33、遥感图像分类中的神经网络技术

遥感图像分类中的神经网络技术

在遥感图像分类领域，神经网络技术展现出了强大的潜力和多样化的应用。本文将深入探讨卷积神经网络（CNN）、循环神经网络（RNN）以及上下文分类器在遥感图像分类中的应用原理、优势和面临的挑战。

1. 卷积神经网络（CNN）在光谱 - 空间特征分类中的应用

CNN 是一种在图像分类中广泛应用的神经网络架构。以对加利福尼亚州萨利纳斯（Salinas）的高光谱 AVIRIS 图像进行分类为例，该图像片段由 512×217 像素组成，空间分辨率为 3.7 米，最初记录了 224 个波段，经过处理去除低质量通道后保留了 200 个波段。图像中存在 16 种园艺用地覆盖类型。

在这项研究中，研究人员采用了一种特定的 CNN 拓扑结构，包括光谱路径和空间路径。每个路径都包含两个卷积层和一个池化层。空间路径的每个卷积层使用 30 个 3×3 的滤波器，池化滤波器大小为 2×2；光谱路径的每个卷积层使用 20 个 16×1 的滤波器，池化滤波器大小为 5×1。空间层用于捕捉像素的邻域（或空间）属性，使用以感兴趣像素为中心的 21×21 像素块，该块通过对该邻域内所有光谱通道进行平均得到。

两个路径的输出被展平、连接后输入到一个具有两个隐藏层（每个隐藏层有 400 个节点）的全连接神经网络中。输出层有 16 个节点，代表萨利纳斯图像中的 16 个类别，输出以使用 softmax 函数计算的类别条件概率形式呈现。

研究人员还采用了迁移学习技术，即利用在其他相同传感器采集的图像上训练好的网络权重，来初始化在萨利纳斯场景上训练的 CNN 权重。这种方法基于这样的假设：具有相似空间分辨率的图像在空间属性上具有相似性。

实验