摘 要

近年来，随着航天技术的不断发展，高分辨率遥感影像具有巨大的发展前景与应用潜力，也因此被广泛应用于各个行业。土地利用类型分类是其在土地资源普查及分析方面的一个重要应用。传统的面向对象遥感影像分类技术由于需要人工提取特征，对样本的依赖极大，且分类效果一般。

在此背景下，本文结合国内外相关研究理论，借助在计算机与图像识别领域中获得成功应用的深度神经网络相关技术，选取我国中部中心城市武汉市的光谷地区作为研究区域，采用Quick Bird高分遥感影像数据，研究U-Net完全卷积深度神经网络在多尺度土地利用类型分类中的优势和效果。

论文主要研究内容如下：

（1）利用研究区域（武汉市光谷地区）的Quick Bird高分遥感影像以及土地利用数据,对影像进行预处理以及矢量化，将矢量图转栅格灰度图后进行patch操作，分别提取出大小两个尺度的真实标签（GT）数据集作为训练样本标签数据。

（2）结合样本数据集单个样本图像的尺寸大小以及大小两个尺度土地利用类别数，重新设计U-Net完全卷积神经网络。并对样本数据进行标准化处理，使其符合U-Net网络的输入数据格式。

（3）利用深度卷积神经网络特征自动提取的优势，对重新设计的大小尺度U-Net网络进行训练，通过对比不同的学习参数的分类结果，选取分类效果最好的网络模型最为最终模型。

（4）在利用U-Net完全卷积深度神经网络进行多尺度土地利用类型分类后，在GT数据的基础上对样本每个像素单元的地表覆被吻合度的精度进行分析和评价，并计算每种土地利用类别的查全率与查准率，以评估该网络模型在两种尺度土地利用类型分类中的效果。

研究结果表明：深度卷积神经网络在总体分类精度和大部分类别上的查全率与查准率均表现良好，同时它能够自动学习样本的特征，避免了进行人工特征选取，是一种具有强大应用前景的遥感分类方法与技术。

关键词：土地利用；深度神经网络；多尺度分类；U-Net完全卷积神经网络

Abstract

In recent years, with the continuous development of space technology, high resolution remote sensing images have great potential for development and application, and are widely used in various industries. Land use classification is an important application in land resource survey and analysis. The traditional object-oriented remote sensing image classification technology is highly dependent on samples because of the need to manually extract features, and the classification effect is general. Under this background, this paper combines the relevant research theory at home and abroad, with the help of the advanced neural network technology in the field of computer and image recognition, and selects Optics Valley area of central city of central city of central China as the research area, and uses Quick Bird high score remote sensing image data to study the complete convolution of U-Net. The advantages and effects of deep neural network in multi-scale land use classification. The main contents of this paper are as follows:

(1) using the Quick Bird high score remote sensing image and the land use data in the Optics Valley area of Wuhan, the image is preprocessed and vectorization. The vector map is transferred to the grayscale map to carry out the patch operation, and the two scale data sets are extracted as the training sample label data.

(2) the U-Net complete convolution neural network is redesigned according to the size of the sample image and the number of two scale land use categories. The sample data are standardized to match the input data format of U-Net network.

(3) using the advantages of automatic feature extraction and automatic classification of the deep convolution neural network, the redesigned U-Net network is trained. By comparing the classification results of different learning parameters, the most final model of the network model with the best classification effect is selected.

(4) after classifying multi-scale land use types with U-Net fully convolution depth neural network, the accuracy of the surface cover consistency of each pixel unit of the sample is analyzed and evaluated on the basis of GT data, and the recall and checking rate of each kind of land use category are calculated to evaluate the network model in two feet. The effect of the classification of the type of land use.

The research results show that the depth convolution neural network is superior to the traditional classification method in the overall classification accuracy and all categories of recall and precision. At the same time it can automatically learn the characteristics of the sample and avoid the selection of artificial features. It is a powerful application prospect of remote sensing classification methods and techniques.

