摘 要：遙感圖像能夠更為豐富地反映地物內(nèi)部信息，但多種應(yīng)用場(chǎng)景下會(huì)出現(xiàn)時(shí)間序列關(guān)鍵特征難以提取，導(dǎo)致圖像分類效果不佳的問(wèn)題。為此，設(shè)計(jì)一種面向多應(yīng)用場(chǎng)景的遙感圖像長(zhǎng)短期記憶（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ） 網(wǎng)絡(luò)分類模型。對(duì)場(chǎng)景遙感圖像時(shí)間序列特征進(jìn)行表示；改進(jìn)動(dòng)態(tài)時(shí)間彎曲質(zhì)平均算法，利用改進(jìn)算法提取場(chǎng)景遙感圖像時(shí)間序列關(guān)鍵形態(tài)特征；構(gòu)建ＬＳＴＭ 模型，利用梯度下降法訓(xùn)練ＬＳＴＭ 模型，更新網(wǎng)絡(luò)的權(quán)值與偏置，在訓(xùn)練完成的網(wǎng)絡(luò)內(nèi)，輸入時(shí)間序列關(guān)鍵形態(tài)特征，輸出遙感圖像場(chǎng)景分類結(jié)果。實(shí)驗(yàn)結(jié)果表明，所設(shè)計(jì)模型可有效分類遙感圖像場(chǎng)景，對(duì)場(chǎng)景遙感圖像分類的Ｋａｐｐａ 值為０． ９７，分類耗時(shí)５． ６ ｓ，分類不同類別遙感圖像場(chǎng)景時(shí)的預(yù)測(cè)分布方差最大為０． ６，該方法的分類精度較高，且消融實(shí)驗(yàn)結(jié)果顯示所設(shè)計(jì)模型的召回率高達(dá)９５％ ，Ｆ１ 值高達(dá)０． ９６，由此可見(jiàn)，所設(shè)計(jì)模型對(duì)場(chǎng)景遙感圖像分類具有顯著的有效性。

關(guān)鍵詞：遙感圖像；場(chǎng)景；關(guān)鍵形態(tài)特征；長(zhǎng)短期記憶模型；分類

中圖分類號(hào)：ＴＰ３９１． ４ 文獻(xiàn)標(biāo)志碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（ＯＳＩＤ）：

文章編號(hào)：１００３－３１０６（２０２４）０４－０９７７－０７

０ 引言

在遙感技術(shù)的快速發(fā)展下，通過(guò)不同場(chǎng)景中的遙感圖像捕獲能夠得到豐富的地物信息。遙感圖像的產(chǎn)生，不僅在土地利用、城市規(guī)劃和環(huán)境檢測(cè)等民用方面得到廣泛應(yīng)用，在軍事領(lǐng)域也發(fā)揮了重要作用［１－２］。為從遙感圖像中捕獲有效信息，場(chǎng)景遙感圖像分類逐漸成為該領(lǐng)域研究的熱點(diǎn)。同一類別的圖像會(huì)有巨大差異，而不同類別的圖像會(huì)變得相似，由此加大了圖像分類的難度［３－４］。傳統(tǒng)的分類算法采用低級(jí)或中級(jí)手工特征，這些特征表示圖像高級(jí)語(yǔ)義信息的能力較差，難以在海量復(fù)雜場(chǎng)景圖像上取得滿意的效果［５－７］。為此，急需尋找一種高效的遙感圖像分類方法，選擇有效的特征信息來(lái)提高圖像分類性能。

許多相關(guān)研究應(yīng)運(yùn)而生，Ｙｕ 等［８］利用幾何歸一化預(yù)處理遙感圖像，再利用深度卷積神經(jīng)網(wǎng)絡(luò)，提取深度特征，并完成遙感圖像場(chǎng)景分類，該方法具備遙感圖像場(chǎng)景分類的有效性，且場(chǎng)景分類精度較高，但分類耗時(shí)較長(zhǎng)。Ｑｉ 等［９］提出了一種基于旋轉(zhuǎn)不變性正則化的深度孿生網(wǎng)絡(luò)的場(chǎng)景分類算法，以學(xué)習(xí)旋轉(zhuǎn)不變性設(shè)計(jì)深度卷積神經(jīng)網(wǎng)絡(luò)模型，該模型通過(guò)直接強(qiáng)制旋轉(zhuǎn)前后訓(xùn)練樣本的標(biāo)簽彼此接近映射來(lái)實(shí)現(xiàn)，并對(duì)模型的目標(biāo)函數(shù)施加了旋轉(zhuǎn)不變性正則化約束，該方法可有效分類遙感圖像場(chǎng)景，但預(yù)測(cè)分布方差較大。Ｙｕ 等［１０］提出了一種金字塔形和條件卷積注意網(wǎng)絡(luò)的遙感圖像場(chǎng)景分類算法，該網(wǎng)絡(luò)通過(guò)不同權(quán)值和不同尺度的卷積核，全面有效地捕獲遙感圖像的信息，其中譜分支使用條件參數(shù)化卷積根據(jù)輸入特征自定義卷積核，提取圖像特征；空間分支使用金字塔卷積，捕獲遙感圖像中不同層次的詳細(xì)信息；同時(shí)通過(guò)門控自適應(yīng)和信道歸一化來(lái)捕捉不同信道間的競(jìng)爭(zhēng)與合作關(guān)系，共同處理譜分支與空間分支提取的特征，得到遙感圖像場(chǎng)景分類結(jié)果。該方法的遙感圖像場(chǎng)景分類精度較高，但時(shí)間序列特征分析欠缺。Ｙａｎｇ 等［１１］提出了一種基于多類損失反饋的判別字典學(xué)習(xí)的遙感圖像場(chǎng)景分類算法，該算法在訓(xùn)練支持向量機(jī)的同時(shí)學(xué)習(xí)判別字典，使學(xué)習(xí)到的字典提取的特征與支持向量機(jī)更好地匹配；由于將字典學(xué)習(xí)和支持向量機(jī)訓(xùn)練整合到一個(gè)統(tǒng)一的學(xué)習(xí)框架中，并且從反饋的角度為分類方案制定的循環(huán)多類損失項(xiàng)具有良好的準(zhǔn)確性，因此可以獲得更好的分類性能，該方法具備較優(yōu)的分類效率，但遙感圖像場(chǎng)景分類效果較差。Ｚｈａｎｇ 等［１２］提出了一個(gè)兩階段半監(jiān)督學(xué)習(xí)的遙感圖像場(chǎng)景分類算法，第一階段訓(xùn)練２ 個(gè)自監(jiān)督模型，第二階段通過(guò)深度相互學(xué)習(xí)融合２ 個(gè)模型，利用其中一個(gè)模型提供的互補(bǔ)信息增強(qiáng)２ 個(gè)模型，實(shí)現(xiàn)遙感圖像場(chǎng)景分類精度。該方法的遙感圖像場(chǎng)景分類效率較好，但未考慮遙感圖像的時(shí)間序列信息，無(wú)法在時(shí)間域內(nèi)得到場(chǎng)景遙感圖像時(shí)間序列特征的重要性差異，出現(xiàn)重要特征被忽視的問(wèn)題，影響場(chǎng)景遙感圖像分類性能。

