深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类

doi:10.13474/j.cnki.11-2246.2019.0179

测绘通报 ›› 2019, Vol. 0 ›› Issue (6): 29-33,40.doi: 10.13474/j.cnki.11-2246.2019.0179

深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类

陈斌¹, 王宏志¹, 徐新良², 王首泰¹, 张亚庆²

1. 华中师范大学城市与环境科学学院地理过程分析与模拟湖北省重点实验室, 湖北武汉 430079;
2. 中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室, 北京 100101

收稿日期:2018-09-03 修回日期:2018-11-07 出版日期:2019-06-25 发布日期:2019-07-01
通讯作者: 徐新良。E-mail:xuxl@lreis.ac.cn E-mail:xuxl@lreis.ac.cn
作者简介:陈斌(1992-),男,硕士生,研究方向为深度学习算法及GIS应用研究。E-mail:giscb@foxmail.com
基金资助:
中国科学院A类战略性先导科技专项（XDA20010302）；华中师范大学研究生教育创新资助项目（2018CXZZ001）

The classification by medium resolution remote sensing images based on deep learning algorithm of GoogleNet model

CHEN Bin¹, WANG Hongzhi¹, XU Xinliang², WANG Shoutai¹, ZHANG Yaqing²

1. Hubei Province Key Laboratory for Analysis and Simulation of Geographical Process, College of Urban and Environmental Sciences, Central China Normal University, Wuhan 430079, China;
2. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China

Received:2018-09-03 Revised:2018-11-07 Online:2019-06-25 Published:2019-07-01

摘要/Abstract

摘要：

提出了一种基于深度学习技术的遥感分类方法，它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像，基于GoogleNet模型中的Inception V3网络结构，借助迁移学习方法，构建出遥感分类模型，实现了对武汉市主城区4类典型地物（不透水层、植被、水体和其他用地）的自动分类提取，并将分类结果与传统最大似然分类（ML）结果进行了对比分析。研究表明：基于深度学习方法的遥感影像总体分类精度高达88.33%，Kappa系数为0.834 2，明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0，而且有效抑制了地物在分类过程中出现的像元混分现象。

关键词: 空间分辨率, 深度学习, 遥感分类, GoogleNet

Abstract:

We proposed a remote sensing classification method based on deep learning technology, which can effectively solve the problem of pixel mixing in the medium resolution images classification. The research selected the Landsat 7 ETM+ remote sensing image of Wuhan City on May 12, 2016. Based on the Inception V3 network structure in the GoogleNet model, the remote sensing image classification model was constructed by means of migration learning method, and four typical features of the main urban area of Wuhan were realized. Automatic classification of permeable layers, vegetation, water bodies and other land uses, and the classification results were compared with traditional maximum likelihood classification (ML) results. The research shows that the overall classification accuracy of remote sensing image based on deep learning method is as high as 88.33%, and the Kappa coefficient is 0.834 2, which is obviously better than the traditional classification accuracy of 83% and Kappa coefficient of 0.755 0, and it effectively suppresses the phenomenon of pixel mis-or leakage in the classification process.

Key words: spatial resolution, deep learning, remote sensing classification, GoogleNet

中图分类号:

P237

陈斌, 王宏志, 徐新良, 王首泰, 张亚庆. 深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类[J]. 测绘通报, 2019, 0(6): 29-33,40.

CHEN Bin, WANG Hongzhi, XU Xinliang, WANG Shoutai, ZHANG Yaqing. The classification by medium resolution remote sensing images based on deep learning algorithm of GoogleNet model[J]. 测绘通报, 2019, 0(6): 29-33,40.