Key Words：Land use；deep neural network；multi-scale classification；U-Net fully convolution neural network

目录

第1章 绪论 1

1.1 研究背景与意义 1

1.2 国内外研究现状及存在的问题 2

1.2.1 传统遥感影像分类方法 2

1.2.2 基于深度神经网络的分类方法 2

1.3 研究内容与目标 3

1.4 研究方案与技术路线 3

1.4.1 研究方案 3

1.4.2 技术路线 4

1.5 论文组织结构 5

第2章 相关理论基础 6

2.1 深度学习技术与卷积神经网络 6

2.1.1 深度学习技术 6

2.1.2 卷积神经网络 6

2.2 U-Net完全卷积神经网络 8

2.2.1 完全卷积神经网络 8

2.2.2 U-Net神经网络 9

第3章 基于U-Net完全卷积神经网络的土地类型分类 10

3.1 研究区域与数据 10

3.1.1 研究区域概况 10

3.1.2 土地分类体系 11

3.1.3 研究区域土地利用数据 11

3.1.4 Quick Bird高分遥感影像数据 11

3.2 研究区域样本制作 11

3.2.1 遥感影像数据预处理 11

3.2.2 研究区域矢量化 12

3.2.3 矢量图转栅格灰度图 13

3.2.4 灰度图生成GT数据集 13

3.3 基于完全卷积神经网络的自动分类 15

3.3.1 网络模型构建 15

3.3.2 输入数据标准化 16

3.3.3 模型训练与选择 17

第4章 实验结果分析与评价 19

4.1分类精度评价方法 19

4.1.1 总体精度评价方法 19

4.1.2 土地利用类型分类情况评价方法 19

4.2基于完全卷积神经网络的分类结果精度评价 19

4.2.1 分类结果精度评价 19

4.2.2 土地利用类型分类效果分析 20

第5章 总结与展望 24

5.1主要工作与结论 24

5.2研究不足与展望 25

参考文献 26

致 谢 28

第1章 绪论

土地利用 (Land Use)的分类是遥感数据在自然资源普查及分析方面的一个重要应用，如何解决多类别高分辨率遥感影像识别问题并满足一定的识别精度，对进一步开展遥感图像研究来说具有十分重要的意义。土地利用分类不仅仅是为了对土地使用情况进行调查分析，更重要的是使今后能够更好的利用和管理土地。

深度神经网络（Deep Neural Network）是一种具有自我学习、自我反馈能力的多层人工神经网络。它保留了传统神经网络的优点与精髓，其最突出的特点是它强大的特征自提取能力。针对多尺度高分遥感影像的土地分类问题，本章主要介绍了论文的研究背景、意义、内容、目标、技术路线以及论文结构等。

1.1 研究背景与意义

作为GIS数据采集的重要手段之一，遥感技术的快速发展为各种地理信息应用的研究创造了十分有利的条件。而土地利用类型的分类是遥感数据在生态环境、人类活动及自然资源利用分析中的重要应用，如何解决多类别高分遥感影像的识别，是面向遥感的核心工作。迄今为止，它依旧是一个传统并且十分复杂的课题，其最大的难点是高分辨率遥感影像中存在许多“异物同谱”和“同物异谱”的现象，在一定程度上增加了分类的难度。因此，如何更好地利用现有的遥感数据，不断发展相应的技术，通过不断改进现有一些分类方法，提高影像的分类和识别精度，成为了今后工作的重中之重。

遥感影像分类任务自发展以来就经历了重大的变化，无论是分类方法还是分类器的使用，甚至分类目的也在逐渐发生改变。其中分类方法从传统的人工目视解译发展到了现在基于深度学习技术的全自动解译^[2]，分类器也由单个过渡为多个相结合使用的阶段，分类目的则更加地专题化，不再是进行简单的分类任务。

近年来，为了不断提高分类效果、丰富分类的方法，国内外学者通过不断学习其他学科，尤其是计算机领域的最新方法和理论，尝试将其应用到遥感领域中。通过与其他领域的新兴技术相融合，我们在影像的分类中取得了比传统方法更加让人满意的效果，无论是分类的精度还是效率。

本次研究结合遥感影像高复杂性与特征多样性的特点，综合利用多尺度遥感对象分割技术与深度神经网络技术^[4]，提出一种多尺度土地利用分类算法，实现同一区域两种不同尺度的高分遥感影像的分类，通过对实验结果进行分析评价，提出算法的不足与相应的改进措施。

1.2 国内外研究现状及存在的问题

本节系统地介绍了传统遥感影像分类方法以及基于深度神经网络的分类方法的研究进展以及传统分类方法存在的一些问题，同时探讨了基于深度神经网络分类方法与传统方法相比的优势。

1.2.1 传统遥感影像分类方法

在当前的遥感影像分类任务中,许多传统的模式识别分类方法^[12],例如平行六面体法、最小距离法、最大似然法（Maximum Likelihood）、等混合距离法(ISOMIX)、循环集群法(ISODATA)等监督、非监督分类法仍然被广泛应用。。

