CN102938073A - 一种遥感图像的分类方法 - Google Patents
一种遥感图像的分类方法 Download PDFInfo
- Publication number
- CN102938073A CN102938073A CN2012104106345A CN201210410634A CN102938073A CN 102938073 A CN102938073 A CN 102938073A CN 2012104106345 A CN2012104106345 A CN 2012104106345A CN 201210410634 A CN201210410634 A CN 201210410634A CN 102938073 A CN102938073 A CN 102938073A
- Authority
- CN
- China
- Prior art keywords
- neural network
- remote sensing
- semi
- sensing images
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了遥感图像的分类方法,首先获取遥感图像中地物的样本,然后构建用于地物分类的半监督神经网络模型,最后基于半监督神经网络进行地物分类。本发明在半监督神经网络中引入结构性误差代替经验误差,有效地避免了当目标函数局部取得局部极小值带来的分类错误;并在极值求解过程中引入了用于求解非线性优化的拟牛顿极值求解算法,从而有效地提高了地物分类精度,为后续进一步进行环境检测、地形测绘等应用提供有益保障。
Description
技术领域
本发明涉及遥感图像处理领域,特别是一种遥感图像地物分类的方法。
背景技术
遥感图像在国民经济的各个领域发挥着越来越重要的作用,其中,遥感图像分类显得尤为重要,如根据植被覆盖率进行水土流失监测、根据分类后的海洋溢油面积计算估算损失和环境保护、通过遥感图像分类后得到的结果可以自动生成测绘地图等。在图像处理中,根据分类过程中所使用的样本是否有标记,将现有的遥感图像分类方法分为全监督、半监督和非监督的三类方法。文献“Semisupervised Neural Networks forEfficient Hyperspectral Image Classification,IEEE Transactions on Geoscience and RemoteSensing,2010,Vol.48(5),p2271–2282.”提出了一种半监督神经网络的超光谱图像分类方法。该方法首先构建了基于流形正则化框架下的半监督神经网络,然后使用带有平衡约束的随机梯度下降法对能量函数进行优化。但是,该方法分类训练过程复杂、估计误差较大,且通过经验误差来确定判别函数,分类精度不高且会陷入局部最优,其泛化能力尚有提高空间。
发明内容
为了克服现有技术的不足,本发明提供一种对遥感图像进行半监督分类的方法,能够有效提高地物分类精度。
本发明的技术方案包括下述步骤:构建半监督神经网络模型以用于遥感图像的地物分类、用拟牛顿法对模型进行求解得到地物分类结果。
(a)获取遥感图像中地物的样本。从遥感图像中提取各个像素的灰度特征,根据不同地物具有不同灰度值的特性,对遥感图像中已知地物类别的部分进行标记,从而获得标记样本;未知类别部分则作为无标记样本。将标记样本与无标记样本集合,即得到了用于进行分类的样本数据。
(b)构建用于地物分类的半监督神经网络模型。该神经网络模型为一个三层感知神经网络,其中输入层包括1个神经元(与特征维数有关),隐层包括三个神经元,输出层包括4个神经元(与预定义的地物类别有关);在该神经网络中,将SVM中的结构性误差引入代替感知神经网络的经验误差,以此作为新的正则化目标函数,从而得到了基于结构误差的新的半监督神经网络模型。
(c)基于半监督神经网络进行地物分类。基于神经网络进行分类的过程,实际上是一个目标函数的最小化过程。由于(b)中结构性误差的最小化过程包含了二阶可导项,因此采用拟牛顿进行求解,从而大大提高计算效率。
本发明的有益效果是:本发明在半监督神经网络中引入结构性误差代替经验误差,有效地避免了当目标函数局部取得局部极小值带来的分类错误;并在极值求解过程中引入了用于求解非线性优化的拟牛顿极值求解算法,从而有效地提高了地物分类精度,为后续进一步进行环境检测、地形测绘等应用提供有益保障。
具体实施方式
本发明的技术方案包括下述步骤:构建半监督神经网络模型以用于遥感图像的地物分类、用拟牛顿法对模型进行求解得到地物分类结果,具体如下:
(1)构建半监督神经网络模型
以遥感图像中像素的灰度值作为描述地物的特征,如不同的地物(河流、耕地等)具有不同的灰度值。从包含多种地物的遥感图像中,提取遥感图像中各类地物的特征,在本发明中,选用地物的灰度特征,即从遥感图像中提取所有像素点的灰度值,形成一个由像素灰度值组成的样本集合其中样本x1,x2,…,lx,lx1…,表示遥感图像中各个像素的一维灰度特征向量,n表示所有遥感图像中包含的像素个数。针对样本集合人工为其前l个样本标记类别,形成标记集合{y1,…,yl},其中yi∈{-1,+1}(i=1,2,...,l),其中每个像素灰度值xi是实数,并且标记yi∈{-1,+1}。而样本集合中后u个数据点为未标记数据。
对图像进行半监督分类也就是构建并求解目标函数的过程,决策函数f的最小化正则化函数为:
