高光谱Hyperion与高分辨率WorldView-2卫星数据协同下的岩性分类

在目前的技术条件下,一种遥感数据源很难同时具有高空间分辨率和高光谱分辨率特征,因此如何协同使用不同来源的遥感数据进行矿物岩石识别就成了遥感地质领域的重要研究内容之一.本文结合高空间分辨率WorldView-2数据和高光谱分辨率Hyperion数据,以新疆鸟恰县矿物岩石识别与地层划分为例探讨多源遥感数据协同的岩性分类.通过对比2种数据源的空间和光谱探测能力,找到其协同基础.借鉴传统的同源数据融合方法,把WorldView-2多光谱数据降采样到不同空间尺度,并进行主成分变换,采用第一主成分与Hyperion融合产生协同数据.基于SAM光谱角分类法,分别采用WorldView-2多光谱原始数据、Hyperion原始数据和各协同数据对研究区的岩性进行自动分类.结果表明,各协同数据岩性分类精度较高,Hyperion次之,WorldView-2数据岩性分类精度最低.     

改进残差神经网络在遥感图像分类中的应用

针对传统卷积神经网络随着深度加深而导致网络退化以及计算量大等问题,提出一种改进残差神经网络的遥感图像场景分类方法。该方法以残差网络ResNet50作为主框架,在残差结构中引入深度可分离卷积和分组卷积,减少了网络的参数量和计算量,加快模型收敛的同时也提升了分类精度。此外在网络中嵌入多尺度SE block模块对通道特征进行重校准,提取出更加重要的特征信息,进一步提升了网络的分类性能。在AID和UCMerced_Land Use两个公开数据集上的分类精度分别为91.92%和93.52%,相比常规残差网络分类精度分别提高了3.38%和10.24%,证明所提方法在遥感图像场景分类任务中的可行性和有效性。     

融合植被指数的3 D-2D-CNN高光谱图像植被分类方法

对于基于高光谱图像的植被分类,利用三维卷积神经网络和空谱结合可以取得良好的效果。但存在计算代价大、参数过多容易过拟合等问题。基于此,设计了一种三维卷积与二维卷积相结合的深度网络,通过数据分块的思想减小了计算量;并提出了一种融合植被指数的特征提取方法,改善了现阶段因高光谱图像样本数量少、光谱层间信息相关度高,造成的容易过拟合的问题。在植物园数据集、IP数据集和PU数据集上的实验结果表明该算法以较低的计算复杂度取得了出色的分类效果,具有较好的应用价值。     

基于卷积神经网络的高光谱图像谱-空联合分类

随着深度学习的发展,卷积神经网络在各种视觉任务中都具有优越的性能;特别是在二维图像分类上,更是获得了很高的分类精度。针对于高光谱图像分类问题,设计了一种新的卷积运算;利用高光谱图像谱-空联合信息建立三维卷积神经网络对其进行分类;并针对高光谱图像样本不均匀性,在网络输出不同类别加入不同的权重加以训练。通过对两个公开高光谱图像数据集的测试,相对于传统方法,能够得到更高的分类精度,表明卷积神经网络对高光谱图像具有更强的特征表达能力。     

基于注意力机制的双分支肺炎图像分类网络

目前许多肺炎图像分类网络大多采用单分支网络对输入图像进行特征提取,这在一定程度上忽略了图像不同维度的特征信息。为了优化这种问题,提出一种融入注意力机制的双分支肺炎图像分类网络,利用VGG16网络和加入可分离卷积以及融入卷积注意力模块(convolution block attention module, CBAM)的CNN卷积神经网络进行双分支特征提取,能够关注到肺炎图像不同层次的特征信息,将2种网络分支的特征进行不同维度的融合,最后输入全连接层进行分类判决。结果表明,该网络在正常肺部、病毒性肺炎、新型冠状病毒肺炎(COVID-19)X-ray图像组成的测试集上取得了95%的平均准确率。经过消融试验证明,该网络加入的可分离卷积模块、注意力模块和特征融合对减少网络参数、提高网络分类的准确率起到明显作用。与其他网络的性能对比也表明该网络在肺炎图像分类上表现出较高的准确率和较强的鲁棒性。     

