《新机器学习与深度学习在遥感图像分类中的应用.pdf》由会员分享,可在线阅读,更多相关《新机器学习与深度学习在遥感图像分类中的应用.pdf(48页珍藏版)》请在三个皮匠报告上搜索。
1、新机器学习与深度学习在遥感图像分类中的应用马宇龙易智瑞信息技术有限公司遥感事业部机器学习发展贝叶斯分类器1950Rosenblatt感知器1958ThomasKNN19671984CART1984CoxLogistic回归1958LeCunCNN1989反向传播算法1986RumelhartSVM1995Vapnik1986ID31993C4.5Breiman随机森林2001获取样本训练模型图像分类机器学习与深度学习核心3步骤AIAI机器机器学习学习深度深度学习学习获取样本应该怎么画样本?传统监督分类(感兴趣区域的统计信息作为样本)深度学习机器学习打点即可So easy!机器学习样本PK样本质
2、量大于数量需要绘制背景类推荐点状样本全:样本子区全面覆盖多种地物多:绘制样本尽可能多,推荐覆盖子区域80%以上目标精:样本轮廓尽可能精确,不要多余地物监督分类 随机森林 支持向量机 朴素贝叶斯 线性支持向量机 K近邻 极度随机树非监督分类 BIRCH Mini Batch K-Means异常探测 孤立森林 局部异常因子训练模型ENVI 全新机器学习工具包分类不同地区、不同时相的数据 可批处理 可分布式并行处理 可分享训练后的分类器保存和恢复分类器ENVI 全新机器学习工具包数据准备 点状、线状、面状样本选择机器学习算法 随机森林 支持向量机 朴素贝叶斯 训练分类器图像分类ENVI 全新机器学习
3、工具包以 4景 SuperView-1 数据为例(2米)ENVI 全新机器学习工具包 分类结果训练模型机器学习工具机器学习监督分类机器学习非监督分类机器学习异常检测深度学习特点就是模型可复用,机器学习也有训练模型!训练模型机器学习模型可复用?深度学习善于提取空间特征,也因此具备对象检测能力图像分类分别有哪些适用场景?机器学习深度学习图像分类深度学习应用场景像素分类对象检测变化监测建筑物厂房城中村空地绿地蔬菜大棚风力发电风车光伏发电板水体硬质地表汽车道路深度学习图像分类工具典型应用机器学习PK深度学习机器学习深度学习Sentinel-2A/B(哨兵2B)机构:欧空局发射时间:2015/2017基
4、本参数:分辨率:10/20/60 米 13个波段:可见光、近红外、短波红外 标准宽幅:290 x290千米 重返周期:10天 双星:5天Landsat8运行时间:2013年2月Landsat9运行时间:2021年9月基本参数:9个多光谱波段(OLI陆地成像仪):30米 2个热红外波段(TIRS):100米 全色波段:15米分辨率 成像宽幅:185x185千米 重返周期:16天 双星:8天Landsat 8/9机构:欧空局运行时间:2014/2016基本参数:C波段全极化SAR 分辨率:5/20/40 米 标准宽幅:80/250/400千米 重返周期:12天 双星:6天Sentinel-1A/B
5、(哨兵1A/B)ENVI时序立方体哨兵数据自动构建NDVI指数的时序分析ENVI时序立方体不同的颜色代表一年中植被的健康状况。红色、蓝色或绿色等强烈的颜色表示收获时序立方体与机器学习强强联合提取单双季水稻鄱阳湖区年内不同熟制水稻物候历示意图,图中A为早稻,B为晚稻,C为单季稻(此处指中稻)水稻熟制图片引自:李鹏,姜鲁光,封志明,等.鄱阳湖区粮食供给功能的空间格局分析J.自然资源学报.2011,26(2):190-200.不同类型水稻NDVI时序特征分析双季稻双季稻NDVI时序曲线时序曲线单季稻单季稻NDVI时序曲线时序曲线一季早稻一季早稻NDVI时序曲线时序曲线在ENVI ROI工具面板,绘制
6、点状样本:单季稻 双季稻 一季早稻 其他类别绘制样本样本情况统计分类类别分类类别详细地类详细地类样本点数样本点数双季稻双季稻双季稻261单季稻单季稻单季稻166一季早稻一季早稻一季早稻241其他类别其他类别其他农作物229建筑40林地94水体76浅滩7滩涂6在Toolbox工具箱,选择Machine LearningClassificationSupercisedRandom Foreast Classification随机森林分类工具。Input Raster:选择构建的时序立方体。Input ROIs:选择绘制好的ROI 类别。Background Labels:在“背景标签”字段中,指定
7、要用作背景的 ROI 类。这里指定其他类别为背景类。Balance Classes:选择是否平衡类别。默认为Yes,平衡类别表示指定在训练期间应将所有类视为平衡的。选择Yes有助于增加样本少的类别的提取范围。这里按照默认选Yes。Estimators:输入要使用的决策树的数量。估计器是算法的预测器。默认值为100。此处按照默认。Max Depth:指定树的最大深度。如果未指定,则扩展节点直到所有叶子都是纯的。Output Raster:选择分类结果的输出路径和文件名,执行随机森林分类。随机森林分类不同熟制水稻分类结果如下为量测结果,遥感监测结果与南昌日报公布结果接近,误差为+3.9%。不同熟制
8、水稻面积量测结果统计年份类别面积遥感量测结果网络公布结果(来源:南昌日报)误差2022一季早稻:15.2万亩双季稻:22.6万亩单季稻:18.7万亩56.5万亩54.3万亩+3.9%机器学习的优势?光谱!随机随机森林森林时序立方体光谱的绝佳分类器!双季稻双季稻单季稻单季稻一季早稻一季早稻可以使用ENVI自带的标准波谱库中的波谱作为样本训练机器学习模型使用波谱库作为训练样本注意:1.波谱库中类别数必须大于下方设置的波谱名数量(即:必须要有背景波谱)2.需要较多样本光谱3.波谱名不能有空行机器学习+光谱PK深度学习机器学习深度学习时序立方体高光谱核心核心3 3步骤步骤机器学习机器学习深度学习深度学