為解決現(xiàn)有研究存在的不足，提出面向多應(yīng)用場(chǎng)景的遙感圖像長(zhǎng)短期記憶（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍ-ｏｒｙ，ＬＳＴＭ）網(wǎng)絡(luò)分類模型，精準(zhǔn)分類場(chǎng)景遙感圖像。所設(shè)計(jì)模型的創(chuàng)新點(diǎn)為：

① 改進(jìn)動(dòng)態(tài)時(shí)間彎曲質(zhì)平均算法，提取出時(shí)間序列的關(guān)鍵形態(tài)特征，為后續(xù)分類提供了有效的特征向量。

② 利用梯度下降法訓(xùn)練ＬＳＴＭ，該網(wǎng)絡(luò)利用時(shí)間序列關(guān)鍵形態(tài)特征進(jìn)行訓(xùn)練和分類，并在處理時(shí)序數(shù)據(jù)的同時(shí)，考慮了長(zhǎng)期和短期記憶之間的平衡，從而提升了分類精度。

③ 充分考慮時(shí)間序列數(shù)據(jù)的時(shí)序性，有效地處理了遙感圖像數(shù)據(jù)中的時(shí)間序列信息，實(shí)現(xiàn)了對(duì)遙感圖像場(chǎng)景的準(zhǔn)確分類。

１ 多應(yīng)用場(chǎng)景遙感圖像ＬＳＴＭ 分類模型框架設(shè)計(jì)

遙感技術(shù)因其能夠在較短時(shí)間內(nèi)觀測(cè)大范圍地區(qū)的優(yōu)勢(shì)，在多種應(yīng)用領(lǐng)域和場(chǎng)景中得到廣泛應(yīng)用。遙感圖像作為主要表現(xiàn)和利用形式，對(duì)其進(jìn)行分類來(lái)獲取有效信息成為一個(gè)廣為關(guān)注的研究課題。本文引入當(dāng)前先進(jìn)的技術(shù)手段，采用深度學(xué)習(xí)進(jìn)行遙感圖像分類研究，設(shè)計(jì)面向多應(yīng)用場(chǎng)景的遙感圖像ＬＳＴＭ 分類模型，模型框架如圖１ 所示。

由于場(chǎng)景遙感圖像時(shí)間序列具備多變量、高維度等特性，會(huì)加大場(chǎng)景遙感圖像的分類難度，為此，本文首先利用一種時(shí)間序列特征表示方法，降維處理場(chǎng)景遙感圖像時(shí)間序列數(shù)據(jù)集，提取場(chǎng)景遙感圖像時(shí)間序列的關(guān)鍵形態(tài)特征，降低后續(xù)場(chǎng)景遙感圖像分類難度；然后構(gòu)建ＬＳＴＭ 分類模型，將遙感圖像信息輸入ＬＳＴＭ 分類模型中，通過(guò)模型訓(xùn)練實(shí)現(xiàn)遙感圖像分類。

２ 多應(yīng)用場(chǎng)景中遙感圖像關(guān)鍵形態(tài)特征提取

２． １ 場(chǎng)景遙感圖像時(shí)間序列特征表示

在采集場(chǎng)景遙感圖像時(shí)，會(huì)產(chǎn)生大量時(shí)間序列數(shù)據(jù)，描繪遙感圖像的時(shí)間序列信息，通過(guò)提取時(shí)間序列特征，可全面了解時(shí)間序列特征的重要性差異［１３－１４］，避免出現(xiàn)重要特征丟棄問(wèn)題，提升場(chǎng)景遙感圖像分類精度。

場(chǎng)景遙感圖像時(shí)間序列指數(shù)是具有一定關(guān)系的一元時(shí)間序列組建而成的時(shí)間序列。令場(chǎng)景遙感圖像的時(shí)間序列為Ｘ ＝ （ｙ１ ，ｙ２ ，…，ｙｍ ），Ｘ 內(nèi)的第ｉ 個(gè)維度時(shí)的觀測(cè)值為ｙｉ ＝ （ｘ１ｉ，ｘ２ｉ，…，ｘｎｉ ）；維度為ｍ；時(shí)間維度為ｎ。場(chǎng)景遙感圖像時(shí)間序列的ｎ×ｍ 矩陣形式如下：