其中,V表示标记数据导致损失的代价函数,γM控制数据边缘分布内蕴几何的复杂度,在构建的新模型中,选择神经网络构造f(w,x),在模型中,用于解决不适定问题的Laplacian正则化项改为
根据nguyen-widrow设置初始权值,使用l+u个节点构造数据邻域图,边缘的权值为Sij,由这些权值形成一个(l+u)×(l+u)矩阵S,那么L=D-S,其中D为S的对角矩阵,其对角元素且f=[f(w,x1),…f(w,xl+u)]T,
(2)将结构性误差引入得到新的半监督神经网络模型
针对神经网络在训练过程中,通过经验误差来调节权重导致泛化能力差的问题,结合SVM的结构性误差思想对半监督神经网络进行改进。
本发明选择三层的多层感知网络(Multiple layer perception,MLP),一个输入层、一个输出和一个隐层,输入层用于输入样本的特征向量,输出层输出的是样本的类别。对于具有Sigmoid激发函数的三层MLP:f(x)=W(2)h(W(1)x+b1)+b2,其中,W(1)、W(2)分别表示输入层到隐层、隐层到输出层的权值,b2分别表示输出层的输出结果,h为隐层输出矢量函数。假设输出层b2=0,则隐层输出矢量y(1)=h(W(1)x+b1),那么分类超平面可以写成W(1)y(1)=0,空间的点与分类超平面的距离为d,表示式如下:
则对于已标记的样本,可以得到新的正则化目标函数
其中n为隐神经元的数目,u为未标记样本个数,l是标记样本个数。输出目标yi的值为-1或1。在对神经网络训练过程中,使用拟牛顿法以加速算法的收敛,同时,由于用未标记样本辅助构建损失函数,能够更为准确的描述样本的真实分布。
(3)用拟牛顿法对模型进行求解
根据(4)得到的新的正则化目标函数,MLP输入维数是m,n为隐神经元的数目,则MLP神经网络可以定义为以下形式:
对代价函数的输入和输出分别求梯度,得到:
AUCmax←AUC,W(1)←W(1)(t),W(2)←W(2)(t),b←b(t),
最后输出训练好的神经网络参数W(1),W(2),b,将训练好的神经网络参数代入判别函数f(w,x)=W(2)h(W(1)x+b1)+b2中,得到最终的地物分类结果。
Claims (1)
1.一种遥感图像的分类方法,其特征在于包括下述步骤:
(a)从遥感图像中提取各个像素的灰度特征,根据不同地物具有不同灰度值的特性,对遥感图像中已知地物类别的部分进行标记,从而获得标记样本;未知类别部分则作为无标记样本;将标记样本与无标记样本集合,即得到了用于进行分类的样本数据;
(b)构建用于地物分类的半监督神经网络模型,该神经网络模型为一个三层感知神经网络,其中输入层包括1个神经元,隐层包括三个神经元,输出层包括4个神经元;在该神经网络中,将SVM中的结构性误差引入代替感知神经网络的经验误差,以此作为新的正则化目标函数,从而得到了基于结构误差的新的半监督神经网络模型;
(c)采用拟牛顿进行求解半监督神经网络,进行地物分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210410634.5A CN102938073B (zh) | 2012-10-23 | 2012-10-23 | 一种遥感图像的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210410634.5A CN102938073B (zh) | 2012-10-23 | 2012-10-23 | 一种遥感图像的分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102938073A true CN102938073A (zh) | 2013-02-20 |
CN102938073B CN102938073B (zh) | 2017-02-08 |
Family
ID=47696968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210410634.5A Expired - Fee Related CN102938073B (zh) | 2012-10-23 | 2012-10-23 | 一种遥感图像的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102938073B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345643A (zh) * | 2013-06-13 | 2013-10-09 | 南京信息工程大学 | 一种遥感图像分类方法 |
CN104809475A (zh) * | 2015-05-06 | 2015-07-29 | 西安电子科技大学 | 基于增量线性判别分析的多类标场景分类方法 |
CN105654136A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院电子学研究所 | 一种基于深度学习的大规模遥感影像目标自动识别方法 |
CN106203328A (zh) * | 2016-07-11 | 2016-12-07 | 北华航天工业学院 | 提高遥感影像中目标地物分类提取准确度的方法 |
