何小飞，邹峥嵘，陶　超，张佳兴

中南大学地球科学与信息物理学院，湖南 长沙 410083



联合显著性和多层卷积神经网络的高分影像场景分类

何小飞，邹峥嵘，陶超，张佳兴

中南大学地球科学与信息物理学院，湖南 长沙 410083

高分辨率遥感影像中的场景信息，对于影像解译和现实世界的理解具有重要意义。传统的场景分类方法多利用中、低层人工特征，但是高分辨率遥感影像的信息丰富，场景构成复杂，需要高层次的特征来表达。本文提出了一种联合显著性和多层卷积神经网络的方法，首先利用显著性采样获取包含影像主要信息的有意义的块，将这些块作为样本集输入卷积神经网络中进行训练，获得不同层次的特征表达，最后联合多层特征利用支持向量机进行分类。两组高分影像场景数据UC Merced 21类和Wuhan 7类试验表明，显著性采样能够有效地获取主要目标，减弱其他无关目标的影响，降低数据冗余；卷积神经网络能够自动学习高层次的特征，相比已有方法，本文方法能够有效提高分类精度。

卷积神经网络；显著性探测；高分辨率遥感影像；场景分类

随着科学技术的进步，遥感卫星获取影像的分辨率不断提升，目前已经出现的高分卫星IKONOS、QuickBird使得遥感影像的分辨率达到米级、甚至亚米级别，标志着遥感领域已经进入了高分辨率影像时代。高分辨率遥感影像不仅具有丰富的空间、纹理特征，而且包含了大量场景语义信息。然而，由于场景的构成复杂且地物覆盖类别众多，很难从海量的影像数据中，直接获取感兴趣的场景信息。……