基于卷积神经网络的高分辨率遥感土地利用/土地覆盖分类全连接条件随机场方法

摘要： 土地利用与土地覆盖（LULC）的解译是高分辨率遥感（RS）图像处理和土地资源管理领域的重要课题。要完整训练一个用于LULC分类的新建或现有卷积神经网络（CNN）架构，需要大量遥感影像数据，因此需对预训练CNN进行微调以实现LULC检测。为提高高分辨率遥感图像的分类精度，需采用另一种特征描述符并结合后处理分类器。本文提出一种全连接条件随机?。‵C-CRF），通过利用微调后的CNN层、光谱特征及全连接成对势能来实现高分辨率遥感图像分类：首先采用现有CNN模型并通过训练数据集微调其参数，计算图像像素属于各类别的概率；其次结合光谱特征与数字表面模型（DSM），并采用支持向量机（SVM）分类器确定各LULC类别概率，基于微调CNN获得的概率构建新特征描述符；最后引入FC-CRF生成分类结果——其中一元势能由新特征描述符和SVM分类器获得，成对势能则由三波段RS影像与DSM生成。实验结果表明，当总体精度达到约85%时，该分类方案具有良好性能。