令場(chǎng)景遙感圖像時(shí)間序列數(shù)據(jù)集為Ｄ ＝{Ｘ１，Ｘ２，…，ＸＫ}，場(chǎng)景遙感圖像時(shí)間序列數(shù)量為 Ｋ，其中，ｙｉｊ是Ｘｉ 的第ｊ 個(gè)變量分量。

令已知２ 條一元時(shí)間序列ｙａ ＝ （ａ１ ，ａ２ ，…，ａＮ ）與ｙｂ ＝ （ｂ１ ，ｂ２ ，…，ｂＭ ），由ｙａ 與ｙｂ 建立的Ｎ×Ｍ 距離矩陣如下：

ＧＮ ×Ｍ ＝ ｇ（ａｉ，ｂｊ）， （２）

式中：ｙａ 內(nèi)第ｉ 個(gè)變量分量為ａｉ，ｙｂ 內(nèi)第ｊ 個(gè)變量分量為ｂｊ，ａｉ 與ｂｊ 的距離為ｇ（ａｉ，ｂｊ）。

找到ｙａ 與ｙｂ 間距離最短的彎曲路徑Ｐ ＝ （ｐ１ ，ｐ２ ，…，ｐＫ ）（ｍａｘ｛Ｎ，Ｍ｝≤Ｋ≤Ｎ＋Ｍ－１），令累積距離Ｒ（Ｎ，Ｍ）最小，同時(shí)Ｐ 還需符合邊界性、不間斷性與單調(diào)性，為此距離函數(shù)ＤＴＷ（ｙａ，ｙｂ）如下：

式中：第ｋ 個(gè)場(chǎng)景遙感圖像時(shí)間序列是ｐｋ。

令ｙａ 為初始簇中心，利用式（３）求解ｙａ 和遙感圖像一元時(shí)間序列數(shù)據(jù)集Ｂ ＝ ｛ｙｂ１，ｙｂ２，…，ｙｂＬ ｝［１５－１６］，其中，Ｌ 是Ｂ 內(nèi)時(shí)間序列數(shù)量。場(chǎng)景遙感圖像時(shí)間序列數(shù)據(jù)集的中心時(shí)間序列ｃｉ 計(jì)算如下：

式中：ｂｋ 表示Ｂ 內(nèi)第ｋ 個(gè)變量分量，ζｊ（·）表示和ｙａ內(nèi)數(shù)據(jù)點(diǎn)匹配的點(diǎn)集合，ｃｉ 表示和ａｉ 數(shù)據(jù)點(diǎn)存在匹配關(guān)系的全部數(shù)據(jù)點(diǎn)均值。

由此完成場(chǎng)景遙感圖像時(shí)間序列特征表示。

２． ２ 場(chǎng)景遙感圖像關(guān)鍵形態(tài)特征提取

獲取場(chǎng)景遙感圖像時(shí)間序列特征后，對(duì)時(shí)間序列的關(guān)鍵形態(tài)特征進(jìn)行提取，以更加全面地反映場(chǎng)景遙感圖像的變化和演化過(guò)程，為后續(xù)的場(chǎng)景遙感圖像處理和分析提供更為豐富和準(zhǔn)確的信息。

為提取場(chǎng)景遙感圖像的時(shí)間序列關(guān)鍵形態(tài)特征，需要先分析各場(chǎng)景遙感圖像類別的多時(shí)間序列整體形態(tài)，各類別均由一個(gè)新的時(shí)間序列描繪其整體形態(tài)［１７］；再依據(jù)各場(chǎng)景遙感圖像類別的整體形態(tài)，獲取各場(chǎng)景遙感圖像類別間每個(gè)變量間的形態(tài)差異；最后依據(jù)類內(nèi)和類間的形態(tài)差異，獲取遙感圖像的時(shí)間序列關(guān)鍵形態(tài)特征。

為提升遙感圖像的時(shí)間序列關(guān)鍵形態(tài)特征提取精度，在動(dòng)態(tài)時(shí)間彎曲質(zhì)平均算法的基礎(chǔ)上進(jìn)行改進(jìn)，設(shè)計(jì)一種關(guān)鍵形態(tài)特征表示方法。令變量是ｍ的場(chǎng)景遙感圖像時(shí)間序列數(shù)據(jù)集為Ｄ ＝ ｛Ｘ１ ，Ｘ２ ，…，ＸＫ ｝，同一個(gè)場(chǎng)景遙感圖像時(shí)間序列數(shù)據(jù)集內(nèi)，時(shí)間序列的長(zhǎng)度可能相同，也可能不同，即Ｘｉ 與Ｘｊ 內(nèi)時(shí)間維度ｎｉ ＝ ｎｊ 或ｎｉ≠ｎｊ。

因?yàn)閳?chǎng)景遙感圖像時(shí)間序列內(nèi)，每個(gè)變量分量間都包含量綱，所以提取時(shí)間序列關(guān)鍵形態(tài)特征前，需要標(biāo)準(zhǔn)化處理場(chǎng)景遙感圖像的時(shí)間序列數(shù)據(jù)集，提升變量分量的不變性［１８］。場(chǎng)景遙感圖像的時(shí)間序列關(guān)鍵形態(tài)特征依據(jù)類別數(shù)Ｃ 實(shí)施劃分，可獲取Ｃ 個(gè)子集，即Ｄα＝ ｛Ｘｉ｝α，其表示類別是α 的場(chǎng)景遙感圖像時(shí)間序列子集。計(jì)算每個(gè)子集的ｃｉ，再尋找ｃｉ的β 個(gè)關(guān)鍵變量，即時(shí)間序列關(guān)鍵形態(tài)特征Ｄ′ ＝｛Ｘ′１ ，Ｘ′２ ，…，Ｘ′Ｋ ｝，且β＜ｍ。場(chǎng)景遙感圖像的時(shí)間序列關(guān)鍵形態(tài)特征提取步驟如下：

