應用于遙感圖像處理尚處于起步階段，用于高分辨率遙感與高光譜遙感影像居多。

1.深度信念網絡在遙感圖像處理中的應用現狀

目前深度信念網絡應用遙感數據主要是經典數據集，需要進一步拓展不同遙感數據的應用。從網絡參數看，最優隱藏層數集中于2-3層，且3層較多。受輸入與輸出大小影響，各隱藏層的節點數差異較大，幅度在50-500之間，部份研究尚未探討節點數對分類精度影響;絕大多數學習率是0.01和0.1。從分類結果看，多數分類精度達到90%以上，大大超出常規目視解譯、專家檢驗和多次糾正分類結果。

2.卷積神經網絡在遙感圖像處理中的應用現狀

1989年LECUN等提出了一種用于字符識別的卷積神經網絡，該網絡使用7層神經層，識別結果達到了當時的頂尖水平。曲景影等在傳統 LENET-5網絡結構的基礎上，引入ReLU激活函數，并應用于高分辨率遙感圖像的5類對象識別，識別效果精度很高。陳文康把CNN應用于四川省丹棱縣內無人機遙感影像農村建筑物識別研究發現，池化層置于歸一層前面有利提高建筑物提取精度。Scott等利用遷移學習和3種CNN網絡對高分遙感數據集進行研究，取得較好研究結果。

3.自動編碼器在遙感圖像處理中的應用現狀

林洲漢較早應用自動編碼機進行高光譜數據特征提取，好于傳統特征提取方法。研究表明，融合光譜特征與空間信息占優的特征所形成的空譜聯合分類對分類精度改進是有效的。Liu構建了wacDAE對光學遙感圖像進行山崩自然災害分類研究，實驗結果表明，wacDAE有利于山崩識別.闞希等利用層疊去噪自動編碼器和風云三號衛星對青藏高原積雪進行識別，研究指出根據青藏高原特征，需要進一步訓練季節性的積雪判識的深度網絡，以提高整體分類精度。

四.深度學習用于遙感圖像處理中存在問題與發展趨勢

1.算法理論的深入研究

深度學習網絡結構趨勢向更深、更寬方向發展，但網絡結構選取目前尚沒有完善的理論依據。例如不同隱藏層對遙感圖像特征提取的物理意義是什么？如何理解深度學習中各參數變化對分類結果影響？這些都是迫切需要回答的問題。

2.典型方法的應用與修正

深度學習中典型方法在遙感領域應用有初步成果，需要利用現有成果進行遙感圖像處理規范建設，也要鞏固現有成果進行技術標準化研究。但同時也有一些問題需要解決，例如已有的優化模型可否直接應用于不同遙感數據源處理？各種網絡如何合作并發揮各網絡功能進行智能化處理等等。

3.新模型的拓展與應用

典型方法應用僅局限于經典幾個數據集研究當中，實際應用成果較少，如何將區域神經網絡應用于遙感圖像分類、定位以及相關物體檢測？如何利用遞歸神經網絡以及長短時記憶模型的記憶功能？如何應用綜合網絡于不同遙感圖像融合并提高識別精度？這些問題都值得進一步研究。

4.遙感大數據監測平臺的建設

由于遙感有數據源豐富、更新周期短、應用范圍廣的特征，所以，迫切需要建立行業統一遙感大數據監測平臺，將海量多源異構遙感大數據集成到該平臺中。不僅要加強用于訓練與測試的遙感數據集建設，側重研究遙感數據擴充技術，還要探索小樣本甚至零樣本學習問題。

五.結語

隨著生活水平的不斷提高，遙感影像即遙感技術在人們的日常生活中扮演著越來越重要的角色，由于遙感技術和計算機技術的不斷發展，影像的智能化解譯將會成為一個重要的發展趨勢，但遙感技術在其提升過程中也出現了一些問題。本文主要結合基于深度學習的各種方法，對遙感影像的分類進行了研究與分析，希望能夠對此類學科的發展提供理論幫助。

參考文獻：

[1]鐘傳琦.基于深度學習的高分辨率遙感影像道路自動提取研究[D].電子科技大學，2018.

[2]劉大偉，韓玲，韓曉勇.基于深度學習的高分辨率遙感影像分類研究[J].光學學報，2016，36（04）：306-314.

[3]羅仙仙，曾蔚，陳小瑜，張東水，莊世芳.深度學習方法用于遙感圖像處理的研究進展[J].泉州師范學院學報，2017，35（06）：35-41.

[4]羅可雨.關于深度學習用于遙感影像分類的探討[J].中國戰略新興產業，2018（40）：170+172.