ES-SOFM混合模型及其在水环境评价中的应用

提出一种基于进化策略（Evolutionary Strategy,ES)和自组织特征映射（Self-Organizing Feature Map,SOFM)神经网络的混合模型进行水环境评价的新方法。把SOFM网络嵌入到ES中，根据SOFM网络的运行状态构造ES的适应性函数，利用ES的强搜索能力克服SOFM网络对初始权向量和样本输入次序敏感的弱点。在水环境评价中的应用效果表明，此方法比模糊聚类法分类更合理。     

基于模糊空谱特征的高光谱图像分类

难以兼得高空间分辨率和光谱分辨率的高光谱遥感数据常存在“同物异谱”和“同谱异物”现象，这种光谱异质问题给分类过程带来了一定的不确定性，且现有深度分类网络存在空间信息利用不足和拟合退化问题.提出一种联合空间和模糊光谱特征的双分支高光谱遥感图像分类方法，通过在光谱分支中设计非对称卷积模糊模块增强卷积层的光谱表征能力，解决分类数据中的光谱异质问题，进而对地物特征进行精确的分类描述.采用门控循环单元模型分组获取相邻光谱序列信息，缓解因网络深度增加带来的拟合退化问题，在空间分支中利用波段间的相关性引入卷积长短时记忆模块，充分捕捉空间上下文信息.在三个公开的高光谱数据集上的实验结果表明，双分支结构的模糊分类网络能充分利用光谱和空间包含的细粒度信息，更具判别力的空谱特征有效地克服了光谱异质问题，比流行的深度学习方法取得了更好的分类结果 .     

应用于双光谱检测的图像融合技术

介绍双光谱图像检测系统的总体设计，针对紫外与可见光双光谱成像系统提出了基于模糊矩阵的双光谱图像融合法．该方法采用模糊矩阵表征融合区域，同时利用小波变换法对图像进行多分辨分解重构．实验选取UV图像与V图像进行融合，并对该方法和其他几种方法的融合图像进行了比较．基于模糊矩阵的双光谱图像融合法能比较好地兼顾图像融合中清晰度和融合边缘过渡两方面的要求．     

一种基于支持向量机和主成分分析的多光谱图像的分类方法

多光谱图像分类方面,由于普通的SVM方法没有考虑多光谱图像具有高维度和冗余的特点,因此难以实现令人满意的分类精度．本文提出了一种基于SVM和主成分分析相结合的多光谱的图像分类方法．并用5幅6波段两类地形的多光谱图像进行实验．实验结果表明,这种分类方法与普通的SVM方法相比提高了多光谱图像的分类精度．     

基于自组织特征映射神经网络的数字模式识别

在分析自组织特征映射(SOFM)神经网络基本学习算法的基础上．从提高算法收敛速度和性能出发．提出了一种改进算法：随机选择样本输入次序；根据实际应用并结合专家经验确定初始连接权值；采用高斯函数作为拓扑邻域函数；将算法分成排序和收敛两个阶段。并分别采用不同的学习率和邻域函数．采用改进后的SOFM算法对输入样本进行自组织聚类，再利用学习矢量量化(LVQ)算法解决样本分类中的交迭问题。提高了分类精度．仿真实验结果表明．该网络能够识别常用的数字(0～9)和英字母．特别是在有噪声污染的情况下．可以获得较好的效果。     

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.     

高光谱遥感图像特征提取及分类研究——基于离散余弦变换(DCT)及支撑向量机技术

高光谱遥感图像具有波谱连续，维数高的特点．当样本较少时，在原始特征空间采用传统的统计识别方法分类达不到理想的效果．经研究发现有两种方法可以解决小样本高维的非线性分类问题．一是将原始空间通过离散余弦变换（DCT）压缩到低维空间，再用统计识别方法分类；二是利用支撑向量机的内积函数，将原始空间映射到高维空间，使其在新的特征空间线性分类．实验表明，这两种方法比利用马氏距离判别法直接对原始图像分类有更好的分类效果．     

基于混合神经网络的图像分类矢量量化方法

介绍了一种基于自组织特征映射（SOFM）神经网络图像压缩的传统算法．通过对传统压缩算法的分析，提出了一种新的简单易行的分类矢量量化方法．新方法采用边缘检测，主元分析（PCA），自组织特征映射来设计码书，大大提高了图像的客观指标和主观视觉效果．实验表明，此方法效果明显优于传统的SOFM图像压缩算法．     

高光谱遥感图像最大似然分类问题及解决方法

利用最大似然分类器对高光谱遥感图像分类时，由于波段数目多、波段间的相关度大，使协方差矩阵的行列式近似于奇异，因而导致了不合理的分类结果。本文调整了波段协方差矩阵对分类的影响。改进了最大似然分类判决函数，利用改进后的判决函数进行分类，试验证明这种方法是有效的。另外，根据图像特征和经验对图像进行波段选择，也是改善高光谱遥感分类效果的有效途径。     