① 依據(jù)類別分割Ｄ，獲?。摩粒絳Ｘｉ}α。

② 在Ｄα內(nèi)任意選取一個(gè)時(shí)間序列，當(dāng)成初始中心時(shí)間序列，并利用式（４）求解其余類別的中心時(shí)間序列。

③ 反復(fù)操作②，直到α ＝ Ｃ 為止，獲取每個(gè)類別的中心時(shí)間序列。

④ 求解類α 的時(shí)間序列變量權(quán)重ｗα，公式如下：

式中：ｙＵｉ、ｙＵ′ｊ 為遙感圖像一元時(shí)間序列數(shù)據(jù)集Ｕ、Ｕ′內(nèi)第ｉ、ｊ 條時(shí)間序列。

⑤ 降序排列的ｗα，選擇前β 個(gè)值，β 個(gè)值相應(yīng)的變量即關(guān)鍵特征變量Ｄα＝{Ｘｉ}α，在Ｄα＝ ｛Ｘｉ｝α內(nèi)提取分量，獲?。摩痢洌?Ｘ′ｉ { }α，反復(fù)操作⑤，直到Ｃ 個(gè)子集完成特征分量提取為止，融合新子集，得到場(chǎng)景遙感圖像的時(shí)間序列關(guān)鍵形態(tài)特征Ｄ′＝ ｛Ｘ′１ ，Ｘ′２ ，…，Ｘ′Ｋ ｝。

３ 基于ＬＳＴＭ 的場(chǎng)景遙感圖像分類模型

場(chǎng)景遙感圖像分類是一個(gè)復(fù)雜的問(wèn)題，需要對(duì)不同場(chǎng)景圖像之間的差異和特征進(jìn)行深入研究和分析。因?yàn)椋蹋樱裕?網(wǎng)絡(luò)既能剔除冗余時(shí)間維度數(shù)據(jù)，還能保留有效的時(shí)序信息，可以較好地發(fā)現(xiàn)場(chǎng)景遙感圖像時(shí)間序列數(shù)據(jù)集的潛在規(guī)律［１９］，所以在獲取場(chǎng)景遙感圖像的時(shí)間序列關(guān)鍵形態(tài)特征的基礎(chǔ)上，采用ＬＳＴＭ 網(wǎng)絡(luò)對(duì)時(shí)間序列關(guān)鍵形態(tài)特征進(jìn)行分類，能夠更好地挖掘遙感圖像數(shù)據(jù)的時(shí)序信息，提升圖像分類精度。

３． １ ＬＳＴＭ 網(wǎng)絡(luò)模型構(gòu)建

ＬＳＴＭ 能夠在隱藏層學(xué)習(xí)數(shù)據(jù)的時(shí)序性，具備較優(yōu)的學(xué)習(xí)性能，可避免出現(xiàn)梯度消亡問(wèn)題。

令ＬＳＴＭ 的輸入門為ｚｔ，在ｚｔ 內(nèi)輸入上述提取的場(chǎng)景遙感圖像時(shí)間序列關(guān)鍵形態(tài)特征Ｄ′ ＝Ｘ′１ ，Ｘ′２ { ，…，Ｘ′Ｋ}，ｚｔ 的計(jì)算如下：

ｚｔ ＝ Φ（ωｚ ·（ｈｔ－１ ，Ｄ′ｔ ）＋ ρｚ ）， （６）

式中：ｔ 為時(shí)刻，Φ（·）為Ｓｉｇｍｏｉｄ 函數(shù)，ωｚ、ρｚ 為ｚｔ 的權(quán)值與偏置，ｈｔ－１ 為ｔ－１ 時(shí)刻的隱藏狀態(tài)，λ 為可調(diào)節(jié)因子。

令ＬＳＴＭ 的遺忘門為ｓｔ，計(jì)算如下：

ｓｔ ＝ Φ（λ·ωｓ ·（ｈｔ－１ ，Ｄ′ｔ ）＋ ρｓ ）， （７）

式中：ωｓ、ρｓ 分別為ｓｔ 的權(quán)值與偏置。

μｔ 為ＬＳＴＭ 的更新內(nèi)容，計(jì)算如下：

μｔ ＝ ｓｔ × μｔ－１ ＋ ｚｔ μ′ｔ ， （８）

式中：μ′ｔ 為備選更新內(nèi)容，μｔ－１ 為ｔ－１ 時(shí)刻的更新內(nèi)容。μ′ｔ 的計(jì)算如下：

μ′ｔ ＝ ｔａｎｈ（λ·ωμ ·（ｈｔ－１ ，Ｄ′ｔ ）＋ ρμ ）， （９）

式中：ωμ、ρμ 分別為μｔ 的權(quán)值與偏置，ｔａｎｈ（· ）為ｔａｎｈ 函數(shù)。

ＬＳＴＭ 的輸出門為Ｏｔ［２０］，計(jì)算如下：

Ｏｔ ＝ Φ（λ·ωＯ ·（ｈｔ－１ ，Ｄ′ｔ ）＋ ρＯ ）， （１０）

式中：ωＯ 、ρＯ 為Ｏｔ 的權(quán)值與偏置。

３． ２ 基于模型訓(xùn)練實(shí)現(xiàn)場(chǎng)景遙感圖像分類

通過(guò)上述步驟完成ＬＳＴＭ 網(wǎng)絡(luò)模型構(gòu)建，然后對(duì)模型進(jìn)行訓(xùn)練。本文利用梯度下降法對(duì)ＬＳＴＭ 網(wǎng)絡(luò)進(jìn)行訓(xùn)練和優(yōu)化，能夠自動(dòng)學(xué)習(xí)數(shù)據(jù)中的規(guī)律和特征，提高分類模型的泛化能力和適應(yīng)性，實(shí)現(xiàn)場(chǎng)景遙感圖像分類。

