一种AlexNet和SVM相结合的卫星遥感影像土地利用变化检测方法与流程

本发明适用于遥感影像处理领域，具体为一种alexnet和svm相结合的卫星遥感影像土地利用变化检测方法。

背景技术：

随着科学技术的不断进步和人类社会的不断发展，人类对土地利用的需求也越来越大。土地利用变化检测已成为国土资源监测的重要研究方向之一[1]。土地利用变化检测可以分为土地利用分类和分类结果差值两个步骤，其精度主要依赖于土地利用分类的精度。随着遥感影像时空分辨率的不断提高，已成为了获取和监测地表信息的重要工具[2]。但进一步提高土地利用变化检测精度，充分发挥遥感影像在国土资源监测行业中的作用，仍是一个亟待解决的问题。因此，如何提高遥感影像土地利用变化检测的精度一直是遥感工作者的目标，同样，也是遥感领域极具挑战性和重要意义的研究内容。

高分一号是我国第一颗高分辨率卫星，2013年底正式投入运行，改变了我国长期依赖采购国外卫星遥感影像数据的局面[3-4]。高分一号卫星的特点是增加了一台宽800km、分辨率大大提高的高分辨率多光谱相机。高分一号卫星以其覆盖范围广、空间分辨率高、时间分辨率高等优点，提高了我国高分辨率数据的自给率[5-7]。通过增加高分辨率多光谱相机，提高了高分一号卫星的分辨率。土地利用变化检测是生态环境变化研究、土地资源管理和可持续发展的重要基础[1]，在全球资源变化监测中发挥着重要作用。土地利用变化检测研究主要采用卫星遥感技术[8]，以土地详查数据和地图为参考资料，全面系统地分析土地利用动态变化。目前，国内外已利用卫星遥感影像监测作物生长[9-10]，土地利用变化和社会经济发展对区域生态系统服务的影响[11-14]，并利用遥感技术评估不同类别之间的变化[15-16]。其中，利用遥感影像进行土地利用变化检测的研究成果较多。在利用像素光谱特征分类对遥感影像进行土地利用分类的基础上，学者们提出了增加纹理特征进行分类的方法[17-18]。虽然分类精度有所提高，但纹理信息在提高分类精度方面的作用仍然非常有限[19]，分类结果很难达到令人满意的效果。因此，进一步提高遥感影像土地利用变化检测的精度仍具有重要意义。

近年来，卷积神经网络(cnn)在图像分类、目标检测、语义分割和人脸识别等方面取得了一系列突破。卷积神经网络将深层特征提取和分类相结合，其局部连接、权值共享和池化操作使得可以有效地减少训练参数的数目，减少网络复杂度，使模型在一定程度上对图像平移、失真和缩放保持不变，与传统的机器学习方法相比，具有较强的鲁棒性和容错性[11]，具有较强的特征学习和特征表达能力[12]。卷积神经网络在卫星遥感影像场景识别中的应用[13-17]表明卷积神经网络具有很强的特征提取能力。遥感影像的场景识别与土地利用分类具有很高的相似性。土地利用分类一般侧重于利用地物的光谱、纹理等中低层特征对地物进行分类，主要难点在于类内光谱的多样性导致的特征表达困难和混合像素引起的混合光谱特征表达问题。

技术实现要素：

本发明基于卷积神经网络的强特征学习能力和特征表示能力，利用2013-2017年共5期江西省南昌地区的gf-1号卫星遥感影像，利用卷积神经网络(alexnet)进行特征提取，然后利用支持向量机(svm)进行分类，与传统的基于光谱特征和光谱纹理特征的土地利用分类方法相比，分类精度更好，泛化能力强。

为实现上述目的，本发明提供如下技术方案：一种alexnet和svm相结合的卫星遥感影像土地利用变化检测方法，包括以下步骤：

步骤1，构建深度卷积神经网络alexnet模型；

步骤2，在alexnet模型的基础上，利用卷积神经网络(alexnet)进行特征提取，然后利用支持向量机(svm)进行分类；

步骤3，在上述分类的基础上，通过影像配准和差值计算，实现土地利用变化检测方法。

与现有技术相比，本发明提供了一种alexnet和svm相结合的卫星遥感影像土地利用变化检测方法，具备以下有益效果：

本发明基于卷积神经网络的强特征学习能力和特征表示能力，利用gf-1号卫星遥感影像，利用alexnet卷积神经网络进行深层特征提取，然后利用支持向量机svm进行分类，最后进行分类图配准和差值计算实现土地利用变化检测。与传统的基于光谱特征和光谱纹理特征的土地利用检测分类方法相比，检测精度更好，泛化能力强。