一种基于注意力嵌入对抗网络的全色锐化方法

全色锐化旨在将低空间分辨率的多光谱图像和高空间分辨率的全色图像进行融合，生成一幅高空间分辨率的多光谱图像．伴随卷积神经网络的发展，涌现出很多基于CNN的全色锐化方法．这些用于全色锐化的CNN模型大都未考虑不同通道特征和不同空间位置特征对最终锐化结果的影响．并且仅使用基于像素的1-范数或2-范数作为损失函数对锐化结果与参考图像进行评估，易导致锐化结果过于平滑，空间细节缺失．为了解决上述问题，本文提出一种嵌入注意力机制，并辅以空间结构信息对抗损失的生成对抗网络模型．该网络模型由2个部分组成：一个生成器网络模型和一个判别器网络模型．嵌入通道注意力机制和空间注意力机制的生成器将低分辨多光谱图像和全色图像融合为高质量的高分辨多光谱图像．判别器以patch-wise判别的方式对锐化结果与参考图像的梯度进行一致性检验，以确保锐化结果的空间细节信息．最后，在3种典型数据集上的对比实验验证了所提出方法的有效性．     

基于人工神经网络遥感图像分类的应用研究

阐述了遥感图像分类处理中应用BP神经网络的方法,在ENVI平台下,对基于BP神经网络的分类方法进行了研究。结果表明：基于BP网络神经的遥感图像分类效果是相当突出的,是一种非常有效地处理遥感图像的方法。     

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。     

基于机器学习的多源遥感影像融合土地利用分类研究

为了快速获取准确的城市土地利用信息,提高西南地区遥感影像城市土地利用分类信息提取的精度,探讨了当前快速发展的机器学习技术在该领域中的分类实验.选用昆明市主城区作为研究区域,以Landsat8与Sentinel-1A影像为原始数据,使用GS变换法对影像进行融合,使用卷积神经网络(Convolutional Neural Network,CNN)和BP神经网络(Back Propagation Network)2种分类算法对融合前后的遥感影像进行土地利用分类信息提取,对分类结果进行分析.研究结果表明:基于Landsat8和Sentinel-1A的融合影像数据的卷积神经网络分类算法具有最好的分类效果,其总体分类精度和Kappa系数分别为85.8091%,0.8124,认为基于多源遥感影像融合的卷积神经网络分类方法是获取准确的城市土地利用分类信息的一种可行的方法,可以为高原地区城市的土地利用分类提取研究参考.     

形态梯度重构的标记分水岭高光谱影像分割

传统分水岭算法通常对梯度图像做无标记分割,其结果是容易造成过度分割。为了克服过分割的缺陷,进而应用于复杂的高光谱遥感图像分割,结合形态学预处理方法,在对图像实施平滑处理的同时,利用形态学开闭重构技术对梯度图像进行重建,在此基础上对高光谱遥感梯度重建图像进行标记分水岭分割。实验证明,这种处理技术对高光谱遥感图像的分割效果良好,能够满足高光谱遥感图像分类与信息提取的需要。     

Using Neural Networks to Combine Multiple Features in Remote Sensing Image Classification

Remote sensing image classification is the basis of remote sensing image analysis and understanding.It aims to assign each pixel an object class label.To achieve satisfactory classification accuracy,single feature is not enough.Multiple features are usually integrated in remote sensing image classification.In this paper,a method based on neural network to combine multiple features was proposed.A single network was used to perform the task instead of ensemble of neural networks.A special architecture of network was designed to fit the task.The method effectively avoids the problems in direct conjunction of multiple features.Experiments on Indian93 data set show that the method has obvious advantages over conjunction of features on both recognition rate and training time.     

顾及区域信息的卷积神经网络在影像语义分割中的应用

高分辨率遥感影像在实际应用中得到广泛使用。高分影像语义分割方法的研究具有重要实际应用价值。近来基于深度卷积网络的遥感影像标注方法表现出了比传统方法更为优越的性能;然而由于其基于固定感受野大小的上下文信息获取方法没有显式利用像素间约束关系,导致同一地物内部语义标注结果不一致。基于同一区域内部像素属于相同类别概率较大的假定,试图引入图像区域内部语义标注一致性约束,以改善现有深度卷积神经网络描述上下文信息的能力。在现有全卷积网络模型基础上,利用卷积神经网络最后一层特征,引入一个表示区域内部像素特征一致性的损失函数;将该损失函数与softmax损失函数进行联合训练,得到网络模型参数。在ISPRS(国际摄影测量与遥感学会)的Vaihingen 2D语义标注数据集上,对提出的方法进行了实验验证,实验结果表明所提方法在大多数类别上取得了较现有卷积神经网络模型更优的分类结果,总体准确率达85.18%。提出的引入区域内部像素标记一致性的全卷积网络模型,可以有效捕捉区域内部像素特征一致性的上下文信息,能有效纠正全卷积网络模型在区域内部像素分类中的冲突,获得区域一致较好的分类结果,从而改善图像的语义标注效果。     

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。     

一种改进的BP神经网络在遥感图像分类中的应用

反向传播神经网络能解决传统分类方法的不足,现已逐渐用于遥感图像的分类中,研究用种新的改进ＢＰ算法进行遥感图像分类。     

卫星遥感图像的神经网络自动识别分类

介绍了神经网络卫星遥感图像自动识别分类的方法,并与最大似然法分类结果进行了比较,计算机实验结果表明,神经网络分类的精度和速度优于最大似然法分类．     

基于人工神经网络的遥感图像分类研究

随着人工神经网络系统理论的发展,神经网络技术日益成为遥感图像分类处理的有效手段,并有逐步取代最大似然法的趋势。本文重点讨论了遥感图像分类处理研究中应用效果显著的BP神经网络方法,并在MATLAB平台下对基于BP神经网络的分类算法进行了研究,最后将它的分类结果与最大似然法的分类结果进行了精度比较分析。结果表明基于BP神经网络的遥感图像分类效果是较好的,是一种有效的图像分类方法。