利用梯度下降法最小化損失函數(shù)，修正權(quán)值ω與偏置ρ，損失函數(shù)Ｅ 的計(jì)算如下：

式中：η 為遙感圖像場(chǎng)景類別數(shù)量，θ 為每個(gè)類別內(nèi)遙感圖像數(shù)量，ｈτｉ′ 為第ｉ′類第τ 個(gè)場(chǎng)景遙感圖像的分類結(jié)果， ＾ｈτｉ′為期望分類結(jié)果。

訓(xùn)練ＬＳＴＭ 的目的在于找到最佳的ω 與ρ，提升遙感圖像場(chǎng)景分類精度。通過(guò)最小化Ｅ，可獲取最佳的權(quán)值ω* 與偏置ρ* ，公式如下：

通過(guò)求導(dǎo)式（１２）、式（１３）可獲取ω*ｌ 與ρ*ｌ 的修正公式如下：

式中：ε 為學(xué)習(xí)率，ｌ 為迭代次數(shù)。

訓(xùn)練完成后，在ＬＳＴＭ 內(nèi)輸入提取的時(shí)間序列關(guān)鍵形態(tài)特征，輸出遙感圖像場(chǎng)景分類結(jié)果。ＬＳＴＭ的輸出結(jié)果是ｈｔ，計(jì)算如下：

ｈｔ ＝ Ｏｔ × ｔａｎｈ（μｔ）。（１６）

式（１６）的結(jié)果為ｔ 時(shí)刻場(chǎng)景遙感圖像分類結(jié)果。利用ＬＳＴＭ 遺忘的信息，能夠進(jìn)一步縮減場(chǎng)景遙感圖像時(shí)間序列關(guān)鍵形態(tài)特征維度的數(shù)據(jù)冗余，加快場(chǎng)景遙感圖像分類效率。

４ 實(shí)驗(yàn)分析

４． １ 實(shí)驗(yàn)環(huán)境和數(shù)據(jù)集

為測(cè)試面向多應(yīng)用場(chǎng)景的遙感圖像ＬＳＴＭ 分類模型的性能，進(jìn)行仿真測(cè)試分析。在Ｍａｔｌａｂ 仿真軟件上搭建場(chǎng)景遙感圖像分類仿真分析平臺(tái)，使用Ｐｙｔｈｏｎ 編程語(yǔ)言以及相關(guān)的ＴｅｎｓｏｒＦｌｏｗ 機(jī)器學(xué)習(xí)庫(kù)來(lái)實(shí)現(xiàn)算法。實(shí)驗(yàn)硬件環(huán)境為：４ 核ＣＰＵ，１６ ＧＢ ＲＡＭ。

本文選擇３ 個(gè)遙感領(lǐng)域公開數(shù)據(jù)集為實(shí)驗(yàn)對(duì)象，分別為ＷＨＵＲＳ１９ 數(shù)據(jù)集、ＲＳＳＣＮ７ 數(shù)據(jù)集和ＲＳＣ１１ 數(shù)據(jù)集。利用本文算法對(duì)這３ 個(gè)數(shù)據(jù)集的場(chǎng)景遙感圖像進(jìn)行分類，分析本文算法場(chǎng)景遙感圖像分類的有效性。３ 個(gè)數(shù)據(jù)集的具體信息如表１所示。

４． ２ 實(shí)驗(yàn)步驟和細(xì)節(jié)

實(shí)驗(yàn)步驟和細(xì)節(jié)如下：

① 將原始的多時(shí)相遙感圖像數(shù)據(jù)進(jìn)行預(yù)處理，如裁剪、歸一化和數(shù)據(jù)增強(qiáng)等操作，以生成用于訓(xùn)練和測(cè)試的圖像數(shù)據(jù)。

② 利用關(guān)鍵形態(tài)特征表示方法，對(duì)遙感圖像的時(shí)間序列數(shù)據(jù)集進(jìn)行降維處理，提取時(shí)間序列關(guān)鍵形態(tài)特征，并用這些特征來(lái)訓(xùn)練分類器。

③ 搭建ＬＳＴＭ 模型，利用梯度下降法對(duì)ＬＳＴＭ進(jìn)行訓(xùn)練，并更新網(wǎng)絡(luò)的權(quán)值與偏置。通過(guò)不斷調(diào)整優(yōu)化，將學(xué)習(xí)率設(shè)置為０． ００１，衰減率設(shè)置為０． ９，最小化損失函數(shù)。

④ 在訓(xùn)練完成的ＬＳＴＭ 內(nèi)，輸入大小為１００ ｐｉｘｅｌ×１００ ｐｉｘｅｌ 的原始遙感圖像，步長(zhǎng)設(shè)置為１０，卷積核尺寸為３×３，輸出特征圖大小為１０ ｐｉｘｅｌ×１０ ｐｉｘｅｌ，完成場(chǎng)景遙感圖像分類任務(wù)。

４． ３ 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)指標(biāo)設(shè)置如下：

① 遙感圖像場(chǎng)景分類效果；

② Ｋａｐｐａ 值分析；

③ 場(chǎng)景遙感圖像分類耗時(shí)；

④ 預(yù)測(cè)分布方差結(jié)果分析；

⑤ 消融實(shí)驗(yàn)：以召回率、Ｆ１ 值為指標(biāo)，設(shè)計(jì)消融實(shí)驗(yàn)，驗(yàn)證本文設(shè)計(jì)模型的有效性。

