-
深度学习模型是近年来新兴的一类机器学习算法,已被有效的应用于许多领域当中。其中,在遥感领域,该类方法的应用效果也得到了有效的证明。对于遥感地物分类的应用问题,研究表明全卷积类深度神经网络方法(Fully Convolutional Networks,FCN)可有效的解决该问题。方旭等[1]证明通过将均值漂移分割算法与FCN-8s方法相结合能够有效提高高分辨率遥感影像的分类精度,与传统机器学习分类方法SVM相比提高了10%以上的精度。邓国徽等[2]将FCN-8s应用于高分遥感数据的语义分割,以分割图像中的施工场地为例,结果表明:提出的改进全卷积网络模型能够较为显著的提高了施工场地的识别率。Piramanayagam[3]利用FCN将高分辨率遥感影像的光谱信息与DSM的几何信息有效融合,从而提高了高分辨遥感图像的语义分割能力。条件随机场方法(Conditional Random Field,CRF)作为图像处理中常用的能量优化算法,也已被学者证明可有效的改善FCN网络的分类效果[4-5]。
U-net网络是全卷积神经网络模型中常用的一种,该模型通过一个收缩网络以及一个扩张网络,构成了一个U型结构,与经典的FCN网络相比,该网络在上采样过程中可以结合更多层的不同的特征,能够最大程度地保留下采样过程中的一些重要的特征信息[6]。研究表明,该类网络可有效的进行遥感图像信息提取。陈睿敏等[7]使用UNet深度学习模型对红外遥感影像进行5类地物信息提取,其分类效果与传统机器学习方法相比提高了6%。Li等[8]提出了一种卷积块代替卷积层的深度卷积神经网络DeepUNet,提高了海岸线的分割精度。
有研究表明,通过少量的调整相关遥感特征,可以优化FCN深度学习模型的效果[2,9]。邓国徽等[2]提出了融合蓝板房光谱识别指数和裸土光谱识别指数的改进全卷积网络模型,结果表明:添加的指数可以较为显著的提高了施工场地的识别率;Cao Q等[9]将NDVI与CNN的高级特征进行了融合,该算法对土地类型分类效果良好。
本研究借鉴前人对FCN-8s模型的优化思路,基于U-net网络模型,在模型训练过程中通过在原始波段的基础上加入NDVI特征,并增加CRF后处理过程,以期改善U-net深度学习模型用于森林类型分类的效果。
HTML
-
基于U-net-NDVI-CRF方法的分类结果混淆矩阵如表1所示,总体分类精度达84.89%,Kappa系数为0.82。除落叶松和其他地类外,各地类制图精度均在83%以上。其中,其他地类精度较低,易错分为白桦,主要原因在于GF-2多光谱数据成像时间为冬季,其他地类(主要包括榆树、杨树、柞树等植被类型)均属于落叶性植被,他们的光谱曲线和NDVI特征与白桦差异较小,容易导致误分。落叶松存在部分错分为油松的情况,主要原因在于此季节的落叶松已经开始萌芽,且与油松同属于针叶林、人工林,在光谱和纹理上具有一定的相似性,造成部分落叶松错分为油松。
类别名称
Informational classes油松
Pinus
tabulaeformis落叶松
Larix principis-
rupprechtii其他
Other lands白桦
Betula platyphylla耕地
Cultivated land建设用地
Construcuion land总计
Total油松 Pinus tabulaeformis 74 15 1 0 0 0 90 落叶松 Larix principis-rupprechtii 0 51 2 1 0 0 54 其他 Other lands 0 1 29 4 3 0 37 白桦 Betula platyphylla 0 2 13 41 0 0 56 耕地 Cultivated land 0 0 0 0 30 1 31 建设用地 Construcuion land 0 0 1 0 3 39 43 总计 Total 74 69 46 46 36 40 311 制图精度 Producer accuracy/% 100 73.91 63.04 89.13 83.33 97.5 用户精度 User accuracy/% 82.22 94.44 78.38 73.21 96.77 90.7 注:总体精度:84.89%;Kappa系数:0.82。Note:Overall accuracy: 84.89%; Kappa coefficient: 0.82. Table 1. Confusion matrix of U-net-NDVI-CRF classification result