基于深度残差卷积神经网络的高光谱图像超分辨方法

卷积神经网络由于其强大的非线性表达能力在自然图像的处理问题中已经获得了非常大的成功。传统的稀疏表示方法利用精确配准的高分辨率多光谱图像,从而限制了实际应用。针对传统方法的不足,本文提出了一种基于深度残差卷积神经网络的单高光谱图像超分辨率方法,无需对应的多光谱图像。我们构建深度残差卷积神经网络挖掘低分辨率遥感图像和高分辨率遥感图像之间的非线性关系。构建的深度学习网络串联多个残差块,并去除一些不必要的模块,如批标准化层,每个残差块只包含两个卷积层,这样在保证模型效果的同时又加快模型的效率。此外,因为遥感图像训练数据缺乏,我们充分挖掘自然图像和高光谱图像之间的相似性,利用自然图像样本训练卷积神经网络,进一步利用迁移学习将训练好的网络模型引入到高分辨率遥感图像超分辨问题上,解决了训练样本缺乏问题。最后,基于实际的遥感数据超分辨实验结果表明,本文所提出的方法具有良好的性能,能得到较好的超分辨效果。     

采用双通道时间稠密网络的高光谱影像分类方法

针对多数高光谱影像分类方法提取信息不够充分导致分类准确率不够高的问题,提出了一种双通道时间稠密网络的高光谱影像分类方法。该方法利用时间卷积网络模型提取高光谱数据的光谱特征信息,利用稠密网络模型提取高光谱影像数据的空间信息特征,然后将两个网络各自提取到的特征进行融合,最后将融合后的特征送入Softmax分类器进行分类。在Pavia大学经典数据集上进行了仿真实验,将该方法分别同传统高光谱影像分类方法、单空间信息高光谱影像分类方法、单光谱信息分类方法进行了对比。实验结果表明,与多种经典分类方法相比,所提出的方法可以有效地从空间结构和光谱通道提取目标的特征信息,在常用的经典数据集上分类精度可达到99%分,较其他方法高出2%～3%。     

基于注意力双分支网络的跨模态足迹检索

为了提高跨模态足迹检索精度,提出一种基于注意力双分支深度卷积神经网络的检索方法.该方法以赤足足迹的光学和压力2个模态图像为研究对象,采集并构建了一个包含138人5520幅足迹图像的跨模态检索数据集;在网络的特征提取模块采用ResNet50作为基础网络搭建双分支结构,并引入空间注意力机制,以提取各模态具有辨别性的特征;在网络的特征嵌入模块,通过部分参数共享学习跨模态共享空间;在双约束损失模块采用交叉熵损失(ID loss)和异质中心损失(HC loss)以增大跨模态足迹特征的类间差异,减小类内差异.实验结果表明:互检索模式下的平均精度均值(mAP)均值和Rank1均值分别为70.83％和87.50％,优于其他一些跨模态检索方法.采用注意力双分支网络模型能够有效进行跨模态足迹检索,可以为现场足迹对比鉴定等应用提供理论基础.     

基于改进AlexNet网络的无人机遥感图像分类方法

针对传统卫星遥感难以获取相应的高空间分辨率数据,影响农作物的分类准确度的问题,提出一种基于改进AlexNet网络的无人机遥感图像分类方法.首先,为降低方法的复杂度,加快收敛效果,优化改善AlexNet网络模型,仅保留AlexNet网络模型的前5个图像处理卷积层;其次,对试验农作物无人机遥感图像进行光谱特性分析,提取各类作物自身的光谱曲线.在此基础上,考虑到农作物在可见光波段的反射率相近,很难依据反射率曲线进行区分,基于改进AlexNet网络的深层卷积结构,依据不同波段内的像素亮度对农作物进行准确分类.最后,利用湖南省长沙市农业科学研究所试验基地实测数据进行算例试验.结果表明：在相同的试验条件下,与SVM-RFE和SVM-SS相比,所提方法对于农作物的总体分类精度均值提升了3.91%以上,Kappa系数均值至少提升了2.20%,可适用于实际场景.     

基于LinkNet卷积神经网络的高分辨率遥感影像水体信息提取

针对高空间分辨率(简称高分辨率)遥感影像在水体信息提取时准确度不高的问题,采用LinkNet卷积神经网络模型对高分辨率遥感影像进行水体信息提取,验证该网络模型对于水体信息提取的可行性及有效性.首先选取包含水体的影像数据作为训练数据,然后构建LinkNet卷积神经网络模型,并利用构建好的网络模型训练得到水体信息的先验模型,最后采用该模型对真实高分辨率遥感影像进行水体信息提取,并与经典算法比较.实验结果表明:LinkNet卷积神经网络模型能够实现高分辨率遥感影像水体信息的高精度提取,且优于经典算法.     