４． ３． １ 遙感圖像場(chǎng)景分類效果

在ＷＨＵ-ＲＳ１９ 數(shù)據(jù)集內(nèi)隨機(jī)選擇９ 類遙感圖像，分別對(duì)應(yīng)９ 個(gè)場(chǎng)景，每類場(chǎng)景選擇１００ 張圖像，利用６ 種算法對(duì)這９ 類共９００ 張遙感圖像進(jìn)行場(chǎng)景分類，結(jié)果如表２ 所示。

根據(jù)表２ 可知，５ 種對(duì)比算法均存在對(duì)遙感圖像場(chǎng)景分類錯(cuò)誤的現(xiàn)象，而采用本文算法可有效分類遙感圖像場(chǎng)景，對(duì)９００ 張遙感圖像場(chǎng)景分類結(jié)果均正確。實(shí)驗(yàn)結(jié)果證明，本文算法可精準(zhǔn)分類遙感圖像場(chǎng)景。由于本文算法準(zhǔn)確對(duì)遙感圖像場(chǎng)景進(jìn)行了降維處理，提取出了時(shí)間序列的關(guān)鍵形態(tài)特征，從而提升了遙感圖像場(chǎng)景分類的準(zhǔn)確率。

４． ３． ２ Ｋａｐｐａ 值分析

分析本文算法的遙感圖像場(chǎng)景分類效果，利用Ｋａｐｐａ 值衡量本文算法遙感圖像場(chǎng)景分類精度，其值越接近１，遙感圖像場(chǎng)景分類精度越高。以ＲＳＳＣＮ７ 數(shù)據(jù)集為例，得出６ 種算法的Ｋａｐｐａ 值分析結(jié)果如圖２ 所示。

根據(jù)圖２ 可知，本文算法對(duì)ＲＳＳＣＮ７ 數(shù)據(jù)集中１ ２３２ 張遙感圖像場(chǎng)景分類的Ｋａｐｐａ 值為０． ９７，遠(yuǎn)高于其他５ 種對(duì)比方法，且遙感圖像場(chǎng)景分類過(guò)程中Ｋａｐｐａ 值的穩(wěn)定性也好于對(duì)比方法。實(shí)驗(yàn)證明，在剔除不同樣本量時(shí)，本文算法遙感圖像場(chǎng)景分類的Ｋａｐｐａ 值較高，即場(chǎng)景分類精度較高。

４． ３． ３ 場(chǎng)景遙感圖像分類耗時(shí)

為進(jìn)一步明確遙感圖像場(chǎng)景分類的性能，以ＲＳＣ１１ 數(shù)據(jù)集為例，測(cè)試６ 種算法的分類耗時(shí)，測(cè)試結(jié)果如表３ 所示。

從表３ 可知，本文算法的分類耗時(shí)遠(yuǎn)優(yōu)于對(duì)比算法，具有較高的遙感圖像場(chǎng)景分類效率。這是因?yàn)楸疚乃惴ɡ锰荻认陆捣ㄓ?xùn)練ＬＳＴＭ，利用時(shí)間序列關(guān)鍵形態(tài)特征進(jìn)行訓(xùn)練和分類，避免了高維數(shù)據(jù)的訓(xùn)練耗時(shí)較長(zhǎng)的問(wèn)題，提高了方法的分類效率。本文算法采用ＬＳＴＭ 網(wǎng)絡(luò)對(duì)遙感圖像場(chǎng)景分類，能夠有效地捕捉時(shí)間序列數(shù)據(jù)中的時(shí)序信息，通過(guò)梯度下降法進(jìn)行訓(xùn)練和優(yōu)化，能夠自適應(yīng)地學(xué)習(xí)數(shù)據(jù)中的規(guī)律和特征，提高分類模型的泛化能力。同時(shí)，ＬＳＴＭ 網(wǎng)絡(luò)具有一定的自適應(yīng)能力和記憶功能，能夠更好地處理復(fù)雜的序列數(shù)據(jù)，從而提高分類效率。

４． ３． ４ 預(yù)測(cè)分布方差結(jié)果分析

以ＷＨＵ-ＲＳ１９ 數(shù)據(jù)集為例，分析６ 種算法對(duì)ＷＨＵ-ＲＳ１９ 數(shù)據(jù)集進(jìn)行遙感圖像場(chǎng)景分類時(shí)的預(yù)測(cè)分布方差，預(yù)測(cè)分布方差越小，說(shuō)明遙感圖像場(chǎng)景分類精度越高，分析結(jié)果如圖３ 所示。

根據(jù)圖３ 可知，對(duì)于不同場(chǎng)景類別，本文算法的預(yù)測(cè)分布方差均明顯低于其余５ 種算法，本文算法的最高預(yù)測(cè)分布方差為０． ６，其余５ 種算法的最高預(yù)測(cè)分布方差均為１． ０。實(shí)驗(yàn)證明，本文算法的預(yù)測(cè)分布方差明顯低于其余５ 種算法，說(shuō)明本文算法的遙感圖像場(chǎng)景分類精度較高。本文算法通過(guò)結(jié)合動(dòng)態(tài)時(shí)間彎曲質(zhì)平均算法和關(guān)鍵形態(tài)特征表示方法，提取出時(shí)間序列的關(guān)鍵形態(tài)特征。這些特征向量為后續(xù)分類提供了有效的信息基礎(chǔ)。同時(shí)，利用梯度下降法訓(xùn)練ＬＳＴＭ，該網(wǎng)絡(luò)能夠充分考慮時(shí)間序列數(shù)據(jù)的時(shí)序性，從而提升分類精度。

４． ３． ５ 消融實(shí)驗(yàn)