附图说明

图1为本发明的流程框架图；

图2为本发明中研究区的地理位置；

图3为验证样本分布图；

图4(a)-(d)为不同分类方法的分类结果图；

图5(a)-(d)为2013-2017年南昌地区土地利用类型动态变化图。

具体实施方式

参照图1，本发明提供一种技术方案：一种alexnet和svm相结合的卫星遥感影像土地利用变化检测方法，包括以下步骤：

步骤1，构建深度卷积神经网络alexnet模型；

步骤2，在alexnet模型的基础上，利用卷积神经网络alexnet进行深层特征提取，然后利用支持向量机svm进行分类；

步骤3，在上述分类的基础上，通过影像配准和差值计算，实现土地利用变化检测方法。

本实施例中，所述步骤1，构建深度卷积神经网络alexnet模型中，alexnet是一种典型的深度卷积神经网络模型，该结构为8层卷积神经网络，包括5个卷积层和3个全连接层，且网络前端为输入图像的原始像素，最后端为图像的分类结果。

本实施例中，在图像分类过程中，该模型包括卷积conv、池pool、规范化norm操作、dropout策略和softmax分类，包括以下步骤：

以卷积神经网络的输入为原始图像p，用fi表示第i层的特征图，fi＝p为输入层，f1-f5为5个卷积层，f6＝fc6，f7＝fc7，最后一层为输出层；

步骤1.1，假设fi(1≤i≤5)表示卷积层，fi的生成过程可以表示如下：

式中，wi表示第i层卷积核的权向量，bi表示第i层的偏移向量，通过卷积核对第i-1层特征图的卷积运算。最后利用非线性激活函数f得到第i层的特征图fi，alexnet模型用relu激活函数代替传统的sigmoid和tanh函数作为神经元的非线性激活函数；

步骤1.2，relu激活函数的数学表达式如下：

f(x)＝max(0,x)

式中，x是前一层卷积运算的结果；非线性映射是通过relu激活函数来实现的，与传统的sigmoid激活函数相比，relu激活函数克服了sigmoid激活函数的梯度饱和问题，在反向传播计算过程中，缓解了梯度弥散问题，进而加快了模型的收敛速度；

步骤1.3，pool表示池化操作：

池化层之后通常是卷积层，特征映射根据一定的下采样规则进行下采样；池化可以对特征图降维，并在一定程度上保持特征的尺度不变性，同时可以防止过度拟合。如果fi是池化层，那么池化的操作如下：

fi＝subsampling(fi-1)

式中，subsampling是下采样函数，包括最大池化、平均池化或随机池化；alexnet仅在模型的conv1、conv2和conv5的3个卷积层后进行最大值池化；

步骤1.4，norm表示局部响应的规范化：

alexnet所采用的局部响应的规范化本质上是一个平滑的操作，即：

式中，表示输入的(x,y)位置做第i次卷积，并通过relu元素的结果；n表示在同一位置的第i次前后附近的n次卷积，n是总卷积次数；k,α,β是预设的超级参数，式中k＝2,n＝5,α＝10^-4,β＝0.75；即原始激活除一个归一化权重(分母部分)生成了新的激活这相当于在相同位置(x,y)的不同特征映射上平滑激活；

步骤1.5，dropout策略，以50％的概率将每个隐藏层的输出设置为0，并且不再在前向或后向过程中起任何作用，以50％的概率将每个隐藏层的输出设置为0，并且不再在前向或后向过程中起任何作用。对于每个输入，采用不同的网络结构，但权值是共享的，因此参数可以适应不同的网络结构，从而提高了系统的泛化能力。alexnet在最后两个完整的连接层中使用了这种策略，以缓解过拟合问题，提高模型的泛化能力。

步骤1.6，softmax分类器，在神经网络的输出层经常使用softmax函数，softmax解决了多类分类问题，它将神经元的输出转化为概率的形式，从而确定分类类别；softmax的公式如下：

式中，k为最后一层神经元数，即分类类别数；xj为第i类神经元数的预测结果；引入softmax的结果是取每个xj取指数变成非负，然后除以所有项的和并将其归一化；现在每个σi都可以解释为输入数据属于i类的概率。

总结图1的过程，可以说alexnet的输入层通过多个卷积层和下采样层后交替传递后输入到全连接层。全连接层在卷积层或池化层中具有类别区分性的局部信息，将最后一个全连接层的输出值传递到输出层，并利用softmax回归进行分类，得到基于输入的概率分布，从而实现影像分类。显然，alexnet正在从f1-f7中提取特征，通过卷积运算和非线性激活函数得到卷积层的主要特征。

alexnet第1卷积层中使用的96个11×11卷积核，第1卷积层主要提取边缘和颜色等特征信息。在深度卷积神经网络中，底层的卷积层提取边缘、直线、角点等低层特征，而更高层的卷积层提取包含清晰语义信息的高层特征，提高了分类精度。

