【《改进Deeplabv3+进行油菜遥感识别案例分析》11000字】

图45所示。其中，对于每一个子区，子图a为真彩色影像，b为假彩色影像，c为油菜籽样本分布，d为3波段算法识别结果，e为4波段算法识别结果，e为4波段改进算法识别结果。在第一与第二个子区中，地势较为平坦，第一个子区中，油菜花并非主要的耕作物，而是散落在大量非油菜花耕地中间，形状多为整齐细长的四边形，第二个子区中，同样存在油菜花耕地与非油菜花耕地的共存，油菜花耕地面积占比较大，形状整齐。总体来看，三组均能较好地区分油菜花耕地与非油菜花耕地。其中，8米3波段组出现了将河流识别为油菜花的误判，推测是因为该段河流与油菜花耕地形状相近，而8米4波段组则未出现这一现像，说明3波段模型对光谱信息的捕捉不如4波段模型。而对比同样使用4波段模型，改进前与改进后的预测结果，明显可见改进后模型预测的油菜花耕地边缘更清晰，且能识别出部分相邻很近的油菜花耕地间的缝隙。此外，对于一些很小的、散在的耕地，只有使用4波段图像的改造后模型能部分识别。说明改进后模型对油菜花识别精度更高。第三个子区位于丘陵地带，耕地的形状不规则，但油菜种植面积大，且连续性强，从图中可以看出，3波段模型对油菜花的识别结果不理想，直观上看，与真实样本形状差距较大，有大量识别错误部分，而在前两个子区中3波段模型能识别出大部分油菜花，3波段组平原的识别结果优于丘陵地带的识别结果，说明该模型对耕地形状的依赖性较强，难以准确识别不规则的油菜花耕地。使用4波段训练的两个模型略优于3波段模型，体现在其与真实标签的边界相对贴合，但也存在一些识别错误，且边界不够清晰。图STYLEREF1\s4SEQ图\*ARABIC\s15模型结果对比图a.RGB三波段真彩色影像b.红外假彩色影像c.真实油菜籽标签d.三波段原模型识别结果e.四波段原模型识别结果f.四波段改进模型识别结果试验结果对比我们采用了4.2.2.2节提及的多种数据组合进行训练，此外，还选择了随机森林算法和ArcGIS自带的PSPNet算法进行油菜籽识别作为对比。其中随机森林分类器使用光学影像进行油菜籽识别。为了保证识别结果的准确性和精细程度，采用了具有8米空间分辨率的高分1、2号卫星作为光学数据源。其模型利用scikit-learn中的随机森林分类器模块，完成模型构建、训练和识别工作。随机森林的参数设置为：最大层深为10层，总决策树数量为300个，最大决策树分支数为2。表1比较了不同模型在望江县数据集上的性能。表STYLEREF1\s4SEQ表\*ARABIC\s11不同数据和模型对比实验结果数据-模型OAmIOUF12米单波段-Ours0.840.360.528米3波段-Ours0.820.380.568米4波段-Ours0.880.670.672米全光谱+8米4波段-Ours0.870.650.668米4波段-原DeepLabv3+0.830.390.588米4波段-PSPNet0.770.220.368米4波段-随机森林0.800.290.35对同样使用8m分辨率四波段遥感影像数据训练的改进前Deeplabv3+模型和改进后模型结果进行比较，Deeplabv3+模型的OA为0.83，F1score为0.58，IOU为0.39，改进后的Deeplabv3+模型的OA为0.88，F1score为0.66，IOU为0.65。改进后模型总体精度提升了0.05，F1score提升了0.09，而提升最明显的是IOU，为0.28。说明改进后模型对于偏差样本的识别精确度优于原模型。在4.3.4节中我们将对二者的性能进行进一步分析。同样使用8m分辨率四波段遥感影像数据进行训练，改进后的Deeplabv3+模型相较于PSPNet模型三项评价指标均有明显提升。Deeplabv3+模型的OA高于0.80，F1score高于0.60，IOU高于0.60，相比之下，PSPNet模型的OA仅为0.77，F1score和IOU也远低于Deeplabv3+的结果。