為進(jìn)一步驗(yàn)證本文分類模型的有效性，設(shè)計(jì)消融實(shí)驗(yàn)，分析考慮時(shí)間序列數(shù)據(jù)的時(shí)序性、提取時(shí)間序列的關(guān)鍵形態(tài)特征、構(gòu)建ＬＳＴＭ 模型并訓(xùn)練３ 個(gè)步驟對(duì)遙感圖像分類的影響。消融實(shí)驗(yàn)結(jié)果如表４所示。實(shí)驗(yàn)中第一組數(shù)據(jù)為傳統(tǒng)的遙感圖像分類方法，第二組將考慮時(shí)間序列數(shù)據(jù)的時(shí)序性和提取時(shí)間序列的關(guān)鍵形態(tài)特征組合，第三組將考慮時(shí)間序列數(shù)據(jù)的時(shí)序性和構(gòu)建ＬＳＴＭ 模型并訓(xùn)練組合，第四組將提取時(shí)間序列的關(guān)鍵形態(tài)特征和構(gòu)建ＬＳＴＭ模型并訓(xùn)練組合，第五組將三者組合。通過(guò)分析可以看出，本文設(shè)計(jì)的分類模型的召回率高達(dá)９５％ ，Ｆ１ 值高達(dá)０． ９６，相較其他情況下的分類效果，本文方法的性能明顯較好，表明本文方法的創(chuàng)新點(diǎn)具有一定的應(yīng)用效果。

５ 結(jié)束語(yǔ)

地物幾何結(jié)構(gòu)復(fù)雜和目標(biāo)種類繁多等問(wèn)題，加大了遙感圖像的背景信息繁瑣程度，導(dǎo)致在各領(lǐng)域的應(yīng)用效果不佳。為提升遙感圖像的應(yīng)用效果，提出并設(shè)計(jì)了面向多應(yīng)用場(chǎng)景的遙感圖像ＬＳＴＭ 分類模型。通過(guò)實(shí)驗(yàn)得出，所設(shè)計(jì)模型具有較高的遙感圖像場(chǎng)景分類的精度，并且Ｋａｐｐａ 系數(shù)達(dá)到了０． ９７，在分類不同目標(biāo)物的遙感圖像場(chǎng)景時(shí)具有更小的預(yù)測(cè)分布方差，且消融實(shí)驗(yàn)結(jié)果顯示具有較高的召回率和Ｆ１ 值，進(jìn)一步驗(yàn)證了其分類性能。可見(jiàn)應(yīng)用所設(shè)計(jì)模型能夠精準(zhǔn)分類遙感圖像場(chǎng)景，為遙感圖像在各個(gè)領(lǐng)域內(nèi)的應(yīng)用提供了更為精準(zhǔn)的數(shù)據(jù)支持。

參考文獻(xiàn)

［１］ 李大湘，南藝璇，劉穎． 面向遙感圖像場(chǎng)景分類的雙知識(shí)蒸餾模型［Ｊ］． 電子與信息學(xué)報(bào)，２０２２，４５ （１０）：３５５８－３５６７．

［２］ 陳篧，張明波． ＰＳＤｅｎｓｅＮｅｔ 下的代數(shù)模型遙感圖像場(chǎng)景分類研究［Ｊ］． 激光與紅外，２０２２，５２（３）：４４２－４５０．

［３］ 黃罛，侯相君． 基于ＢｉＬＳＴＭ 模型的時(shí)間序列遙感作物分類研究［Ｊ］． 中國(guó)農(nóng)業(yè)科學(xué)，２０２２，５５ （２１ ）：４１４４－４１５７．

［４］ 何曉軍，劉璇，魏憲． 融合字典學(xué)習(xí)與視覺(jué)轉(zhuǎn)換器的高分遙感影像場(chǎng)景分類方法［Ｊ］． 激光與光電子學(xué)進(jìn)展，２０２３，６０（１４）：１８９－１９８．

［５］ 楊志文，張合兵，都偉冰，等． 基于ＣＢＡＭＲｅｓＨｙｂｒｉｄＳＮ的高光譜圖像分類研究［Ｊ］． 航天返回與遙感，２０２３，４４（３）：８５－９６．

［６］ ＨＯＳＳＥＩＮＹ Ｂ，ＳＨＡＨＨＯＳＳＥＩＮＩ Ｒ． Ａ Ｈｙｐｅｒｓｐｅｃｔｒａｌ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ Ｆｒａｍｅｗｏｒｋ Ｂａｓｅｄ ｏｎ Ｓｅｇｍｅｎｔａｔｉｏｎ ａｎｄ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ａｌｇｏｒｉｔｈｍｓ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０２０，４１（１８）：６９４６－６９７５．

［７］ ＷＡＮＧ Ｙ，ＳＯＮＧ Ｘ，ＧＯＮＧ Ｇ Ｈ，ｅｔ ａｌ． Ａ Ｍｕｌｔｉｓｃａｌｅ Ｆｅａｔｕｒｅ Ｅｘｔｒａｃｔｉｏｎｂａｓｅｄ Ｎｏｒｍａｌｉｚｅｄ Ａｔｔｅｎｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｆｏｒ Ｉｍａｇｅ Ｄｅｎｏｉｓｉｎｇ ［Ｊ ］． Ｅｌｅｃｔｒｏｎｉｃｓ，２０２１，１０（３）：３１９．

［８］ ＹＵ Ｄ Ｈ，ＺＨＡＮＧ Ｂ Ｍ，ＺＨＡＯ Ｃ，ｅｔ ａｌ． Ｓｃｅｎｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｉｍａｇｅ Ｕｓｉｎｇ Ｅｎｓｅｍｂｌｅ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０２０，２４（６）：７１７－７２７．

［９］ ＱＩ Ｋ Ｌ，ＹＡＮＧ Ｃ，ＨＵ Ｃ Ｌ，ｅｔ ａｌ． Ｒｏｔａｔｉｏｎ Ｉｎｖａｒｉａｎｃｅ Ｒｅｇｕｌａｒｉｚａｔｉｏｎ ｆｏｒ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｉｍａｇｅ Ｓｃｅｎｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０２１，１３（４）：５６９．