CN107506799A (zh) * | 2017-09-01 | 2017-12-22 | 北京大学 | 一种基于深度神经网络的开集类别发掘与扩展方法与装置 |
CN107918776A (zh) * | 2017-11-01 | 2018-04-17 | 中国科学院深圳先进技术研究院 | 一种基于机器视觉的用地规划方法、***及电子设备 |
CN108287162A (zh) * | 2018-01-09 | 2018-07-17 | 温州三特食品科技有限公司 | 一种食品安全智能检测的方法 |
CN108399366A (zh) * | 2018-01-30 | 2018-08-14 | 何德珍 | 一种基于逐像素分类的遥感图像场景分类提取方法 |
CN112966612A (zh) * | 2021-03-10 | 2021-06-15 | 广东海洋大学 | 基于牛顿积分神经动力学的北极海冰遥感图像提取方法 |
CN113792809A (zh) * | 2021-09-18 | 2021-12-14 | 中国空间技术研究院 | 基于随机半监督特征提取模型的遥感图片分类方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221662A (zh) * | 2008-01-31 | 2008-07-16 | 复旦大学 | 基于自组织映射神经网络的遥感图像混合像元分解方法 |
-
2012
- 2012-10-23 CN CN201210410634.5A patent/CN102938073B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221662A (zh) * | 2008-01-31 | 2008-07-16 | 复旦大学 | 基于自组织映射神经网络的遥感图像混合像元分解方法 |
Non-Patent Citations (2)
Title |
---|
唐晓亮: "基于神经网络的半监督学习方法研究", 《万方数据库》, 31 March 2010 (2010-03-31), pages 55 - 66 * |
祁亨年等: "基于多类支持向量机的遥感图像分类及其半监督式改进策略", 《复旦学报(自然科学版)》, vol. 43, no. 5, 31 October 2004 (2004-10-31) * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345643B (zh) * | 2013-06-13 | 2016-08-24 | 南京信息工程大学 | 一种遥感图像分类方法 |
CN103345643A (zh) * | 2013-06-13 | 2013-10-09 | 南京信息工程大学 | 一种遥感图像分类方法 |
CN104809475A (zh) * | 2015-05-06 | 2015-07-29 | 西安电子科技大学 | 基于增量线性判别分析的多类标场景分类方法 |
CN105654136B (zh) * | 2015-12-31 | 2019-01-11 | 中国科学院电子学研究所 | 一种基于深度学习的大规模遥感影像目标自动识别方法 |
CN105654136A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院电子学研究所 | 一种基于深度学习的大规模遥感影像目标自动识别方法 |
CN106203328A (zh) * | 2016-07-11 | 2016-12-07 | 北华航天工业学院 | 提高遥感影像中目标地物分类提取准确度的方法 |
CN107506799A (zh) * | 2017-09-01 | 2017-12-22 | 北京大学 | 一种基于深度神经网络的开集类别发掘与扩展方法与装置 |
CN107506799B (zh) * | 2017-09-01 | 2020-04-24 | 北京大学 | 一种基于深度神经网络的开集类别发掘与扩展方法与装置 |
CN107918776A (zh) * | 2017-11-01 | 2018-04-17 | 中国科学院深圳先进技术研究院 | 一种基于机器视觉的用地规划方法、***及电子设备 |
CN107918776B (zh) * | 2017-11-01 | 2022-03-22 | 中国科学院深圳先进技术研究院 | 一种基于机器视觉的用地规划方法、***及电子设备 |
CN108287162A (zh) * | 2018-01-09 | 2018-07-17 | 温州三特食品科技有限公司 | 一种食品安全智能检测的方法 |
CN108399366A (zh) * | 2018-01-30 | 2018-08-14 | 何德珍 | 一种基于逐像素分类的遥感图像场景分类提取方法 |
CN112966612A (zh) * | 2021-03-10 | 2021-06-15 | 广东海洋大学 | 基于牛顿积分神经动力学的北极海冰遥感图像提取方法 |
CN113792809A (zh) * | 2021-09-18 | 2021-12-14 | 中国空间技术研究院 | 基于随机半监督特征提取模型的遥感图片分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102938073B (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102938073B (zh) | 一种遥感图像的分类方法 | |