参考文献

[1] 徐佳, 袁春琦, 程圆娥, 等. 基于主动深度学习的极化SAR图像分类[J]. 国土资源遥感, 2018, 30(1):72-77.
[2] 高常鑫, 桑农. 基于深度学习的高分辨率遥感影像目标检测[J]. 测绘通报, 2014(S1):108-111.
[3] 石祥滨, 房雪键, 张德园, 等. 基于深度学习混合模型迁移学习的图像分类[J]. 系统仿真学报, 2016, 28(1):167-173.
[4] 郑胤, 陈权崎, 章毓晋. 深度学习及其在目标和行为识别中的新进展[J]. 中国图象图形学报, 2014, 19(2):175-184.
[5] 陈星沅, 姜文博, 张培楠. 深度学习和机器学习及模式识别的研究[J]. 科技资讯, 2015, 13(31):12-13.
[6] LEE H, PHAM P, LARGMAN Y, et al. Unsupervised feature learning for audio classification using convolutional deep belief networks[C]//Advances in Neural Information Processing Systems. Cam-bridge:MIT Press, 2009:1096-1104.
[7] HAMEL P, ECK D. Learning features from music audio with deep belief networks[C]//Proceedings of the 11th International Society for Music Information Retrieval Conference.[S.l.]:IEEE, 2010:339-344.
[8] 翟剑锋. 深度学习在自然语言处理中的应用[J]. 电脑编程技巧与维护, 2013(18):74-76.
[9] LeCUN Y,CHOPRA S,RANZATO M,et al. Energy-based models in document recognition and computer vision[C]//Proceedings of the 9th International Conference on Document Analysis and Recognition. New York:New York University, 2007:337-341.
[10] 奚雪峰, 周国栋. 面向自然语言处理的深度学习研究[J]. 自动化学报, 2016, 42(10):1445-1465.
[11] 党宇, 张继贤, 邓喀中, 等. 基于深度学习AlexNet的遥感影像地表覆盖分类评价研究[J]. 地球信息科学学报,2017, 19(11):1530-1537.
[12] 龚健雅, 钟燕飞. 光学遥感影像智能化处理研究进展[J]. 遥感学报, 2016, 20(5):733-747.
[13] 金永涛, 杨秀峰, 高涛, 等.基于面向对象与深度学习的典型地物提取[J]. 国土资源遥感, 2018, 30(1):22-29.
[14] 范大昭, 董杨, 张永生. 卫星影像匹配的深度卷积神经网络方法[J]. 测绘学报, 2018, 47(6):844-853.
[15] 刘大伟, 韩玲, 韩晓勇. 基于深度学习的高分辨率遥感影像分类研究[J]. 光学学报, 2016, 36(4):306-314.
[16] 陈趁新, 胡昌苗, 霍连志, 等. Landsat TM数据不同辐射校正方法对土地覆盖遥感分类的影响[J]. 遥感学报, 2014, 18(2):320-334.
[17] 张树清, 陈春, 万恩璞. 三江平原湿地遥感分类模式研究[J]. 遥感技术与应用, 1999(1):54-58.
[18] 刘娟, 蔡演军, 王瑾.青海湖流域土壤遥感分类[J]. 国土资源遥感, 2014, 26(1):57-62.
[19] BAATZ M, SCHAPE A. Multi-resolution segmentation:an optimization approach for high quality multiscale image segmentation[R]. Heidelberg:[s.n.], 2000.
[20] 程乾, 陈金凤. 基于高分1号杭州湾南岸滨海陆地土地覆盖信息提取方法研究[J]. 自然资源学报, 2015, 30(2):350-360.
[21] 宋晓阳, 姜小三, 江东, 等. 基于面向对象的高分影像分类研究[J]. 遥感技术与应用, 2015, 30(1):99-105.
[22] ZHAN Q M, MOLENAAR M, TEMPFLI K, et al. Quality assessment for geo-spatial objects derived from remotely sensed data[J]. International Journal of Remote Sensing, 2005, 26(14):2953-2974.

深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类

The classification by medium resolution remote sensing images based on deep learning algorithm of GoogleNet model

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	刘立, 董先敏, 刘娟, 文学虎. 人机融合智能的遥感解译生产新方法[J]. 测绘通报, 2022, 0(7): 118-123,137.
[2]	蔡柔丹. 一种基于用户异步轨迹的身份识别智能方法[J]. 测绘通报, 2022, 0(7): 158-162,167.
[3]	滕文鑫, 张建辰, 邵杰. 集成时空邻近与卷积网络车道级高精度定位算法[J]. 测绘通报, 2022, 0(6): 1-5,61.
[4]	张晋赫, 秦育罗, 张在岩, 宋伟东, 朱洪波. 复杂场景下农村道路裂缝分割方法[J]. 测绘通报, 2022, 0(5): 74-78,88.
[5]	师芸, 石龙龙, 牛敏杰, 赵侃. 基于单阶段实例分割网络的黄土滑坡多任务自动识别[J]. 测绘通报, 2022, 0(4): 26-31.
[6]	王雪, 梁珂, 隋立春, 钟棉卿, 朱剑锋. 膨胀卷积与金字塔表达的深度学习模型用于农村建筑物提取[J]. 测绘通报, 2022, 0(4): 61-65.
[7]	高鸣, 周鑫鑫, 刘琦, 杨光迪, 吴长彬. 深度学习网络支持下的农房侵占耕地自动化监测[J]. 测绘通报, 2022, 0(3): 47-53.
[8]	孙琴琴, 蔡国印, 杨柳忠, 张宁, 杜明义. 城市尺度典型地表要素综合提取方法研究[J]. 测绘通报, 2022, 0(2): 62-66.
[9]	宁婷, 崔伟, 马晓勇. 基于均值变点法提取地形起伏度的影响因素分析——以黄河流域(山西段)为例[J]. 测绘通报, 2022, 0(2): 159-163.
[10]	张自强, 刘涛, 杜萍, 锁旭宏, 杨国林. 图残差神经网络支持下的建筑物群组模式分类[J]. 测绘通报, 2022, 0(1): 1-7.
[11]	车子杰, 高飞, 吴兆福, 李振轩. 基于改进U-Net网络的多源遥感影像洪涝灾害信息提取与变化分析[J]. 测绘通报, 2022, 0(1): 26-32.
[12]	程瑞, 高建, 邢强, 孙中昶. 一种优化的Faster R-CNN小目标检测方法[J]. 测绘通报, 2021, 0(9): 21-27.
[13]	淳锦, 张新长, 郭海京, 张建国, 金诗程. 基于多源信息与深度学习特征提取的人口空间抽样方法[J]. 测绘通报, 2021, 0(8): 42-47.
[14]	李梓豪, 唐超. 基于高清工业相机的盾构隧道裂缝智能识别算法分析[J]. 测绘通报, 2021, 0(8): 83-87,101.
[15]	王学文, 赵庆展, 田文忠, 龙翔, 江萍. U-Net模型对不同空间分辨率防护林提取精度的影响[J]. 测绘通报, 2021, 0(6): 39-43.