［１０］ ＹＵ Ｚ Ｋ，ＣＵＩ Ｙ，ＳＨＡＯ Ｃ，ｅｔ ａｌ． Ｐｙｒａｍｉｄａｌ ａｎｄ Ｃｏｎｄｉｔｉｏｎａｌ Ｃｏｎｖｏｌｕｔｉｏｎ Ａｔｔｅｎｔｉｏｎ Ｎｅｔｗｏｒｋ ｆｏｒ Ｈｙｐｅｒｓｐｅｃｔｒａｌ Ｉｍａｇｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｕｓｉｎｇ Ｌｉｍｉｔｅｄ Ｔｒａｉｎｉｎｇ Ｓａｍｐｌｅｓ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０２２，４３（８）：２８８５－２９１４．

［１１］ ＹＡＮＧ Ｂ Ｑ，ＧＵＡＮ Ｘ Ｐ，ＺＨＵ Ｊ Ｗ，ｅｔ ａｌ． ＳＶＭｓ Ｍｕｌｔｉｃｌａｓｓ Ｌｏｓｓ Ｆｅｅｄｂａｃｋ Ｂａｓｅｄ Ｄｉｓｃｒｉｍｉｎａｔｉｖｅ Ｄｉｃｔｉｏｎａｒｙ Ｌｅａｒｎｉｎｇ ｆｏｒ Ｉｍａｇｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ［Ｊ］． Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ，２０２１，１１２：１０７６９０．

［１２］ ＺＨＡＮＧ Ｊ，ＹＡＮＧ Ｊ Ｎ，ＹＵ Ｊ，ｅｔ ａｌ． Ｓｅｍｉｓｕｐｅｒｖｉｓｅｄ Ｉｍａｇｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｂｙ Ｍｕｔｕａｌ Ｌｅａｒｎｉｎｇ ｏｆ Ｍｕｌｔｉｐｌｅ Ｓｅｌｆｓｕｐｅｒｖｉｓｅｄ Ｍｏｄｅｌｓ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ，２０２２，３７（５）：３１１７－３１４１．

［１３］ 胡濤，茅?。?基于降采樣和改進(jìn)ＳｈｉＴｏｍａｓｉ 角點(diǎn)檢測(cè)算法的ＰＣＢ 圖像拼接［Ｊ］． 電子測(cè)量技術(shù)，２０２１，４４（２２）：１３４－１４０．

［１４］ 何！澤，張帆，劉昊，等． 風(fēng)機(jī)葉片無(wú)人機(jī)紅外熱圖像拼接方法［Ｊ］． 電子測(cè)量與儀器學(xué)報(bào)，２０２２，３６ （７）：４４－５３．

［１５］ 周國(guó)華，蔣暉，顧曉清，等． 基于半監(jiān)督子空間遷移的稀疏表示遙感圖像場(chǎng)景分類方法［Ｊ］． 浙江大學(xué)學(xué)報(bào)（理學(xué)版），２０２１，４８（６）：６８４－６９３．

［１６］ 雷江波，王澤民，李靜． 基于Ｆａｓｔｅｒ ＲＣＮＮ 的破片群圖像目標(biāo)檢測(cè)研究［Ｊ］． 國(guó)外電子測(cè)量技術(shù)，２０２１，４０（１）：７０－７４．

［１７］ 閆鈞華，張琨，施天俊，等． 融合多層級(jí)特征的遙感圖像地面弱小目標(biāo)檢測(cè)［Ｊ］． 儀器儀表學(xué)報(bào)，２０２２，４３（３）：２２１－２２９．

［１８］ ＸＩＥ Ｆ Ｄ，ＧＡＯ Ｑ Ｓ，ＪＩＮ Ｃ，ｅｔ ａｌ． Ｈｙｐｅｒｓｐｅｃｔｒａｌ Ｉｍａｇｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｓｕｐｅｒｐｉｘｅｌ Ｐｏｏｌｉｎｇ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｗｉｔｈ Ｔｒａｎｓｆｅｒ Ｌｅａｒｎｉｎｇ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０２１，１３（５），９３０．

［１９］ ＸＩＥ Ｈ，ＣＨＥＮ Ｙ Ｓ，ＧＨＡＭＩＳＩ Ｐ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｉｍａｇｅ Ｓｃｅｎｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｖｉａ Ｌａｂｅｌ Ａｕｇｍｅｎｔａｔｉｏｎ ａｎｄ ＩｎｔｒａＣｌａｓｓ Ｃｏｎｓｔｒａｉｎｔ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０２１，１３（１３）：２５６６．

［２０］ ＬＩ Ｊ，ＬＩＮ Ｄ Ｙ，ＷＡＮＧ Ｙ，ｅｔ ａｌ． Ｄｅｅｐ Ｄｉｓｃｒｉｍｉｎａｔｉｖｅ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ Ｌｅａｒｎｉｎｇ ｗｉｔｈ Ａｔｔｅｎｔｉｏｎ Ｍａｐ ｆｏｒ Ｓｃｅｎｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０２０，１２（９）：１３６６．

作者簡(jiǎn)介

王換換 女，（１９８８—），碩士，講師。主要研究方向：數(shù)據(jù)挖掘與信息處理。

王建玲 女，（１９８７—），碩士，講師。主要研究方向：網(wǎng)絡(luò)安全。

閆新慶 男，（１９６７—），博士后，副教授。主要研究方向：ＲＦＩＤ、無(wú)線傳感器網(wǎng)絡(luò)、軟件開發(fā)。

基金項(xiàng)目：河南省科技廳軟科學(xué)研究項(xiàng)目（２１２４００４１０２４５）