基于深度极限学习机的高光谱遥感影像分类研究

高光谱遥感数据越来越普及并为人们广泛使用,基于高光谱遥感数据的地面物体精确分类是高光谱遥感技术的核心应用之一.针对高光谱遥感影像的分类问题,提出一种基于深度极限学习机(D-ELM)的分类方法.该方法利用一种新的深度学习模型——深度极限学习机对高光谱遥感影像进行分类,并与基于极限学习机(ELM)、支持向量机(SVM)、核极限学习机(ELMK)分类方法进行了比较分析.研究结果表明:相对于ELM、SVM、ELMK分类方法,D-ELM分类方法能够更加准确地挖掘高光谱遥感影像的空间分布规律,提高分类的准确度.     

基于多尺度特征融合的中分辨率遥感场景分类算法

在对中分辨率遥感图像进行场景分类时,传统的特征提取方法无法提取全面的特征,若使用卷积神经网络进行场景分类,同一大小的卷积核无法提取尺寸大小各异的地物特征,导致分类精度降低.为了提取不同尺寸的地物特征,提高分类精度,本文提出一种基于多尺度特征融合的中分辨率遥感场景分类算法.对传统的卷积神经网络进行改进以适应中分辨率遥感数据集,并在其基础上添加多尺度池化,将连接多层次的特征图谱输入到全连接层进行分类.实验表明,多层特征融合方法提取的特征信息比单层多尺度池化方法提取的特征信息更全面,分类效果更优.与其他的传统分类方法相比,本文方法获得更好的分类结果.     

融合LSTM的DCNN及其图像模糊类型和参数识别

大数据时代,图像是重要的信息传递媒介,但图像质量退化将影响信息识别.针对各种类型的图像退化问题,提出一种融合长短期记忆(LSTM)的深度卷积神经网络(DCNN)的带记忆分类方法,识别退化图像模糊类型及其参数,根据准确的模糊类型及模糊核进行图像去模糊.首先改进DCNN卷积模型,调节卷积运算步长算子,加快图像卷积收敛速度;引入串行LSTM网络,将训练过的图像微元进行记忆,提高识别速度和准确性;通过BP网络输出模糊类型及其参数,再进行图像反卷积去模糊.实验表明能识别出3种主要模糊类型并识别率在90%以上,模糊参数误差在一个像素内,能复原出清晰的图像;最后将算法应用到实际高速铁路轨道缺陷检测系统中,对质量较差的图像进行模糊识别及去模糊,提高图像识别率.     

利用卷积神经网络提取高分辨率遥感图像喀斯特森林信息

针对喀斯特地区受山区复杂地形的影响岩溶山峰在太阳辐射下存在阴坡和阳坡,高分辨率遥感图像中喀斯特森林植被的光谱特征较复杂,"同物异谱"和"异物同谱"现象严重,导致传统的机器学习算法提取森林植被精度不高的问题,根据实践经验将多源多特征融合构成提取喀斯特森林信息特征,改进标准的卷积神经网络(convolutional neural network,CNN),将支持向量机(support vector machine,SVM)与卷积神经网络相结合(CNN-SVM)应用于遥感分类,并与CNN、随机森林(random forest,RF)、支持向量机等方法进行比较。结果表明,CNN-SVM、CNN两种深度学习方法的提取喀斯特森林信息精度均明显高于RF和SVM等浅层模型方法。CNN-SVM综合了CNN提取遥感高阶特征的能力和SVM的分类性能,分类精度在90%以上,高于标准的CNN。深度学习CNN可有效地区分农作物,提高喀斯特森林植被信息的提取精度。     

基于IHS变换的遥感影像融合方法

为了解决遥感影像空间分辨率与光谱信息不能兼顾的问题,即全色影像具有较高的空间分辨率但缺乏光谱信息,多光谱影像光谱分辨率高,光谱信息丰富,但其空间分辨率低的问题,采用MATLAB实验工具,基于IHS原理对遥感影像数据进行融合处理,试验结果表明使用该融合方法显著提高了多光谱影像的空间分辨率,同时保留了丰富的光谱特征,提高影像的判读、识别、分类能力,融合后图像的信息量比原始图像有明显增加,而且图像的细节反差、纹理和清晰度得到较大的提高,融合图像质量明显改善.     