由于在我们选用的测试集中，背景部分所占比例远大于油菜籽部分所占比例，因此F1score更能反应模型的识别能力。从结果上看，我们基于Deeplabv3+改进后的模型不但精确度高于PSPNet模型，油菜籽识别能力也高于PSPNet模型。对比使用8m分辨率三波段遥感影像数据进行训练的Deeplabv3+模型和使用8m分辨率四波段遥感影像数据训练的PSPNet模型，在OA、F1score、IOU三项评估指标上，改良后的Deeplabv3+模型相较于PSPNet模型分别提高了0.05，0.16，0.20。使用8m分辨率三波段遥感影像进行训练的Deeplabv3+模型虽然效果不如使用8m分辨率四波段遥感影像的同一模型，但依旧明显优于使用8m分辨率四波段遥感影像的PSPNet模型，说明相较于数据集的不同，模型本身提取特征的能力在油菜籽遥感识别中占有更大的作用。改进后的Deeplabv3+模型在这方面具有显著优势。同样，改进后的Deeplabv3+模型在不同的数据集上得出的最低OA为0.82，最低IOU为0.36，最低F1为0.52，三项指标均远高于使用8米分辨率四波段遥感影像数据集训练的随机森林模型。随机森林的OA为0.80，IOU为0.29，F1score为0.35。而同样使用改进的Deeplabv3+模型，使用不同的数据组合对结果也有影响。在改进的DeepLabv3+模型下8米4波段组取得了最高的总体精度88%，2米全光谱+8米4波段组的精度略微次之，为87%。2米单波段组精确度为84%，8米3波段组精度最低，为82%。四类数据作为训练集分别训练所得到的模型，其验证集分类总体精度OA均达到了80%以上，相较于以往有一定程度的进步。总体来说，使用8米分辨率四波段遥感影像数据训练的改进Deeplabv3+模型整体准确率最高，达到了88%。在RGB三波段与增加了近红外波段的四波段的对比实验中，增加了近红外的四波段数据训练效果有一定程度的提升。在2m单波段与8m波段拼接数据的训练中，模型的精度反而略有下降，可能是由于增加的2m波段数据在同一分辨率下像素级层面不能很好的对齐，反而干扰了精度。4.3.4性能分析本章探究多种分辨率、多波段遥感图像对油菜籽识别的影响，并对Deeplabv3+模型作出了针对性改进。从整体上看，使用8m分辨率四波段遥感影像数据与改进后Deeplabv3+模型的组合能达到最好的效果。相较于原Deeplabv3+模型整体准确度提升了5%，相较于PSPNet模型整体准确度提升11%，相较于随机森林方法整体准确度提升8%，相较于同模型RGB三波段遥感影像的组合也有提升。其原因有以下几点：1）由于遥感影像分辨率有限，且农作物单个植株所占面积较小，难以分辨，因此在面对农作物的遥感分类中，往往更依靠图像的光谱信息对农作物进行识别。如油菜花开花时期植株为黄色，该信息可能隐含在图像的红色与绿色波段中。因此若能提取各个波段的关联信息，捕捉多波段的光谱特征，就能到达更好的分类效果。针对该问题，对Deeplabv3+模型的Encoder部分作出了一些改进，当前分辩率能够有效地利用作物的光谱信息，我们在Xception网络输入层后的前两层增加了64个3x3的可分离卷积，可以实现光谱融合特征的自动捕捉。而在每个3x3的可分离卷积中包含pointwise的1x1的卷积层，实现某一像素点多波段的值进行融合，自动学习多种波段关联的特征。因此改进后的模型不仅精度有所提升，对油菜花的识别也更加敏感，mIOU的显著提高也能够证实这一点。表1中2米单波段组获得了比8米3波段组更高的准确率，原因可能在于其具有更高的分辨率。而8米4波段组的精确率相对于2米单波段组提升了4%，红外波段信息的融合，使得低分辨率的8m遥感影像达到了比2m全光谱单波段更高的精度，同样说明在低分辨率遥感影像无法识别单颗油菜花的条件下，多波段的光谱特征融合达到了比提高分辨率更重要的作用。2）在遥感影像的语义分割中，对于不同的识别物体，需要关注不同大小的感受野，如果感受野设置不合理，会对识别的精度造成很大影响。为解决这一问题，PSPNet中引入了金字