基于高层特征学习的高分辨率遥感影像农村居民点土地利用分类

The interpretation of land use is a hot and difficult problem in the field of high resolution remote sensing image processing as well as land resource management. Features exacted from high resolution remote sensing image through the current methods are not discriminative. In addition, the classification accuracy is low. Due to these problems, it is difficult to promote the practical applications of high remote sensing images for land use classification. .Based on the analyses of the characteristics of land use types in rural residential areas, this proposal focuses on land use classification in rural residential area based on high-level feature learning using high resolution remote sensing images. Firstly, we propose to establish a discriminative sparse dictionary learning model. The learned discriminative sparse dictionary will be used for mid-level feature extraction. We then build a Fine-tuned Convolutional Neural Networks based on transfer learning, which is used for extending pre-trained convolutional neural network by fine tuning model parameters and structures using learned sparse coded features. Fine-tuned Convolutional Neural Networks model will be used for high-level feature extraction, and finally semantic classifier will be adopted for land use classification..The effectiveness and performances of the proposed algorithms will be verified by a case study in the suburban and rural residential areas of Wuhan city. The research results of this project will provide technical support for rural residential land use pattern analysis, and promote the application of high-resolution remote sensing images in land use investigation and the determination of rural house site ownership.

土地利用解译是高分辨率遥感影像处理领域的热点以及难点问题，同时也是土地资源管理领域的常见应用问题。目前方法存在特征可判别性不强、分类精度较低、难以在实际中应用推广等缺点。本项目在分析农村居民点土地利用类型特点基础上，研究基于高层特征学习的高分辨率遥感影像农村居民点土地利用分类方法：首先建立可判别性稀疏字典学习模型，在构建可判别性稀疏字典基础上，实现影像中层特征提取与描述；接着建立基于迁移学习的卷积神经网络微调模型，结合稀疏编码的遥感影像特征，利用迁移学习对已有卷积神经网络模型拓展，实现模型参数和结构的微调。最后利用建立好的卷积神经网络实现高层特征提取，由语义分类器实现土地利用分类。拟采用武汉市远郊农村居民点为实验样区验证相关思路，项目成果可望为农村居民点土地利用格局分析提供算法依据，为高分辨率遥感影像在农村土地利用现状调查、宅基地确定权属等方面的应用提供有力技术支撑。

土地利用解译是高分辨率遥感影像处理领域的热点以及难点问题，同时也是土地资源管理领域的常见应用问题。项目以无人机航拍高分辨率遥感影像作为数据源，在此基础上对数据进行预处理形成所需的数据集，综合利用稀疏编码，卷积神经网络，条件随机场等理论模型，实现了土地利用分类。.1）研究了基于中层特征学习的高分辨率遥感影像分类方法，综合利用条件随机场，稀疏编码，支撑向量机等，实现了土地利用场景级与语义分类。.2）研究了基于微调卷积神经网络模型的方法，对卷积神经网络模型实现参数微调，结合全连接条件随机场模型，实现土地利用分类。对已有已训练的卷积神经网络模型，利用已标注的少量的高分辨率遥感影像标注，实现了高分辨率遥感影像农村居民点土地利用语义分类；利用已经标注的UCM数据，结合神经网络模型，实现了土地利用的场景分类。.本项目研究的特征学习方法，以及语义分类，场景分类方法都经过了反复验证。验证过程中采用了无人机航拍了武汉市远城区获得了高分辨率遥感影像，项目组对数据进行了处理及标注，所研究方法也采用了该数据源进行了反复验证。.项目最终提出了一套高分辨率遥感影像分类方法，主要包含语义分类及场景分类。项目成果可以实现特殊用地及特定目标的分类，可为国防应用提供有力的技术支撑；同时，项目所研究的方法可实现特殊土地利用类型的判定识别，可为农村宅基地使用权确权、农村土地利用格局分析提供一定的科学参考。