基于深度學習的遙感圖像土地分類研究＊

張 凱，于 航

(1.長春財經學院，吉林 長春 130122；2.吉林農業大學)

0 引言

遙感技術是從遠距離感知目標反射或自身輻射的電磁波、可見光、紅外線，對目標進行探測和識別的技術。隨著遙感技術的不斷發展，遙感圖像數據在各個領域的應用也越來越多，在國防和安全建設、城市規劃、災害監測、土地利用、景觀分析、農業遙感等領域均有應用廣泛。遙感圖像分類是該領域的一個熱點問題，對圖像信息的獲取具有重要意義。在過去人工視覺方法主要用于圖像解釋，不僅消耗人力、效率低下，而且不能提高準確性。隨著計算機技術的發展，遙感圖像與計算機圖像分類技術相結合已經取代了人工分類并已成為主流。

目前被廣泛使用的方法有神經網絡和遺傳算法。近年來，遙感圖像采集技術得以迅速發展，采集的圖像越來越豐富。如高光譜圖像和包含更豐富特征信息的高分辨率圖像。但豐富的特征信息也給分類帶來了一定的困難，如何合理利用豐富的特征信息實現高效準確的遙感圖像土地分類是亟待解決的問題.遙感圖像數據的總體規劃和應用也越來越完善，監測結果和數據需要更加全面和準確。因此，對遙感圖像的土地分類提出了一個新的挑戰。本文針對生態資源利用的視角提出了一種基于深度學習的遙感圖像細化土地分類模型。與傳統模式相比，其創新創新總結如下。

⑴由于單個特征描述和分類的精度不夠高，該模型提取了顏色、紋理、部分、形狀等9 個特征。基于特征級圖像融合方法，可以最大程度地保留特征的有效識別信息，提高分類的可靠性。

⑵為了提高遙感圖像土地分類的精度，該模型使用DBN 對融合后的圖像特征進行處理。結合正向無監督分類結果和標簽數據，根據誤差反向傳播規律對訓練網絡進行微調，縮短了土地分類時間。

1 分類方法

在實際的圖像分類過程中，可選的訓練樣本很少。大多數深度學習模型從不同的訓練樣本數據集、不同的訓練樣本和迭代時間中能夠分析抗干擾和收斂性能，但對不同規則和不同尺度的圖像分類的適應性較差。弗萊徹-里夫斯提出了一種基于遙感圖像分割的CNN 方法，基于CNN 算法的研究在遙感圖像分類領域取得了良好的效果，但很少涉及到土地生態資源的利用。因此，本文提出了一種基于生態資源利用角度的深度學習的遙感圖像土地細化分類方法，該方法在考慮生態環境資源利用的同時，提高了分類的效率和準確性。

2 數據采集與預處理

2.1 數據源

遙感圖像分割的CNN 研究對象選擇吉林省長春市公主嶺地區2021 年高光譜數據，如圖1 所示。使用的主要遙感數據為國內高分1 號衛星，分辨率為2 米全色/8米多光譜。

圖1 長春市公主嶺地區遙感圖像

2.2 多光譜數據預處理

⑴ 輻射校準。使用ENVI 軟件對GF-1(高分1 號)遙感圖像進行輻射校準，將圖像的灰度值轉換為傳感器瞳孔處的輻射。ENVI 軟件可以自動選擇不同時間段采集的GF-1 遙感圖像在相應時間段內發布的輻射校準系數。

⑵大氣校正。電磁波在大氣傳輸過程中被大氣吸收、散射并受到不同程度的干擾。需要對遙感圖像進行大氣校正處理。ENVI 的超立方體(FLASH)模塊的快速視線大氣分析。用于大氣校正，以減少大氣的影響。軟件模塊可自動讀取傳感器中心點的高度、經度、緯度、傳感器類型、像素大小、成像時間等信息。設置成像面積的平均高度、大氣模型和氣溶膠類型，最終得到表面反射率圖像。