考虑局部归一化高度的双分支语义分割网络

归一化数字表面模型是表征地物高度、辅助遥感影像分类的重要特征,但是其片状、精度不稳定的特性制约了分类精度的提升.针对这个问题,该文提出了一种考虑局部归一化高度的双分支输入语义分割网络,一方面设计了一种双分支输入结构,分别提取地物的光谱特征和几何特征,并通过跳跃连接进行特征融合以充分学习地物多模态信息;另一方面提出了一种新的地物高度表征方法,结合深度神经网络受GPU显存限制只能处理较小区域影像的特点,在输入的数字表面模型局部区域内计算高度特征.最后通过在ISPRS标准数据集上对三种网络框架进行对比试验,证明了相较于仅使用光谱影像,该文方法总体精度提升了4.5%～4.7%,比使用归一化表面模型作为高度特征的分类方法具有更高的分类精度、计算效率和自动化程度.     

用于高光谱遥感图像分类的空间约束高斯过程方法

高光谱遥感图像分类是遥感图像处理的一项重要内容.高光谱遥感图像具有非线性属性.图像中不同方位光谱特征的变化将使得仅从标记训练样本得到的分类器分类精度不会太高.为了提高分类的精度,一方面应对光谱信息的合理利用;另一方面,对空间信息的利用也非常重要.高斯过程(Gaussion process,GP)是一种贝叶斯统计学习方法,能够建立概率模型,并且使得分类结果更易于解释.传统GP分类方法中核函数的构造仅利用光谱信息.本文提出了一种加入空间关系的新分类方法.利用遥感图像空间相关性,在GP分类方法中通过构造新的核函数(spatial Gauss kernel,SGK)来实现空间约束,部分消除了同物异谱和同谱异物造成的分类错误.实验结果表明,该方法对于提高高光谱遥感图像的分类精度具有积极意义.     

面向盲去模糊的选择性内核卷积混合连接编解码网络

针对运动模糊在空间上非均匀且模糊核未知的特点,提出一种选择性内核卷积混合连接编解码网络.为避免估计模糊核产生误差,该网络采用对称编解码的结构,以端到端的方式实现盲去模糊;为消除非均匀模糊,设计一种选择性内核卷积混合连接块,使用两个感受野不同的分支增强网络提高非均匀模糊特征的适应能力;同时,该模块融合了通道注意力机制,对多分支特征图进行校准,增强有效特征信息;此外,使用均方误差与感知损失作为联合损失函数引导网络模型的训练.实验结果表明,该网络能够有效去除图像模糊,恢复出图像的边缘结构和纹理细节.     

基于生成对抗网络的轻量级图像盲超分辨率网络

针对图像盲超分辨率网络计算参数多、模型庞大的问题,对快速且节省内存的轻量级图像非盲超分辨率网络（fast and memory-efficient image super resulotion network, FMEN）进行改进,提出了一种轻量级的快速且节省内存的图像盲超分辨率网络（fast and memory-efficient image blind super resulotion network, FMEBN)。首先,通过图像退化模块模拟部分真实世界退化空间,使用退化预测模块预测低分辨率(low resolution, LR)图像的退化参数;然后,为能有效利用退化先验信息指导并约束网络进行重建,使用动态卷积对原网络特征提取、重建模块、高频注意力块（high frequency attention block, HFAB）结构进行改进;最后,使用生成对抗网络（generative adversarial network, GAN)对FMEN训练策略与损失函数进行优化,减小真实数据与生成数据的差异,生成更加真实、清晰的纹理、轮廓。实验结果表明,在合成图像数据集和真实图像数据集R...     

SPOT-5遥感影像自身融合方法的比较研究

近年来,遥感影像数据融合已成为学术界研究的新热点.作为在各个领域应用日益广泛的法国SPOT-5遥感卫星影像,其全色波段空间分辨率高,多光谱波段光谱信息丰富,为了既保留丰富的光谱信息又能提高空间分辨率,本文在对IHS变换、主成分变换、Brovey变换融合3种传统像素级融合方法分析、归纳与算法实现研究的基础上,对SPOT-5全色波段与多光谱波段进行了图像融合实验,并从光谱特征与空间纹理特征两个方面对融合效果进行定性与定量评价.分析结果表明,Brovey变换融合法光谱退化最小,同时也最大程度地保持了高几何分辨率全色波段的空间信息.