何锦涛,张文婷,宋嘉玟,赵耀东,张 朋

西南石油大学计算机科学学院,四川 成都 610500

0 引言

高分遥感影像分类是指按照某种规则将每个像素点或者每块区域根据其在不同谱段的光谱特征、空间结构特征或其他信息划分为不同的类别[1],这些类别包括房屋、河流、田地等。目前大多数关于卷积神经网络在高分遥感影像分类方面的研究都实现了基本的分类。然而,对地形较为复杂的环境进行分类时,卷积神经网络存在特征提取精度低、模型表达和建模能力有局限性、缺少显著标记等问题。

本文通过对传统卷积神经网络结构进行改进来完成高分辨率遥感影像的分类标记[2]。改进的神经网络结构,增添了针对特征图的强化模块和通道域的注意力模块,因此模型可以实现对图像更准确的预测,并具有更强的泛化能力[3]。

试验使用数据扩充和增强技术[4]对选取地的样本图像进行了预处理,使试验样本数据更加丰富,更有利于试验的开展。试验结果用于评价提出的改进算法的准确性和有效性,并采用4种评价参数来对试验结果进行评估。

1 卷积神经网络

卷积神经网络(convolutional neural network,CNN)是计算机视觉应用所使用的一种深度学习模型,成功地应用于当今的信号处理、模式识别、生物医学等领域。CNN将输入图像数据分解为不同像素大小的层,在输入的图像数据中学习输入和输出的映射关系。CNN的输入层是由图片像素转化来的数组;隐藏层主要由卷积层、池化层和全连接层交替连接组成;输出层通常是全连接层,在图像处理问题中,输出层使用逻辑回归函数或softmax函数输出分类标签[5]。在图像语义分割中,输出层直接输出每个像素的分类结果。

在经典的CNN模型中,输入层输入的数据首先进入第1个卷积层,每个卷积层带有其特有的过滤器,是一个数字矩阵。在卷积层中,输入的矩阵与过滤器进行卷积运算后得到一个新的矩阵,即特征图。特征图在池化层中进行降维操作后会进入下一个池化层,经过卷积运算后再次被池化。由于过滤器的不同,在不同的卷积层中,过滤器会对输入图像进行轮廓检测、边缘检测、模糊化、锐化等多种操作[6]。经过多次卷积和池化操作后,数据抵达全连接层,全连接层通过激活函数对图像进行分类,最终的输出结果表示输入图像输入某个类别的概率。

2 卷积网络模型改进

原始的卷积网络模型存在一些缺点,主要包括:模型提取图像特征信息的准确率较低且信息之间的相关性较弱;模型不能充分挖掘图像中多种类型的特征信息;网络模型对表达能力和泛化能力较弱等。针对这些缺点,本文在原有卷积网络模型的基础上又增加了特征强化模块和通道域注意力模块,以提高卷积神经网络的性能。

2.1 特征强化模块

原始网络在对图像进行特征提取时只是获取了区域中非零部分的信息,模型采用空洞卷积的稀疏采样方式会引起网格效应,会导致模型训练的不充分,从而缺少相关性的特征映射信息。

为了解决这个问题,本文设计了特征图的强化模块。该模块的核心步骤为:将原始特征图输入至1×1的卷积核进行降维,再将其分别输入至2个低扩张率的空洞卷积进行特征信息提取的学习,最后输出更具判别性的特征图。同时,在每次卷积后增设批量处理归一化处理层用来标准化每个卷积核的数据,这提高了模型的运算效率和网络的收敛速率,减少了过拟合的现象,提高了对乡村遥感影像的特征信息提取的精度和相关性。

2.2 通道域注意力模块

原始卷积神经网络随着网络层的不断深入,模型的感受随之扩大,对特征图的分辨率也随之下降,因此,在浅层网络上,模型提取到的更多是图像的细节特征,而在深层网络上,模型获取到的主要是图像的语义特征信息。

引入通道域注意力模块能使模型更好地融合带有不同特征信息的特征图。该模块的核心步骤如下。

对于高层特征,首先将其输入至卷积核中,对特征图进行空间维度上的压缩,该部分通过全局平均池化来完成;接着,模型对压缩后的特征图进行激活和归一化,激活函数使用softmax函数;接下来对通道进行升维,并使用ReLu函数将权重归一化;最后,使用scale函数完成每一个通道的权重分配。

