孙建国，田 野，李思照

(哈尔滨工程大学 计算机科学与技术学院，黑龙江 哈尔滨 150001)

0 引言

随着传感器技术的迅猛发展，高分遥感图像的数据量显著增加。其复杂场景识别和分类在遥感图像的应用中起着重要的作用，被广泛应用于城市规划、土地资源分配及全球环境污染监测等方面，具有重要的理论意义和实践价值。遥感图像不仅具有丰富的空间和纹理特征，而且还包含大量的场景语义信息。因此为了理解和识别遥感图像中的场景信息，遥感图像场景分类技术获得了航空和卫星图像分析领域研究者的广泛关注[1]。

场景分类的核心是遥感图像特征提取，传统的遥感图像场景分类研究工作大致可以分为具有底层场景特征的方法和具有中层场景特征的方法[2]。常用的低层方法包括尺度不变特征变换、局部二进制模式以及颜色直方图等。中层方法通过对低层本地特征描述符进行编码来表示场景，中层编码方法包括视觉词袋、空间金字塔匹配以及潜在迪利克雷分配等。然而这些方法在对信息更加丰富、结构更加复杂的高分遥感图像进行分类时，由于受到遥感图像中包含的复杂的非线性特征、光谱信息之间在互补的同时又存在极大冗余性特点的影响，很难得到理想的分类结果[3]。

近年来，深度卷积神经网络(CNN)[4-5]在遥感场景分类领域取得了显著成就。与基于人工设计的低层和中层特征不同，CNN通过学习大量的样本来生成图像的特征表示。……