CN108038445B (zh) | 一种基于多视角深度学习框架的sar自动目标识别方法 | |
Silburt et al. | Lunar crater identification via deep learning | |
Liu et al. | Comparison of non-linear mixture models: sub-pixel classification | |
CN103258214B (zh) | 基于图像块主动学习的遥感图像分类方法 | |
CN103971123B (zh) | 基于线性回归与Fisher判别字典学习的高光谱图像分类方法 | |
CN104392228A (zh) | 基于条件随机场模型的无人机图像目标类检测方法 | |
CN105825511A (zh) | 一种基于深度学习的图片背景清晰度检测方法 | |
CN108596108A (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
CN105469098A (zh) | 一种自适应特征权重合成的lidar数据地物精确分类方法 | |
CN110060273A (zh) | 基于深度神经网络的遥感影像滑坡测图方法 | |
Xia et al. | Deep extraction of cropland parcels from very high-resolution remotely sensed imagery | |
CN110458192A (zh) | 基于视觉显著性的高光谱遥感图像分类方法及*** | |
Liang et al. | Maximum likelihood classification of soil remote sensing image based on deep learning | |
Xiong et al. | Comparison of artificial neural network and support vector machine methods for urban land use/cover classifications from remote sensing images a case study of Guangzhou, South China | |
Liu et al. | Using the ART-MMAP neural network to model and predict urban growth: a spatiotemporal data mining approach | |
Khesali et al. | Semi automatic road extraction by fusion of high resolution optical and radar images | |
Jamali et al. | 3-D hybrid CNN combined with 3-D generative adversarial network for wetland classification with limited training data | |
Hu et al. | Cross-domain meta-learning under dual adjustment mode for few-shot hyperspectral image classification | |
CN106529600A (zh) | 一种基于svm的高分辨率光学影像建筑物角点识别方法 | |
Zhao et al. | Scattering features spatial-structural association network for aircraft recognition in SAR images | |
Chen et al. | The building recognition and analysis of remote sensing image based on depth belief network | |
Ding et al. | Land-use classification with remote sensing image based on stacked autoencoder | |
Jadhav et al. | Segmentation analysis using particle swarm optimization-self organizing map algorithm and classification of remote sensing data for agriculture | |
Roostaei et al. | Evaluation of object-oriented and pixel based classification methods for extracting changes in urban area |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170208 Termination date: 20191023 |