对于低层特征,首先输入至1×1卷积核进行处理,接着在与通道权重相乘后,与高层特征一起合并输出。

该模块让卷积网络模型可以对信息的关键程度有更精准的了解,更多地去关注相对重要的通道,从而提高特征的表征能力。

2.3 改进的卷积网络结构

改进后的卷积网络是基于一般的卷积网络结构进行了增添处理,改进后的模型加入了特征强化模块和通道域注意力模块。特征强化模块用来提高遥感图像特征信息的相关性和准确性,同时缓解网格效应;通道域注意力模块将深层特征进行输入,低层特征进行加权,有效地保存了特征图的细节信息,且提升了卷积网络的信息提取能力和精度。

改进后的卷积网络结构如图1所示:首先,输入一张高分遥感影像图进行预处理操作,包括灰度化、标准化和裁剪等;然后,通过卷积层和池化层进行特征提取和降维,并输出步幅为4的中间结果;接着,经过Block1、Block2、Block3,逐步提高输出步幅,以获取图像的不同尺度信息和更加详细的语义特征,在Block4中,引入了特征强化模块对特征图进行处理,提高其密集性和相关性,从而更好地实现表征性和分类效果;随后,将特征图进行2倍上采样,输入通道域注意力模块对低层特征进行加权融合,再次进行2倍上采样,最后进行4倍上采样得到最终输出结果。

图1 改进后的卷积网络结构

3 乡村生态特征提取

本文将研究区域选取在我国海南省的琼海沙美村,试验目的是对乡村生态特征进行提取和标记。试验选取了几幅具有代表性的遥感影像作为试验数据集,并基于该数据集进行模型训练。由于图像数据集中的样本过大,所以在对图像进行特征提取之前,需要对样本进行切割处理,本文将其切割为256×256像素大小的图像。

由于卷积神经网络使用到的参数数量庞大,当模型在学习训练的过程中数据量不足时,很容易出现过拟合的问题。为解决该问题,对图像进行了数据扩充和增强,经过处理后,数据集的数量得到了扩大,数据集的多样性大大丰富,算法的鲁棒性也得到提升。本文将数据集按照4：1的比例分为训练集和验证集。训练的过程中使用SGD算法来更新卷积神经网络中的参数:学习率初始值设置为0.01,动量设置为0.85,并且每经过10 000轮迭代就将学习率缩小为原来的1/10,经过40 000次迭代结束训练,得到改进后的卷积神经网络模型。具体的试验流程如图2所示。

图2 试验流程

试验结果如图3所示,图3(a)为选取的特定地区的高分遥感影像,图3(b)为改进的卷积神经网络处理后的图像,其中灰色部分为提取出的目标乡村建筑的区域,可以看到改进后的卷积神经网络能够较好地提取乡村生态特征。

图3 试验结果

为了更全面且准确地评估该算法的精确度,使用了Kappa系数、正确率、虚警率和漏检率4种评价参数。评估依据为:4种评价参数的范围均位于0～1,正确率和Kappa系数的值在该范围内越高,模型的分类效果越好;虚警率和漏检率在该范围内值越低,模型的分类效果越好。每组试验的分类准确率和评价指标如表1所示,该结果充分验证了本文提出的改进卷积神经网络模型适用于大幅高空间分辨率遥感影像的处理,具有良好的有效性和可行性。

表1 试验结果评价

4 结束语

本文使用了改进的卷积神经网络实现对乡村遥感影像的特征提取。试验结果表明,此方法比传统的网络结构信息提取的效果更好、精度更高。

本文使用海南省的乡村遥感图像作为原始样本数据,样本数量较少,因此在试验过程中对样本进行了数据扩充和增强。此外,使用了特征强化模块和通道域注意力模块,对网络模型进行较大的改进,大大提升了网络对特征信息的提取能力。试验选取的区域大多分布在农田、草地和水域等乡村典型区域,地貌特征较复杂。由于原始样本数量的限制,模型在对乡村遥感图像的特征提取方面的表现没有达到预期效果,未来在样本数据的处理方面仍有较大改进和完善的空间,同时也可尝试多种遥感影像特征提取技术的结合处理,以便更高效地提取出乡村遥感图像的有效特征信息。