论文笔记（二）：基于卷积神经网络的高分辨率遥感图像上的水体识别技术

基于卷积神经网络的高分辨率遥感图像上的水体识别技术

作者：徐文健

作者单位：浙江大学

日期：2017.01

（硕士学位论文）

https://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CMFD&filename=1018259601.nh

本文转载自https://blog.csdn.net/baidu_38306313/article/details/104310931

代码已上传到GitHub：https://github.com/yufeifeiyu/Matlab-Deep-Learning-Toolbox-CNN-Water-image-recognition
也可在CSDN中下载：https://download.csdn.net/download/baidu_38306313/12584271

1.摘 要

本文针对高分二号卫星多光谱遥感数据，利用卷积神经网络的模型，突破传统基于阈值或机器学习的方法，实现了遥感图像的水体识别。

挑战：利用高分辨率遥感图像进行水体识别的研究并不多，大多都是采用光学遥感，或者是较为浅层的模型的方法，不能充分利用遥感图像的空间信息和光谱信息，在水体识别的准确率上都难以达到较高的水平。

数据集：高分二号卫星的多光谱遥感图像数据（杭州西湖及部分钱塘江区域、青海湖区域、太湖区域）

方案：提出九层卷积神经网络的模型，包括三个卷积层和三个池化层，同时对比了其他基于支持向量机、BP神经网络、归一化水体指数等方法的遥感图像的水体识别的方法，并在不同模型层数、不同数据样本数量、不同数据波段、不同数据区域上进行对比试验

结论：水体识别的准确率在数据集上表现出98%以上的准确率

2.绪 论

• 水体识别主要是从图像中提取水体表面，在本文中主要是指从遥感图像中提取内陆湖泊水域区域。
• 遥感技术具有检测距离短、检测范围广的优点，能够快速、反复、准确地获取水体信息，监测地表水资源。
• 水体识别：光学遥感、机器学习

                      光学遥感：单波段阈值法和多波段阈值法，通过反射率提取水体信息

                      机器学习：使用深层结构

• 数据源：landsat资源卫星的多光谱图像，空间分辨率在30米左右
• 目前需解决问题

                 1、如何进行相应的预处理得到清晰、无遮挡的高分辨率遥感图像

                 2、如何选择分类模型，如何进行神经网络模型的设计，将水体识别问题转化为图像分类问题

3.相关理论与技术介绍

• 图像识别
• 深度学习
• BP神经网络
• 支持向量机
• 卷积神经网络

（一）图像识别

• 图像识别算法可以通过使用3D模型比较或者边缘检测等形式实现
• 图像识别流程

（二）深度学习

• 采用梯度下降算法求解大规模的数据问题
• 卷积神经网络可以用于处理图像中的二维结构
• 递归神经网络可以处理自然语言中的时序结构

（三）BP神经网络

• 监督学习算法

（四）支持向量机

• 监督学习算法
• 用于分类和回归分析
• 支持向量机

（五）卷积神经网络

• 三维排列的神经元
• 每层的神经元都只能链接到上层的一个小区域，而不是以全连接的方式连接到所有神经元
• 卷积神经网络主要由一个输入层、一个输出层以及多个隐藏层组成
• 隐藏层包含：卷积层、池化层、全连接层、规范层
• 训练：前向传播、反向传播

4.技术方案概述

• 存在的问题

               1、遥感图像的云层遮挡、明暗亮度等视觉体验因素

               2、部分陆地在某些波段和水体有着相同的表现

               3、遥感图像中城市房屋、道路、车辆、农田、沙漠、河流、山丘、植被、湖泊等，要从这些场景中区分出水体，需要做大量的工作

• 遥感图像水体识别流程

5.遥感图像预处理

（一）图像预处理

① 图像增强：凸显图像边缘（高斯滤波器），增强水体和陆地之间的区别

② 影像融合：提高多光谱数据的分辨率，变换IHS方法、乘变换融合法、小波变换融合法、Brovey比值变换融合法

（二）数据标记：为了训练卷积神经网络

使用github上开源的图像标注工具labelme来进行图像的水体标记（GitHub地址：https://github.com/wkentaro/labelme) 

（三）图像切分

6.卷积神经网络的水体识别模型