|
图像解译-影像解译，又称为判读或判译，指从图像获取信息的基本过程。即根据各专业(部门)的要求，运用记忆标志和实践经验与知识，从遥感影像上识别目标，定性、定量地提取出目标的分布、结构、功能等有关信息，并把他们生产为标准数据产品。
遥感图像具有分辨率高、覆盖范围大、空间连续性强、模式相对固定、目标相对稳定统一等特点，可以为基于深度学习的神经网络技术在遥感图像解译方面提供有效的数据和特征支撑。目前，基于深度学习的遥感图像解译技术主要关注图像分类、目标识别和语义分割这三个技术方向。其中图像分类技术主要应用于高分辨率遥感图像的场景分类任务；目标识别技术可应用于船、飞机、车辆等的检测任务；语义分割技术主要应用于遥感图像中的变化信息的检测、单一对象(如道路)的提取、地物分类等领域。因此，根据深度学习方法的特点和遥感图像解译任务的需求，可以有针对地选择不同的深度神经网络模型。
分类
基于深度学习的图像分类方法实现是利用深度神经网络对图像进行特征提取的技术基础。目前，可用于遥感图像分类的典型网络有GoogleNet、ResNet、VGGNet等。这些网络及其改进结构能够迅速地对遥感图像进行场景分类，分类结果可作为遥感图像解译的基础数据，进而使用目标识别或语义分割技术开展更加精细化的处理。
目标识别
基于深度学习的目标识别方法使用神经网络自动提取遥感图像种待检测目标的位置和类别信息，其输出结果是目标在图像中的位置坐标及类别标签。目前，应用于遥感图像目标识别的神经网络模型主要有Faster R-CNN、R-FCN、YOLO、SSD、R2CNN等。利用这些网络模型能够实现遥感图像中对飞机
舰船、油库等目标的定位与识别。
语义分割
基于深度学习的语义分割方法使用神经网络模型对遥感图像种的每一个像素进行分类，其输出结果是一个与输入图像尺度一致的掩膜矩阵，该掩膜标识出了遥感图像种不同地物的类别及范围信息。基于此，语义分割方法还可以自动提取地物的边界信息。应用于遥感图像语义分割的典型神经网络模型有：FCN、DeepLab-v3、UNet等。除了对地物进行物理空间划分，如地物分类、道路提取、海路分割等，基于深度学习的语义分割方法还可以用于处理多时相数据，实现地物变化信息的检测，如检测河流、森林、城市建筑在不同时期的面积变化等。
注：《基于深度神经网络技术的高分辨率图像处理及应用》张强等著
|