黃玉芬

(遼寧科技學(xué)院 曙光大數(shù)據(jù)學(xué)院，遼寧 本溪117004)

隨著遙感技術(shù)的不斷發(fā)展，它在地理數(shù)據(jù)獲取、地質(zhì)勘測(cè)、環(huán)境監(jiān)測(cè)等領(lǐng)域發(fā)揮著重要的作用。能夠準(zhǔn)確、迅速地獲得遙感信息遙感圖像是關(guān)鍵，而遙感圖像的分類是對(duì)遙感圖像處理重要組成部分。傳統(tǒng)的遙感圖像分類算法有監(jiān)督分類和無監(jiān)督分類兩種。監(jiān)督分類方法如最大似然法、 平行多面體等分類方法存在人為主觀因素較強(qiáng)等問題；無監(jiān)督分類如 K-Means方法會(huì)因某地會(huì)存在“同物異譜”和“異物同譜”等問題使模型的泛化能力不強(qiáng)，分類效果不理想。文章采用基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks)處理遙感圖像分類。卷積神經(jīng)網(wǎng)絡(luò)相對(duì)于一般的人工神經(jīng)網(wǎng)絡(luò)，通過添加卷積層和池化層使模型對(duì)圖像進(jìn)行局部感知；通過參數(shù)共享機(jī)制降低模型復(fù)雜程度，提高模型訓(xùn)練效率。而遙感圖像經(jīng)過數(shù)字化處理后是多維數(shù)組，卷積神經(jīng)網(wǎng)絡(luò)通過卷積層對(duì)圖像進(jìn)行特征提取，輸入圖像和訓(xùn)練網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)能很好地吻合[1]，相較以統(tǒng)計(jì)學(xué)為基礎(chǔ)的傳統(tǒng)的遙感圖像分類算法，卷積神經(jīng)網(wǎng)絡(luò)有更強(qiáng)的自主學(xué)習(xí)能力和容錯(cuò)能力。

1 CNN 網(wǎng)絡(luò)結(jié)構(gòu)中兩個(gè)關(guān)鍵層

1.1 卷積層

卷積神經(jīng)網(wǎng)絡(luò)中的核心部分是卷積層，它的作用是對(duì)圖像在像素值的水平上進(jìn)一步的特征提取，提取的方法是在大小為n×n的特征圖上用卷積核大小為m×m(通常取5×5)的濾波器(Filter)以步長(zhǎng)(stride)為1進(jìn)行移動(dòng)，卷積核與特征圖的圖像像素值做卷積操作，生成 一個(gè)大小為(m-n+1)×(m-n+1)新特征圖作為下一層的輸入層。

卷積操作公式為：

訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過程實(shí)際上是在訓(xùn)練一個(gè)卷積層的卷積核，使這些卷積核能檢測(cè)到圖像的特定特征[2]。

1.2 激活函數(shù)

通常在卷積層后增加激活函數(shù)，如果沒有對(duì)上一層網(wǎng)絡(luò)的計(jì)算結(jié)果進(jìn)行非線性處理，那么層與層之間都是線性關(guān)系，即輸出結(jié)果為輸入結(jié)果的線性組合，模型的表達(dá)能力有很大的局限性?，F(xiàn)實(shí)生活中大部分問題也并不是簡(jiǎn)單的線性關(guān)系，激活函數(shù)可以使模型具有更強(qiáng)的學(xué)習(xí)能力，也可以增大整個(gè)網(wǎng)絡(luò)的稀疏性，加快模型收斂速度。文章采用Relu函數(shù)作為激活函數(shù)，其表達(dá)式為f(x)=max(x,0),以Relu函數(shù)作為層與層之間的過渡層[3]。

1.3 池化層

從卷積層到增加激活函數(shù)再到后來的 Droupout 層，構(gòu)建整個(gè)網(wǎng)絡(luò)的過程中，通過去除一些不重要的信息，控制模型的冗余性，減小后期訓(xùn)練過程出現(xiàn)過度擬合的問題。在卷積層基礎(chǔ)上，引入池化層的目的是可以在保持大部分信息的同時(shí)，減小特征圖的尺寸， 通過最大池化或者平均池化，減少輸入的維度和參數(shù)的數(shù)量，進(jìn)而減小計(jì)算量，提高算法的效率。