其中最常用的是最小距离分类法与最大似然分类法^[15]。最小距离分类法是属于监督分类中的一种比较简单的分类方法，简单来说，这种方法就是：先计算样本的中心点与影像中各个像素点之间的距离，然后进行比较，比较后判断其属于哪一类。距离判决函数的建立比较复杂,这种距离更偏重于几何位置。在实际使用中常用马氏距离、欧氏距离以及计程距离作为判决函数。而最大似然分类法则是基于贝叶斯(Bayes)准则构建起来的，这种判决规则也称为贝叶斯分类器，它要求在多维空间中每个类样本中的像元呈正态分布，它最后的分类精度往往比最小距离分类法要高。

1.2.2 基于深度神经网络的分类方法

深度学习的理论基础源自人工神经网络，它既保留了神经网络的精髓，同时能够利用自身的多层网络结构进行自我学习，自我反馈，最后可以做出比较准确预测。与传统人工神经网络相比，深度学习最大地优点就是能够从大量数据中自动学习重要特征，而不需要人工进行特征选取，这大大提高了影像分类识别的效率，同时其识别精度较以往分类方法也有了巨大飞跃。近年来，深度学习被逐渐应用于更多领域，深度学习与大数据结合紧密，它获得较好结果的前提是数据量充足，这正好与高分辨率遥感影像的大数据量相契合。2010年，Minh等第一次将深度学习技术应用到道路信息提取任务中^[16]，在这之后深度学习技术逐渐被应用到遥感影像分类以及专题信息提取等相关任务中。

1.3 研究内容与目标

在以上的研究环境和背景下，本研究的主要内容是根据Quick Bird高分遥感影像进行多尺度分割，提取一套两个空间尺度的样本集合。将随机划分出的三个数据集（训练集、验证集、测试集）进行处理规范化为符合全卷积神经网络U-Net输入的格式，然后利用全卷积神经网络模型，建立土地利用类型分类算法，用训练集和验证集对U-Net神经网络进行训练，然后通过设置不同的训练参数，对比分类效果，再选取效果最佳的网络模型对测试集进行预测，最后对算法模型的不足之处提出改进方案，最后对比、评价论文设计的算法与目前常用的算法之间的优劣。

1.4 研究方案与技术路线

1.4.1 研究方案

（1）利用我国中部中心城市武汉市光谷地区 Quick Bird高分辨率遥感数据（分辨率大小为0.6米）进行矢量化，将实验区域分为13类别

（2）将矢量化后的数据转化为灰度图片，从灰度图片和原始影像切一定数目的patch，再将灰度图根据类别颜色表附上相应颜色，提取出一套两个空间尺度的样本集合。

（3）根据样本图像大小利用Python语言Keras平台框架构建U-Net全卷积神经网络模型，同时，再将样本集规范化为U-Net网络可以接受的输入格式。

（4）选取适当的学习效率和学习次数，用训练集和验证集对U-Net网络进行训练，对网络模型在验证集上得到分类结果进行评价，选取最佳网络模型，对测试集进行预测

（5）结合分类结果的查全率和查准率分析网络模型的优势以及不足之处和有待改善的地方。

1.4.2 技术路线

图1.1 技术路线图

1.5 论文组织结构

本文的整体结构安排如下 ：  

第1章是绪论部分，首先主要介绍了本次研究的背景和意义，然后阐述了几种传统的遥感影像分类方法以及基于深度神经网络的分类方法的国内外研究进展及现状，接着介绍了本文的研究内容与目标、研究方案与技术路线，最后介绍了论文的组织结构与章节安排。  

第2章主要对本次课题的相关理论基础进行了介绍。相关理论主要从深度学习技术与卷积神经网络两个方面进行介绍，最后，深入介绍了本研究所采用的U-Net全卷积深度神经网络的原理。  

第3章为具体实验研究部分，对U-Net完全卷积神经网络模型在面向对象多尺度土地利用类型分类中应用的实验流程进行了详细的介绍，包括实验样本数据的制作，网络模型的设计，相关参数的设置及如何解决训练过程中的过拟合问题等过程 。  

第4章为结果分析部分。首先，通过误差混淆矩阵分析了两种不同尺度的遥感影像的分类总体精度以及各个类别的分类精度；然后，通过分析两种尺度部分样本的分类情况来评价模型的分类效果；最后，得出U-Net完全卷积神经网络在高分遥感影像土地利用类型分类中的优势以及不足，同时分析可能存在的原因。

第5章为研究的总结与展望部分，首先对本文主要研究工作的进行总结，然后简要探讨了深度卷积神经网络在遥感土地利用类型分类中的优越性，指出论文存在的不足之处以及今后进一步研究的方向 。 

-

第2章 相关理论基础

2.1 深度学习技术与卷积神经网络

2.1.1 深度学习技术

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：