结合深度学习与条件随机场的遥感图像分类
目的 为进一步提高遥感影像的分类精度,将卷积神经网络(CNN)与条件随机场(CRF)两个模型结合,提出一种新的分类方法.方法 首先采用CNN对遥感图像进行预分类,并将其类成员概率定义为CRF模型的一阶势函数;然后利用高斯核函数的线性组合定义CRF模型的二阶势函数,用全连接的邻域结构代替常见的4邻域或8邻域;接着加入区域约束,使用Mean-shift分割方法得到超像素,通过计算超像素的后验概率均值修正各像素的分类结果,鼓励连通区域结果的一致性;最后采用平均场近似算法实现整个模型的推断.结果 选用3组高分辨率遥感图像进行地物分类实验.本文方法不仅能抑制更多的分类噪声,同时还可以改善过平滑现象,保护各类地物的边缘信息.实验采用类精度、总体分类精度OA、平均分类精度AA,以及Kappa系数4个指标进行定量分析,与支持向量机(SVM)、CNN和全连接CRF相比,最终获得的各项精度均得到显著提升,其中,AA提高3.28个百分点,OA提高3.22个百分点,Kappa提高5.07个百分点.结论 将CNN与CRF两种模型融合,不仅可以获得像元本质化的特征,而且同时还考虑了图像的空间上下文信息,使分类更加准确,后加入的约束条件还能进一步保留地物目标的局部信息.本文方法适用于遥感图像分类领域,是一种精确有效的分类方法.
遥感图像分类、深度学习、卷积神经网络、条件随机场、势函数、区域约束
22
TP751(遥感技术)
国家自然科学基金项目61371168;江苏省科技支撑计划基金项目BE2014646;南京市科技计划基金项目201505026National Natural Science Foundation of China61371168
2017-10-16(万方平台首次上网日期,不代表论文的发表时间)
共13页
1289-1301