本实施例中，所述步骤2主要包括以下四个阶段：

(1)遥感图像预处理阶段，首先对原始图像进行pca变换，实现数据压缩和降维，并将前三个主分量作为输入图像进行特征提取，将预先训练好的alexnet网络模型作为特征提取器，要求输入图像为3个波段；

(2)深度特征提取阶段，将以待分类像素为中心的邻域插值到224×224像素，采用最近邻插值方法，保留遥感影像的光谱信息；归一化过程是从插值的邻域图像中减去训练样本集的平均图像，然后将其输入到预训练的alexnet中，提取卷积层或全连接层的深度特征；对于邻域信息不完整的边缘像素，复制并填充邻域信息，得到完整的邻域信息；

(3)分类阶段，该阶段包括训练部分和分类部分，所述训练部分将从训练样本提取的深度特征送入svm分类器中，对svm分类器进行训练，得到训练好的svm分类器；所述分类部分将待分类像元的深度特征输入到训练好的svm分类器中进行分类，将分类结果的类别标签赋给中心像元，依次遍历整个影像完成地表利用分类；svm的分类算法取自libsvm工具箱，核函数为线性核函数，参数选取采用最常用的网格选取方式寻找最优解。

(4)变化检测阶段，通过影像配准和差值计算，实现土地利用变化检测。

具体实施例，研究区概况：

南昌市是江西省的省会，位于115°27'-116°35'e，28°09'-29°11'n，位于江西省中北部，赣江尾间、抚河下游和鄱阳湖岸边。南昌的最大纵向距离从北向南约121公里，最大横向距离从东到西约108公里。南昌四面环山、丘陵、平原，其中低丘占34.4％，水域面积2204.37平方公里，占29.78％。全区以平原为主，占35.8％。东南部相对平坦，西北部丘陵起伏，水网密集，湖泊众多。图3显示了研究区域的地理位置。

研究区数据来源于遥感集市平台公布的2013-2017年共5期gf-1卫星遥感影像，实验数据采用了gf-1的16m空间分辨率多光谱遥感影像，其多光谱相机的技术指标如表1所示。

表1gf-1多光谱相机技术指标

土地利用分类体系：根据实验所使用的遥感影像特点，再结合研究区的实际需求，研究区的土地利用变化(lucc)分类体系如表2所示：

表2lucc分类体系

训练样本数据：通过人工目视判读从图像中选取植被、水体、裸地和建筑用地四种土地样本，样本数据采集以样本点为中心，采用同一方法分别采集了3050个不同大小的样本进行分类结果精度评价，其中包括900个植被样本点、800个水体样本点、700个裸地样本点和650个建筑用地样本点。验证样本的分布如图3所示。通过验证样本计算不同尺寸训练样本得到的模型分类结果，通过计算kappa系数进行比较和分析分类的精度。

土地利用分类：为了比较和分析本文所使用的alexnet和svm相结合的土地利用分类方法的精度，将其结果与传统的最大似然法、支持向量机(svm)和alexnet模型进行比较，图4a)-(d)分别表示四种分类方法进行土地利用分类的结果，通过比较和分析各分类方法结果，可以看出最大似然法效果一般，存在一些错分现象，尤其是建筑用地与裸地之间，难以有效区分，其次，svm分类结果优于最大似然法，但依旧存在错分现象，再次，alexnet模型的分类结果较好，目视判断不存在明显的大区域的错分现象，这表明使用卷积神经网络方法可以有效的提取图像的深度特征，进而可以有效的提升分类的性能，最后，alexnet+svm的分类方法目视判读效果最佳，适用于土地利用变化检测。

土地利用变化检测：针对南昌地区2013年10月至2017年11月五个时相的gf-1卫星遥感影像，采用alexnet和svm相结合的土地利用分类方法，通过空间叠加分析和统计方法分析不同时相土地利用类型的面积变化，其中，2013-2017年该研究区的土地利用变化如图5所示。

从图5可以看出，2013-2017年南昌地区土地利用变化较大，其详细土地利用面积变化见表3。从不同土地利用类型变化来看，2013-2016年植被面积变化最大，植被面积减少31.03平方公里，其次是水体，2017年比2013年增加17.83平方公里，建设用地比2013年增加6.12平方公里，裸地面积比2013年增加7.06平方公里。2013-2017年，水域变化最大，水域面积减少34.74平方公里，其次是植被，较2013年增加20.12平方公里，建设用地较2013年增加9.45平方公里，裸地较2013年增加5.17平方公里。

表32013-2017年南昌地区土地利用面积变化统计

以上所述，仅为发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。