K 平均法と CNN に基づくリモートセンシング画像分類
1. はじめに
1. 研究背景
航空宇宙リモートセンシング技術は、衛星地球観測によりリモートセンシング画像情報データを取得する技術であり、これらの画像データは様々な分野で不可欠な役割を果たしています。リモートセンシング画像分類は、主にリモートセンシング画像上の地上物体の電磁波放射の特性に基づいて地上物体の属性を判断および識別し、それによってターゲットの検出や認識などの他のアプリケーションに補助的な情報を提供します。最終結果は、地図描画のための基本的な地理情報を提供するものであり、測定、緊急災害救援、軍事偵察などの分野に使用されます。リモート センシング画像の分類は、リモート センシング技術の応用における重要なリンクです。
リモートセンシング画像の分類とは、コンピュータを使用してリモートセンシング画像内のさまざまな種類の地上物体のスペクトル情報と空間情報を分析し、特徴を選択し、画像内の各ピクセルを特定のルールまたはアルゴリズムに従って異なるカテゴリに分割し、リモートセンシング画像の特徴 画像分類を実現するための実際の地上物体の対応情報。リモート センシング画像のコンピュータによる分類は、リモート センシング画像内のピクセルの類似性に基づいています。類似性を測定するために、距離と相関係数がよく使用されます。分類方法としては、教師あり分類と教師なし分類が一般的
2. 研究内容
リモートセンシング画像の分類については、これまでに各界の学者により多くの研究が行われ、多くの分類手法が提案されており、分類手法は教師あり分類と教師なし分類に大別される。最小分類単位に応じて、分類方法は、ピクセルベースの分類、オブジェクトベースの分類、および混合ピクセル分解に基づく分類に分類できます。また、リモートセンシング画像の種類（マルチスペクトルリモートセンシング画像、ハイパースペクトルリモートセンシング画像、合成開口レーダ画像）の分類方法も異なります。ターゲットの分類は通常、特徴空間で実行されるため、特徴の表現と学習がターゲットの分類を達成するための鍵となります。既存のリモートセンシング画像分類手法は、特徴の表現方法や学習方法に応じて、手動による特徴記述に基づく分類手法、機械学習に基づく分類手法、深層学習に基づく分類手法の3つに大別されます。これら 3 種類のメソッドには厳密な境界線はなく、互いに重なり合い、学習し合うことに注意してください。この研究では、機械学習と深層学習手法を使用してモデルを構築しました。
2. 分類方法
- K 平均法アルゴリズム
K 平均法アルゴリズムは、典型的なポイントバイポイント修正反復動的クラスタリング アルゴリズムであり、一般的に使用される手法でもあり、その主な点は、誤差の二乗和を基準関数として使用することです。一般的なアプローチとしては、まずクラスタリングの核となる代表点を一定の原則に基づいていくつか選択し、残りの分割対象点を一定の方法（基準）に従ってカテゴリに分割して初期分類を完了します。最初の分類が完了すると、各クラスターの中心が再計算され、最初の反復が完了します。次に、次の反復のためにクラスターの中心を変更します。この種の変更には、ポイントごとの変更とバッチごとの変更という 2 つのオプションがあります。クラス中心点を点ごとに変更するということは、ピクセル サンプルが特定の原則に従って特定のクラス グループに属した後、グループの平均を再計算する必要があり、新しい平均が次のピクセルの凝集中心点として使用されることを意味します。クラスタリング。クラス中心をバッチごとに変更するということは、すべてのピクセル サンプルが特定のグループのクラス中心に従って分類された後、変更されたクラスの平均値が計算され、次の分類の凝集中心点として使用されることを意味します。
コード表示:
rs_data_trans = rs_data.transpose(1,2,0)
rs_data.shape, rs_data_trans.shape
rs_data_1d = rs_data_trans.reshape(-1, rs_data_trans.shape[2])
rs_data_1d.shape
cl = cluster.KMeans(n_clusters=4) # create an object of the classifier
param = cl.fit(rs_data_1d) # train it
img_cl = cl.labels
img_cl = img_cl.reshape(rs_data_trans[:,:,0].shape)
prof = rs.profile
prof.update(count=1)
with rio.open('result.tif','w',**prof) as dst:
dst.write(img_cl, 1)
fig, (ax1,ax2) = plt.subplots(figsize=[15,15], nrows=1,ncols=2)
show(rs, cmap='gray', vmin=vmin, vmax=vmax, ax=ax1)
show(img_cl, ax=ax2)
ax1.set_axis_off()
ax2.set_axis_off()
fig.savefig("pred.png", bbox_inches='tight')
plt.show()
図に示すように、K 平均法による分類結果 (赤: 耕地、緑: 森林、青: 水域):
- CNN アルゴリズム
CNN 畳み込みネットワークは、「エンドツーエンド」の特徴学習を使用し、多層処理メカニズムを通じてデータに隠された非線形特徴を明らかにし、多数のトレーニング セットからグローバル特徴を自動的に学習できます (この機能はこれは、リモート センシング画像における自動ターゲット認識の成功の重要な理由であり、手動特徴から学習された特徴への特徴モデルの変換も示しています。この実験では、CNNネットワークアーキテクチャで畳み込み+プーリングの4層を設計し、Relu活性化関数を使用し、最後にSoftmaxを使用して正規化処理を行い、考えられるすべてのターゲットカテゴリの中から各ターゲットカテゴリの確率を計算し、次に、分類する入力画像。
コード表示:
# 设计模型: CNN + maxpool
model = tf.keras.models.Sequential([
# 我们的数据是150x150而且是三通道的，所以我们的输入应该设置为这样的格式。
tf.keras.layers.Conv2D(32, (3, 3),
activation='relu',
input_shape=(256, 256, 3)),
tf.keras.layers.MaxPooling2D(2, 2),
tf.keras.layers.Conv2D(64, (3, 3),
activation='relu'),
tf.keras.layers.MaxPooling2D(3, 3),
tf.keras.layers.Conv2D(128, (3, 3),
activation='relu'),
tf.keras.layers.MaxPooling2D(2, 2),
tf.keras.layers.Conv2D(128, (3, 3),
activation='relu'),
tf.keras.layers.MaxPooling2D(2, 2),
tf.keras.layers.Flatten(), # 512 neuron hidden layer
tf.keras.layers.Dense(512, activation='relu'),
tf.keras.layers.Dense(21, activation='softmax') #'sigmoid' ])
図に示すように、次の画像を認識し、森林カテゴリ (森林です) として出力します。
3. まとめ
コンピュータビジョンの分野における深層学習の大成功は、リモートセンシングのインテリジェントな分析に重要な機会をもたらし、機械学習の革新はまた、リモートセンシング画像分類にさらなるアイデアをもたらします。近年、これらのアルゴリズムはリモートセンシングの分野で広く使用されており、大規模なターゲットの自動かつ迅速な検出、複雑なシーンの詳細な分類、および表面パラメータの迅速な特定において大きな利点と発展の可能性を示しています。インテリジェントな画像分類の効率と品質を継続的に改善し、リモート センシングの基礎を提供し、データからのインテリジェントな情報抽出は開発の機会をもたらします。
リモートセンシングビッグデータは、時空科学技術の発展における新たな段階であり、リモートセンシング画像の分類、定量化、予測は、従来の統計数学的分析や定量的リモートセンシングモデリング分析から、データ駆動型のインテリジェント分析へと徐々に変化しています。インテリジェントな分析を特徴とするリモートセンシングビッグデータの時代が到来しており、その応用をどのように広げ、深化させるかは、産業界と学界によって継続的に検討される価値があります。しかし、航空宇宙産業、スマートシティ、政府や企業のデジタル化に大きな変化をもたらすことは間違いありません。
代：
CNN：
https://gitee.com/A-xinss/cnn-to-remote-sensing-image-classification
CNN-进阶版
K-Means：
https://gitee.com/A-xinss/k-リモートセンシング画像分類手段