基于深度学习的高分辨率卫星影像地表覆盖分类方法

针对高分辨率卫星影像地表覆盖自动化分类精度与效率问题, 在深度学习的地表覆盖分类方法的基础上设计了一种适用于高分辨率卫星影像的卷积神经网络模型(LCC-CNN)。用高分二号与北京二号影像数据构建训练样本集, 在卷积神经网络中使用不同扩张率的扩张卷积, 设计能够区分模糊地表覆盖分类边界的损失函数, 实现了多尺度地表覆盖特征的融合与精准提取, 利用编码-解码结构输出像素级地表覆盖分类成果。实验结果表明: LCC-CNN 在实验区域地表覆盖分类总体精度达到87. 17%, IOU 及Kappa 系数分别为0. 7732 与0. 8291, 精度优于传统的决策树与SVM 方法8%以上, IOU 及Kappa 系数分别提高了10%和11%, 且在地表覆盖分类过程中不需要人工提取分类特征与设定分类参数, 降低了建模难度与时间成本, 提高了自动化分类的精度与效率。