[發(fā)明專利]一種AlexNet和SVM相結(jié)合的衛(wèi)星遙感影像土地利用變化檢測方法

在審

• 申請?zhí)枺?/td>: 202010045757.8
• 申請日: 2020-01-16
• 公開（公告）號(hào): CN111274905A
• 公開（公告）日: 2020-06-12
• 發(fā)明（設(shè)計(jì)）人: 付青;羅文浪;郭晨
• 申請（專利權(quán)）人: 井岡山大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 蘇州拓云知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32344
• 代理人: 王云峰

本發(fā)明公開了一種AlexNet和SVM相結(jié)合的衛(wèi)星遙感影像土地利用變化檢測方法，基于卷積神經(jīng)網(wǎng)絡(luò)的強(qiáng)特征學(xué)習(xí)能力和特征表示能力，利用2013?2017年共5期江西省南昌地區(qū)的GF?1號(hào)衛(wèi)星遙感影像，利用卷積神經(jīng)網(wǎng)絡(luò)AlexNet進(jìn)行深層特征提取，然后利用支持向量機(jī)SVM進(jìn)行分類，最后進(jìn)行分類圖配準(zhǔn)和差值計(jì)算實(shí)現(xiàn)土地利用變化檢測。與傳統(tǒng)的基于光譜特征和光譜紋理特征的土地利用變化檢測方法相比，檢測精度更好，泛化能力強(qiáng)。

技術(shù)領(lǐng)域

本發(fā)明適用于遙感影像處理領(lǐng)域，具體為一種AlexNet和SVM相結(jié)合的衛(wèi)星遙感影像土地利用變化檢測方法。

背景技術(shù)

隨著科學(xué)技術(shù)的不斷進(jìn)步和人類社會(huì)的不斷發(fā)展，人類對土地利用的需求也越來越大。土地利用變化檢測已成為國土資源監(jiān)測的重要研究方向之一[1]。土地利用變化檢測可以分為土地利用分類和分類結(jié)果差值兩個(gè)步驟，其精度主要依賴于土地利用分類的精度。隨著遙感影像時(shí)空分辨率的不斷提高，已成為了獲取和監(jiān)測地表信息的重要工具[2]。但進(jìn)一步提高土地利用變化檢測精度，充分發(fā)揮遙感影像在國土資源監(jiān)測行業(yè)中的作用，仍是一個(gè)亟待解決的問題。因此，如何提高遙感影像土地利用變化檢測的精度一直是遙感工作者的目標(biāo)，同樣，也是遙感領(lǐng)域極具挑戰(zhàn)性和重要意義的研究內(nèi)容。

高分一號(hào)是我國第一顆高分辨率衛(wèi)星，2013年底正式投入運(yùn)行，改變了我國長期依賴采購國外衛(wèi)星遙感影像數(shù)據(jù)的局面[3-4]。高分一號(hào)衛(wèi)星的特點(diǎn)是增加了一臺(tái)寬800km、分辨率大大提高的高分辨率多光譜相機(jī)。高分一號(hào)衛(wèi)星以其覆蓋范圍廣、空間分辨率高、時(shí)間分辨率高等優(yōu)點(diǎn)，提高了我國高分辨率數(shù)據(jù)的自給率[5-7]。通過增加高分辨率多光譜相機(jī)，提高了高分一號(hào)衛(wèi)星的分辨率。土地利用變化檢測是生態(tài)環(huán)境變化研究、土地資源管理和可持續(xù)發(fā)展的重要基礎(chǔ)[1]，在全球資源變化監(jiān)測中發(fā)揮著重要作用。土地利用變化檢測研究主要采用衛(wèi)星遙感技術(shù)[8]，以土地詳查數(shù)據(jù)和地圖為參考資料，全面系統(tǒng)地分析土地利用動(dòng)態(tài)變化。目前，國內(nèi)外已利用衛(wèi)星遙感影像監(jiān)測作物生長[9-10]，土地利用變化和社會(huì)經(jīng)濟(jì)發(fā)展對區(qū)域生態(tài)系統(tǒng)服務(wù)的影響[11-14]，并利用遙感技術(shù)評估不同類別之間的變化[15-16]。其中，利用遙感影像進(jìn)行土地利用變化檢測的研究成果較多。在利用像素光譜特征分類對遙感影像進(jìn)行土地利用分類的基礎(chǔ)上，學(xué)者們提出了增加紋理特征進(jìn)行分類的方法[17-18]。雖然分類精度有所提高，但紋理信息在提高分類精度方面的作用仍然非常有限[19]，分類結(jié)果很難達(dá)到令人滿意的效果。因此，進(jìn)一步提高遙感影像土地利用變化檢測的精度仍具有重要意義。

近年來，卷積神經(jīng)網(wǎng)絡(luò)(CNN)在圖像分類、目標(biāo)檢測、語義分割和人臉識(shí)別等方面取得了一系列突破。卷積神經(jīng)網(wǎng)絡(luò)將深層特征提取和分類相結(jié)合，其局部連接、權(quán)值共享和池化操作使得可以有效地減少訓(xùn)練參數(shù)的數(shù)目，減少網(wǎng)絡(luò)復(fù)雜度，使模型在一定程度上對圖像平移、失真和縮放保持不變，與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比，具有較強(qiáng)的魯棒性和容錯(cuò)性[11]，具有較強(qiáng)的特征學(xué)習(xí)和特征表達(dá)能力[12]。卷積神經(jīng)網(wǎng)絡(luò)在衛(wèi)星遙感影像場景識(shí)別中的應(yīng)用[13-17]表明卷積神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的特征提取能力。遙感影像的場景識(shí)別與土地利用分類具有很高的相似性。土地利用分類一般側(cè)重于利用地物的光譜、紋理等中低層特征對地物進(jìn)行分類，主要難點(diǎn)在于類內(nèi)光譜的多樣性導(dǎo)致的特征表達(dá)困難和混合像素引起的混合光譜特征表達(dá)問題。

發(fā)明內(nèi)容

本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)的強(qiáng)特征學(xué)習(xí)能力和特征表示能力，利用2013-2017年共5期江西省南昌地區(qū)的GF-1號(hào)衛(wèi)星遙感影像，利用卷積神經(jīng)網(wǎng)絡(luò)(AlexNet)進(jìn)行特征提取，然后利用支持向量機(jī)(SVM)進(jìn)行分類，與傳統(tǒng)的基于光譜特征和光譜紋理特征的土地利用分類方法相比，分類精度更好，泛化能力強(qiáng)。

為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種AlexNet和SVM相結(jié)合的衛(wèi)星遙感影像土地利用變化檢測方法，包括以下步驟：

步驟1，構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)AlexNet模型；