基于深度学习的遥感图像中地面塌陷识别方法研究

《基于深度学习的遥感图像中地面塌陷识别方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于深度学习的遥感图像中地面塌陷识别方法研究摘要：地面塌陷是在?_采矿产资源时出现的一种具有很强破坏力的自然灾害，会导致道路改线、道路污染、居民地及水系的改变，使矿区不能持续发展。随着传感器技术、遥感技术等一系列技术的快速发展，极大地提升了遥感图像处理技术，特别是在地面塌陷识别方面尤为突出。针对传统地面塌陷识别方法效率低下问题，提出了基于深度学习的地面塌陷遥感识别方法。通过大量实验对比分类精度、Kappa系数调整深度信念网络模型的参数，得到适合地面塌陷识别的参数设置，证明了深度学习在遥感图像中地面塌陷识别方法的可行

2、性和高效性，为今后地面塌陷的识别方法提供了新思路。关键词：地面塌陷；遥感影像；深度学习；深度信念网络中图分类号：TB文献标识码：Adoi：10.19311/j.c引言最近一些年，伴随着国民经济的快速发展，建设的力度加大，煤矿工业也进入了发展的快车道。在采煤过程中出现的矿区沉降的现象非常普遍，因为它经常导致地面塌陷、裂缝、滑坡等一系列地质灾害。为了防止地质灾害的发生，需要对煤矿区地面的沉降加大监测力度，特别是矿区塌陷地的状况已经成为矿区环境综合治理的最主要问题。近些年以来遥感技术一直在快速发展，但在实际应用中获取遥感

3、影像中的信息仍然十分困难，基于机器学习的遥感影像识别方法为这个难题的解决提供了可能。2014年，高长鑫和桑农提出了一种分层的深度学习模型，并针对海量高分遥感影像数据进行识别。2015年，L.L.Wang等提出了一种用于选择遥感图像中最佳波段的最优索引因子方法，改善了遥感图像的空间信息以保持多光谱的特征。同年，X.Li和G.Wang提出了一种改进差分演化算法，解决了高光谱数据最佳频段选择问题，改善了遥感数据的处理数度。H.Zhang等以新疆有理罗布村典型不良地质现象为例，分别使用了极限学习机、支持向量机和K均值三种算

4、法进行了遥感图像的分类识别。2016年，张浩等针对建筑物的遥感影像特征，提出了基于SVM的交叉验证的方法对参数敏感度进行了分析。同年，陈冠宇等提出了基于特征融合的SVM算法，探讨了遥感影像中植被识别的方法。安凯等对比了卷积神经网络、K均值、SVM算法和贝叶斯算法的分类精度，探讨了不良地质体识别与分类的方法。1深度学习基本模型1.1受限玻尔兹曼机（RestrictedBoltzmannMachine）受限玻尔兹曼机（RestrictedBoltzmannMachine，简称RBM）是一种玻尔兹曼机的变体，但限定模型必

5、须为二部图。假如我们有一个二部图，而且同一层节点之间无连接，其中一层是输入数据层v，另外一层为隐藏层h。如图1所示，显示全部节点都为随机的二值变量（即只取0或者1），同时把全概率分布p（v，h）都看作满足玻尔兹曼分布，则此模型我们就称之为受限玻尔兹曼机（RBM）。RBM因为隐藏节点间无连接，所以隐藏节点间条件独立。故在已知v的情况下有p（h

6、v）=p（h1

7、v）=...=p（hn

8、v）。此外，可视节点间也是独立的，故在已知隐藏层h的情况下有p（v1

9、h）=p（v2

10、h）=...=p（vn

11、h）。同时又由于v和h满足

12、玻尔兹曼分布，因而，在输入v的时候，经过p（h

13、v）运算能够获取隐藏层h，获得隐藏层h以后，经过p（v

14、h）运算又可以获得可视层。不断训练参数，让隐藏层获得的v1与以前可视层v几乎毫无差别，此时的隐藏层可以认为是可视层的一种表现方式了。1.2深度信念网络（DeepBeliefNetworks）DBN这个网络模型是多层RBM构成的，其网络结构如图2所示。训练过程：（1）起先充分训练第一个受限波尔兹曼机（RBM）。（2）然后我们把第一个RBM的权重以及偏移量固定住，再把它的隐性神经元的状态当作第二个RBM输入向量。（3

15、）再让第二个RBM得到足够的训练后，就把第二个RBM堆叠放在第一个RBM的上面。（4）把以上三个步骤重复多次。（5）如果在训练集中出现的数据有标签，在训练顶层RBM的时候，这个RBM的显层中不光有显性神经元，还必须有代表分类标签的神经元，来一起训练：①假设顶层RBM的显层里面有400个显性神经元，我们把训练数据的分类总共分为10类。②这样顶层RBM的显层就会有410个显性神经元，对每一个训练数据，相应的标签神经元被打开就设为1，其他的则被关闭设为0。（6）DBN被训练好好如图3所示。2实验设计2.1样本库的制作在制

16、作训练样本数据时以像元为单位，即一个像元为一个训练样本。先采用ENVI截取选取一张1000*1000大小的影像，如图4所示，这张影像中既要有塌陷区域，又要有非塌陷区域，这样能避免制作的训练样本正负标签差异太大。由于待研究区域的遥感影像已经通过人工解译的方式得到塌陷区域分布情况，所以，可用程序读取原遥感影像文件和解译结果文件，将一个像元的三个波段的值和这个像元