结合深度卷积神经网络的面向对象方法在遥感影像土地利用类型分类

结合深度卷积神经网络的面向对象方法在遥感影像土地利用类型分类中的应用(中文5000字,英文PDF)
摘  要
土地利用信息直接反映了人类活动对环境的影响，遥感图像的准确和有效的土地利用分类是土地利用和土地覆盖变化研究的重要组成部分。为解决传统土地利用分类方法存在的问题（如数据维数快速增加，特征提取不足，运行效率低），提出了一种将面向对象方法与深度卷积神经网络（COCNN）相结合的方法。 。首先，使用多尺度分割算法来分割图像以生成具有高均匀性的图像分割区域。其次，在面向对象的分割结果的基础上构建了一个典型的特征对象规则集，并且分割和提取分割对象以形成训练样本集。第三，修改卷积神经网络（CNN）模型结构以提高分类性能，并且优化训练算法以避免在使用小数据集的训练期间发生的过拟合现象。以覆盖抚仙湖周边地区的遥感影像为例，对10种土地利用类型进行了分类。通过比较COCNN方法和仅基于CNN的方法，选择精确度和kappa指数来评估两种方法的分类准确性。对于COCNN方法，在分类统计的基础上，精度和kappa指数系数分别为96.2％和0.96，比仅基于CNN的方法高8.98％和0.1。
关键词：土地利用类型分类；面向对象；卷积神经网络；深度学习；多尺度分割