9、习样本点状样本目标轮廓样本质量高于数量样本质量和数量同样重要样本量小,简单,几乎不用样本库进行样本数据管理样本量大,复杂,可以构建样本库进行样本数据管理需要有背景类无需背景类算法全部利用光谱信息主要利用空间信息,一部分利用光谱信息不受分辨率影像受分辨率影像使用CPU需要GPU需要手动从原始数据中选择和提取特征并分配权重,然后才能训练机器学习模型深度学习模型可以使用已知错误的反馈进行自我学习结果基于像素光谱特征的分类基于光谱和空间特征的提取总结目前应该做的事:建立标准、高质量的深度学习遥感开源样本库数据集数据集类别数类别数影像数量影像数量分辨率分辨率(米)(米)波段数波段数影像大小影像大小定位定
10、位/日期日期/传感器参传感器参数数时间时间Massachusetts Buildings21511RGB1,5001,5002013Massachusetts Roads21,1711RGB1,5001,5002013Zurich Summer8200.62NIR,RGB1,0001,1502015Dstl-SIFD1057up to 0.3up to 163,3503,4002017IEEE GRSS Data Fusion Contest 201717301.49643666,3745152017IEEE GRSS Data Fusion Contest 202120
11、22018DLRSD172,1000.3RGB2562562018DeepGlobe Land Cover71,1460.5RGB2,4482,4482018Shakeel et al.12,6820.3RGB3003002019GID151500.8 4 bands6,8007,2002020LandCover.ai3410.25,0.5RGB9,0009,500;4,2004,7002020Agriculture-Vision994,9860.1,15,0.2NIR,RGB5125122020开源遥感像素分割分类样本库(截止2021)多光谱(2米以内)利用高分二号卫星图像标绘的150张大规
12、模土地覆盖数据集,包含5类和15类两种数据集。高分影像数据集(GID)包含1322张建筑物和道路标绘的1米分辨率样本集。Road and Building Detection Datasets数据集数据集类别数类别数影像数量影像数量分辨率(米)分辨率(米)波段数波段数影像大小影像大小定位定位/日期日期/传感器参数传感器参数时间时间SPARCS Validation78030016Biome49630017So2Sat LC24217400,6731010 bands32322019SEN12MS33180,662 triplets10 to 50up
13、 to 13 bands256256201995-Cloud143,90230NIR,RGB3843842019ALCD Cloud Masks83810RGB1,8301,8302019Slovenia LULC109401065,005,002019LandConverNet71,98010NIR,RGB2562562020Sentinel-2 Cloud Mask Catalogue1851320131,0241,0242020开源遥感像素分割分类样本库(截止2021)多光谱(1050米)SPARCS(Spatial Procedures for Automated Removal of
14、 Cloud and Shadow)包含80张landsat 阴影、水面阴影、水、雪、陆地、云、洪水7类掩膜样本数据集。SPARCS包含513张11类地表类别和7类云类别的哨兵二号云掩膜样本数据集。Sentinel-2 Cloud Mask Catalogue数据集数据集类别数类别数影像数量影像数量分辨率(米)分辨率(米)波段数波段数影像大小影像大小定位定位/日期日期/传感器参数传感器参数时间时间ISPRS Vaihingen6330.09IR,R,G,DSM,nDSM2,50025002012ISPRS Potsdam6380.05IR,RGB,DSM,nDSM6,0006,0002012I
15、nria Dataset23600.3RGB500050002017EvLab-SS10600.1 to 2RGB4,5004,5002017RIT-181830.0476 bands9,0006,0002017CITY-OSM31,6710.1RGB25002500 to 3300333002017Aeroscapes113,269-RGB72012802018SkyScapes31160.13RGB5,6163,7442019DroneDeploy7550.1RGBup to 12,03913,8542019UAVid8420-RGB4,0002,1602020开源遥感像素分割分类样本库(
16、截止2021)航空图像(1米以内)Inria Dataset是包含建筑非建筑两类别0.3米的航空正射彩色图像样本集。Inria Dataset大疆DJI-1000八旋翼无人机搭载的Tetracam Micro-MCA6获取的6波段18类别样本数据集。RIT-18数据集数据集类别数类别数影像数量影像数量分辨率(米)分辨率(米)波段数波段数影像大小影像大小定位定位/日期日期/传感器参数传感器参数时间时间Kenney Space Center13118224 bands5126142005Botswana14130242 bands1,4762562005Salinas1613.7224 bands512217-University of Pavia911.3115 bands610340-Indian Pines16120224 bands1451452015开源遥感像素分割分类样本库(截止2021)高光谱AVIRIS高光谱图像数据、16个类别的高光谱样本集。Indian Pine高分影像数据集ENVI格式(GID-ENVIFormat)完全兼容ENVI深度学习!打开直接训练!下一个讲座高光谱遥感岩性填图技术及应用研究高光谱遥感岩性填图技术及应用研究杨国防 核工业北京地质研究院高级工程师