基于双通道深度密集特征融合的遥感影像分类

张艳月，张宝华*，赵云飞，吕晓琪，谷 宇，李建军

(1.内蒙古科技大学 信息工程学院，包头 014010；2.内蒙古科技大学 内蒙古自治区模式识别与智能图像处理重点实验室，包头 014010;3.内蒙古工业大学 信息工程学院，呼和浩特 010051)

引 言

遥感影像分类[1-2]是遥感领域不可或缺的一部分，被广泛应用在土地资源管理、城市设计规划、气象观测、环境及自然灾害的变化监测等领域。为了反映地面复杂的空间结构，需要充分利用遥感图像中的丰富地理信息，但目前从遥感图像中精确提取有效信息并适度表达,还面临诸多挑战[3]。

图像分类任务中如何提取图片特征至关重要，而且对于实验结果的影响不容忽略。中低层次上的方法提取图像语义特征，如视觉词袋模型(bag of visual words，BOVW)[4]，在此基础上出现众多基于视觉词袋的模型，如改进的同心圆多尺度结构视觉词袋(concentric circle-structured multi-scale BOVW，CCM-BOVW)[5]模型，该模型利用特征组合描述视觉词的空间信息，但特征表达能力较弱，影响分类精度；共线性核以一种空间金字塔形式(spatial pyramid co-occurrence kernel，SPCK)[6]，通过捕获单词的绝对和相对空间排列表征图像的光度和几何特征，但采用的是底层局部特征导致其分类结果不佳。大多数经典方法是基于人工或浅层学习的算法，而且提取的中低级语义特征在描述能力上受到限制，难以进一步提高分类准确性。

近些年，深度学习方法作为计算机视觉识别领域的主要方法已成功应用于目标识别，取得巨大成功，如空间卷积的显著性方法[7]检测物体、捷径卷积神经网络[8]识别人脸、改进马尔可夫模型[9]分割合成孔径雷达(synthetic aperture radar，SAR)图像，以及深度学习的方式用于遥感图像分类[10]等。……