基于卷積神經(jīng)網(wǎng)絡(luò)的高分二號(hào)影像林分類型分類
關(guān)鍵詞：cnn mlp 林分類型 圖像斑塊大小
摘要：【目的】基于遙感影像的林分類型分類在現(xiàn)代林業(yè)中是一項(xiàng)重要的應(yīng)用。本文試圖構(gòu)建一個(gè)基于高分二號(hào)(GF-2)影像林分類型分類的卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型,探索CNN在遙感圖像像素級(jí)分類這一領(lǐng)域的發(fā)展?jié)摿??！痉椒ā恳訥F-2衛(wèi)星遙感影像為數(shù)據(jù)源,利用Tensorflow(一種開源用于機(jī)器學(xué)習(xí)的框架)構(gòu)建4種不同圖像斑塊大小(m=5,7,9,11)為輸入的CNN,同時(shí)以傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型——多層感知器(MLP)為基準(zhǔn),比較不同圖像斑塊大小下的CNN分類圖的分類效果和分類精度。【結(jié)果】實(shí)驗(yàn)分類結(jié)果表明:CNN(m=9)得出最高的分類精確度,總體精度比MLP和CNN(m=5,7,11)分別高出10.91%和6.55%、1.3%、2.54%。分類圖的可視化結(jié)果也表明CNN(m=9)更好地解決了'椒鹽現(xiàn)象'與過度平滑后的邊界不確定性問題。【結(jié)論】CNN能夠在利用高分影像光譜特征的同時(shí)充分挖掘影像的空間特征,從而提高分類精度,同時(shí)在利用CNN基于遙感影像分類時(shí),根據(jù)數(shù)據(jù)源以及地物的特點(diǎn)選擇合適的圖像斑塊大小作為輸入是提高分類精度與分類效果的關(guān)鍵措施。
北京林業(yè)大學(xué)學(xué)報(bào)雜志要求:
{1}在本刊發(fā)表文章，需引用本刊至少兩篇最近兩年發(fā)表的論文作參考文獻(xiàn)。
{2}文稿要求論述充分有力，研究方法嚴(yán)謹(jǐn)創(chuàng)新。
{3}來稿文責(zé)自負(fù)，本刊有稿件刪改權(quán)，如不同意，請(qǐng)來稿時(shí)注明。
{4}中文關(guān)鍵詞一般曲3-8個(gè)，選詞要規(guī)范，應(yīng)盡量從漢語(yǔ)工題詞表中選取，英文關(guān)鍵詞應(yīng)與中衛(wèi)關(guān)鍵詞一一對(duì)應(yīng)，不能采用英文縮寫。
{5}文題一般不宜超過30個(gè)字，應(yīng)以簡(jiǎn)明、確切的詞語(yǔ)反映文章中最主要的特定內(nèi)容。避免用副標(biāo)題。文題不用非公知公認(rèn)的縮寫或符號(hào)。
注：因版權(quán)方要求，不能公開全文，如需全文，請(qǐng)咨詢雜志社