-
加入NDVI特征前后U-net模型分类精度对比如表2所示。从表中可以看出,加入NDVI特征之后,分类精度得到有效的提高,总体精度提高了2.25%,Kappa系数提高了0.02,其他地类、耕地、建设用地的分类精度有显著提高,其中,其他地类提高了15.22%,耕地提高了13.89%。从分类细节图(图5)中可以看出,加入NDVI特征可有效改善林地分布区域的分类效果。
-
加入CRF前后U-net分类结果的精度对比如表2所示。在加入CRF后,总体精度较之前提高了0.65%,Kappa系数提高了0.01,其中,落叶松和其他地类的精度有所提高。从定量上的分析可见,分类精度提升幅度并不大,但从目视角度分析,各类地物之间的边缘得到细化。从分类细节图(图5)可以看出,在其他和白桦混交的区域,采用CRF后处理分类效果提升的贡献明显。
项目
Items油松
Pinus tabulaeformis落叶松
Larix principis-rupprechtii其他
Other lands白桦
Betula platyphylla耕地
Cultivated land建设用地
Construcuion land总体精度
Overall accuracyKappa系数
KappaRGB-IR 100% 72.46% 45.65% 100% 69.44% 97.5% 81.99% 0.79 RGB-IR-NDVI 100% 71.01% 60.87% 89.13% 83.33% 100% 84.24% 0.81 RGB-IR-NDVI CRF 100% 73.91% 63.04% 89.13% 83.33% 97.5% 84.89% 0.82 注:所有精度均为制图精度。Note:All accuracy is producer accuracy. Table 2. Accuracy comparison of U-net classification results before and after adding NDVI features and CRF
-
为了验证本研究所设计的U-net-NDVI-CRF分类方法的有效性,将其与加入NDVI特征的传统机器学习SVM、RF的分类结果,加入NDVI特征和CRF的FCN-8s的分类结果进行了比较分析。这4种分类方法的分类结果如图6所示,分类精度对比如表3所示。深度学习U-net、FCN-8s模型的总体精度和Kappa系数均高于SVM、RF。U-net的总体精度和Kappa系数明显高于其他模型,对油松、白桦、耕地、建设用地和其他的分类精度均较高,尤其是其他地类的分类表现更为突出。对于落叶松,U-net的分类精度较低,主要原因为落叶松与油松同属于人工林,在空间特征上存在一定的相似性,使得油松和落叶松存在一定的混淆。对建设用地,U-net和FCN-8s比SVM或RF改进很多,主要是因为此季节的建设用地和耕地在光谱上存在一定的相似性,且耕地中的大棚与建设用地十分相似,U-net和FCN-8s可以自动提取特征以区分两个地类,而SVM和RF仅靠光谱特征不能完全将建设用地与耕地等地类分出。从分类细节图(图7)可以看出,U-net-NDVI-CRF对油松和落叶松的分类效果要好明显于其他分类方法。
模型
Model油松
Pinus tabulaeformis落叶松
Larix principis-
rupprechtii其他
Other lands白桦
Betula platyphylla耕地
Cultivated land建设用地
Construcuion land总体精度
Overall accuracyKappa系数
KappaRF 95.95% 75.36% 47.83% 67.39% 66.67% 62.5% 72.35% 0.66 SVM 97.30% 91.30% 36.96% 89.13% 58.33% 62.5% 76.85% 0.72 FCN-8s 100% 81.16% 34.78% 86.96% 52.78% 97.5% 78.46% 0.74 U-net 100% 73.91% 63.04% 89.13% 83.33% 97.5% 84.89% 0.82 注:所有精度均为制图精度。Note:All accuracy is producer accuracy. Table 3. Comparisons of classification accuracy of four relevant methods