2 基于CNN對(duì)遙感圖像進(jìn)行分類

2.1 實(shí)驗(yàn)環(huán)境和參數(shù)設(shè)置

文章采用的深度學(xué)習(xí)框架為 TensorFlow1.14.0，系統(tǒng)為 Windows10位，處理器為酷睿i5-8265U 1.60 GHz，內(nèi)存為8G，四類遙感圖像，每類圖像700張，模型迭代次數(shù)為 5 000 次。

2.2 遙感圖像預(yù)處理

在將圖像數(shù)據(jù)讀入到神經(jīng)網(wǎng)絡(luò)之前需要做好數(shù)據(jù)的預(yù)處理工作，需要把所有圖像的大小統(tǒng)一，這里采用雙線性插值把圖像尺寸改為64×64,然后對(duì)每張圖片像素坐標(biāo)進(jìn)行歸一化，將像素值轉(zhuǎn)化到0～1之間，減小模型的運(yùn)算量[4]。

2.3 構(gòu)建圖像數(shù)據(jù)集

把有標(biāo)簽的各類遙感圖片整合在一起構(gòu)成其圖像數(shù)據(jù)集DateSet[image1,image2,……,imagen]，同時(shí)保存每張圖片所屬的標(biāo)簽Labels[label1,label2,……,labeln]，然后對(duì)整個(gè)數(shù)據(jù)集進(jìn)行隨機(jī)打亂，按照訓(xùn)練集和測(cè)試集比例為75∶25進(jìn)行劃分。

2.4 模型架構(gòu)

整個(gè)模型中，前三層是卷積層用Convi表示，每一層卷積層包含池化層用Poolingi表示, 其中卷積層Conv1，Conv2和Conv3包含卷積核的個(gè)數(shù)分別有 64、32 和 16，三層卷積核尺寸均為3×3，滑動(dòng)步長(zhǎng)為 1，激活函數(shù)采用 Relu 。池化層Poolingi的池化窗口大小為2×2，池化方式采用最大池化進(jìn)行特征圖下采樣。然后增加兩層全連接層，并引入Dropout 隨機(jī)剔除掉30%的神經(jīng)元，可以有效減少過擬合。最后輸出層通過 Softmax邏輯回歸分類器得出最大概率對(duì)應(yīng)的標(biāo)簽[5](如圖1)。

圖1 模型結(jié)構(gòu)圖

2.5 結(jié)果評(píng)估

在訓(xùn)練集中隨機(jī)選出8張遙感圖像進(jìn)行預(yù)測(cè)，圖2為識(shí)別結(jié)果，都能準(zhǔn)確識(shí)別出各類遙圖像所屬的類別。

圖2 預(yù)測(cè)結(jié)果

通過tensorboard可查看詳細(xì)的模型訓(xùn)練情況，最終模型的準(zhǔn)確率在91.7%左右，loss值最終穩(wěn)定在0.16，(如圖3、圖4)。

圖3 模型在訓(xùn)練過程準(zhǔn)確率

圖4 模型損失值

因?yàn)楸締栴}屬于多分類任務(wù)， 準(zhǔn)確率不能完全反映分類器的性能， 宏平均 (Macroaveraging) 和微平均(Micro-averaging)是評(píng)價(jià)多分類分類器的性能優(yōu)劣的兩種常用方法，宏平均是指所有類別的每一個(gè)統(tǒng)計(jì)指標(biāo)值的算數(shù)平均值，即宏精確率，宏召回率和F值[6]。

宏精確率Pmacro計(jì)算公式為：

宏召回率Rmacro計(jì)算公式為：

宏F值Fmacro計(jì)算公式為：

3 結(jié)論

文章基于CNN卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了遙感圖像的分類，現(xiàn)有遙感圖像數(shù)據(jù)集中分類效果表現(xiàn)良好，最后用宏平均對(duì)模型進(jìn)行全面的評(píng)估。該方法分類效果優(yōu)于傳統(tǒng)的遙感圖像方法，模型具有良好的泛化性。