3 基于多特征融合的DBN 遙感圖像土地分類技術

3.1 多功能融合

圖像融合提高了圖像的清晰度和信息內容，能夠準確、可靠、全面地獲取目標或場景信息。融合主要分為像素級、特征級和決策級三個層次，本文使用特征級圖像融合的方法是從原始圖像中提取特征信息。特征信息是基于研究者對圖像中研究對象的分析，如車輛、行人和數字，然后提取出能夠充分表達目標的相關特征信息。與原始圖像相比，基于特征融合信息的目標識別和提取的精度將得到顯著提高。通過特征級融合方法可以獲得壓縮后的圖像信息，壓縮后的信息被重復用于計算機分析和處理。與像素級融合方法相比，減少了內存和時間消耗，可以更快地獲得融合結果。

3.2 分類模型

DBN 是一種概率生成模型，它通過學習過程建立了輸入數據和標簽數據之間的聯合分布。從結構上講，DBN 模型由多層限制玻爾茲曼機(RBM)和頂部組成Softmax 分類器。正確地構建DBN 模型是從遙感圖像中準確、有效地提取陸地類型的關鍵。合理設計DBN 模型的框架，如RBM 網絡的層數等，可以有效地提高分類化效率。確定合理的DBN模型操作參數，如學習率、正無監督學習數量、隱層神經元數量等，可以大大提高分類結果的準確性.考慮到該模型的分類效果和訓練效率，構建了一個網絡規范為124-250-250-2的DBN模型。

3.3 算法具體流程

⑴提取了九個特征。方法是采用灰度直方圖和小波變換算法提取了兩種紋理特征。顏色特征通過顏色直方圖和顏色矩獲得。利用矩不變算法得到一個形狀特征，通過求解普查和尺度不變特征變換算法得到三個局部特征。最后，總共得到了九個特征值。

⑵規范這九個功能，并將數據轉換為0-1之間。

⑶將九個歸一化特征向量連續融合，獲得作為DBN 模型輸入的圖像的新特征。充分考慮計算復雜度和分類精度來確定最終的DBN網絡模型。

⑷將測試數據輸入DBN，使用相同的特征融合方法進行測試，并使用Softmax 方法，完成遙感圖像陸地類型的分類。

4 實驗與分析

實驗在Ubuntu16 上進行訓練。系統采用NVIDIAGeForce TitanX 圖形設備，該設備共計二個部件，每個部件帶有12GB 顯存。DBN 模型是在開源框架Keras 和TensorFlow 平臺中實現。從圖2 可見，DBN模型的正向訓練過程是一個無監督的學習過程。DBN 模型的每次訓練都伴隨著神經元之間的權重和偏差的更新。因此，前向無監督學習的數量決定了DBN 模型中每個參數的更新次數。訓練過程中設置更積極的無監督學習，有利于DBN模型更有效地表達輸入神經元的特征信息。多重積極學習不僅影響了模型的訓練效率，也導致了DBN模型的分類結果。

圖2 積極學習時間與分類準確率之間的關系

圖3中在保證分類準確性的同時，推理時間縮短，時間消耗為128ms。即使時間消耗不是最短的，但考慮到速度和精度，所提出的模型也能滿足實際需要。實驗結果如圖4 所示，根據遙感圖像得出的土地分類結果的比較，本文模型(b)較比原有模型(a)精度和速度有明顯提升。

圖3 截取遙感圖像

圖4 根據遙感圖像得出的土地分類結果的比較

5 結論

土地覆蓋類型是生態環境觀測的關鍵和廣泛的研究領域，但形態受季節的影響，大多數分類方法的識別效果并不理想。為此，本文提出了基于生態資源利用角度基于深度學習的遙感圖像土地分類模型，結合特征級圖像融合方法，對高分一號衛星獲得的遙感圖像數據進行DBN網絡模型處理和分析，有效準確地獲得土地類型。同時，基于Keras 和TensorFlow 平臺，對該模型進行了實驗驗證。結果表明，當隱層神經元數量設置為280，學習率設置為0.45，前向無監督學習數量設置為120，DBN 模型的分類性能最好。該模型可以對土地類型進行清晰的分類，為遙感領域的深度學習提供了技術支持。