基于卷积神经网络的遥感数据分类

论文总字数：21700字

目 录

1 绪论 1

1.1 课题研究目的及意义 1

1.2 国内外研究现状 1

2 遥感数据分类方法 4

3 神经网络 5

3.1 神经网络概述 5

3.2 神经网络的分类 6

4 卷积神经网络 6

4.1 卷积神经网络概述 6

4.2 卷积神经网络的实现框架 10

4.3 卷积神经网络的训练 10

5 基于深度残差网络的高光谱遥感数据分类 12

5.1 深度残差卷积神经网络概述 12

5.2 深度残差卷积神经网络理论模型 14

5.3 残差块 15

5.4 残差结构 16

5.5 主成分分析 19

5.6 实验平台的搭建 19

6 实验结果与分析 20

6.1 实验数据简介 20

6.2 实验结果情况分析 21

7 总结 23

参考文献 25

致谢 26

基于卷积神经网络的遥感数据分类

朱致远

, China

Abstract: This paper proposes a hyperspectral remote sensing data classification method based on deep residual convolutional neural network. We use the deep residual convolutional neural network as a classifier to classify the pixels to be classified and their domain pixels into the input of the neural network. The algorithm model of the residual network is used to classify the hyperspectral remote sensing data. As an adaptive nonlinear system, convolutional neural network can adjust its structure and weight according to external information. We use deep learning technology to extract data features and then classify them to achieve the purpose of improving classification accuracy and efficiency. This paper mainly enhances the efficiency and processing ability of remote sensing data classification by improving the classification method.

Key words: Convolutional neural networks; Hyperspectral images; Image classification; Deep learning

1. 绪论
   1. 课题研究目的及意义

二十世纪后半叶，人类可以发射火箭、卫星等高空飞行器，并结合传感器和电磁波，可以对地面物体进行探测和识别。随着遥感技术的发展，高光谱图像遥感技术得到快速的发展。它具有十分重要的现实意义和实际应用。

遥感高光谱成像能够获得丰富的地物光谱信息，这使得在传统的宽波段遥感中不可分辨的物质在高光谱遥感中可以被分辨出来。由于高光谱图像光谱维度高、数据冗余大且存在非线性特性，直接进行分类易导致Hughes现象（即当特征维数增加到某一临界值时，继续增加反而会导致分类器的性能变差），而卷积神经网络能够自动地从图像中提取空间特征和光谱信息，利用深度学习的研究方法能够更优地处理遥感数据，对于高光谱图像遥感技术的研究具有很大意义。

与普通遥感图像相比，高光谱图像主要特点在光谱分辨率上具有更小的数量级，具有更多的图像信息，能更精准的定性和定量分析物体的物理结构、化学成分等指标。

• 1. 国内外研究现状
     1. 光谱遥感技术

遥感技术是一种基于电磁波理论，向远程目标发射电磁波，对物体辐射和反射回来的信号进行收集处理，最后成像的技术。主要应用于气象、军事、勘察等领域。以往数据资料都是从地面得到的，在飞机、卫星等飞行器运载平台的发展和帮助下，我们才得以能在空间角度进行科学研究。随着光感元件的发展，卫星遥感图像和航空遥感图像的分辨率越来越高，人们可以从遥感数据中能够得到更多实用有效的遥感数据和信息。按照分辨率，我们可以将遥感技术进行分类，分成多光谱遥感、高光谱遥感和超光谱遥感，它们的主要区别在于波段的数量和分辨率的数量级。波段数量可以分成几个到几千个，分辨率数量级可以分成毫米级到纳米级。越高的波段数量和越小的分辨率数量级的遥感技术采集到的图像数据越全面和精确。

图1 高光谱遥感数据示意图

高光谱图像是一种三维数据，它主要与遥感技术相结合。如图1，它是由光谱成像仪从太空飞行，向地表发出波段不同的光谱信号。由于地表的物体对信号的吸收和反射率均不同，所以根据反馈信号可以绘出二维的地表图像。加上光谱维这一维度，形成的图像称为高光谱图像。它的优点是可以将图信息和谱信息进行结合，完整有效的传达出来。还可以根据物体对不同波段的光谱信号的表现进行绘制曲线，将图像中的物体进行分类，如山丘、河流、丛林等。

高光谱遥感技术近些年来得到快速的发展，它具有波段高、分辨率高、信息量大等优点，可以精确的对地表物体种类、植被指数、农作物生长情况、大气中成分变化等方面进行识别和分类。从二十世纪七十年代开始，中国开始研究和推广高光谱遥感技术，并发射相关卫星收集图像进行研究。直至现在，我们还需在降低高光谱图像维度、提高高光谱图像数据处理能力、开发高效的数据处理软件系统等方面进行深度的研究。

• • 1. 遥感数据分类

当“数字地球”的概念提出之后，民用场景中使用遥感数据的数量不断增多，包括资源调查、自然灾害观测、气象预报等。不同场合所需要的遥感图像的不同对遥感图像处理提出了更高的要求，因而遥感数据的处理及遥感数据的分类显得更加重要，经过前人的许多努力，现已有了许多经典的分类算法和分类方法。

剩余内容已隐藏，请支付后下载全文，论文总字数：21700字