一种高光谱遥感影像的三维卷积神经网络语义分割方法

高光谱图像具有丰富的光谱信息和空间信息,综合运用空间特征和光谱特征是提高高光谱图像分类精度的关键.针对传统二维的卷积神经网络无法充分利用高光谱丰富光谱信息的问题,设计一种基于三维卷积神经网络(Three-dimensional convolutional neural network, 3D-CNN)的深度卷积编解码网络,将三维卷积神经网络引入编码结构,同时提取光谱和空间特征,并且在池化层引入池化索引策略;解码部分利用最大池化索引上采样操作.两个高光谱遥感影像公开数据集的分类实验结果表明,实现了高光谱的空间和光谱特征的融合提取,较基于2D-CNN的分类方法能够获得更高的分类精度.     

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3D金字塔残差网络的高光谱图像分类方法

鉴于提取高光谱图像深层次特征时,深度学习网络面临的网络层数加深、特征图数量增多、计算量增大、梯度消失等问题,提出了一种3D金字塔残差卷积神经网络,通过将3D卷积块引入金字塔残差模型中,实现了高光谱图像空谱特征的同时提取,并利用金字塔残差网络逐级增加特征图维度,大大降低了模型的参数量.Pavia University和Salinas数据集测试结果显示,该方法分别取得了99.936%和99.879%的总体分类精度,分类效果优于SVM、3D-CNN、ResNet18等3D卷积模型,且网络参数仅为ResNet18等模型的1%.可见,该方法达到了网络参数和图像分类精度的双优表现,是一种有效的高光谱遥感影像分类方法.     

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 .     

基于卷积神经网络的多光谱与全色遥感图像融合算法

地理信息数据具有不同分辨率、不同精度、不同覆盖范围等多尺度特征,在应用中往往需要同时具备高光谱分辨率和高空间分辨率两种信息的图像.为提高多光谱图像和全色图像融合的准确性,提出了基于卷积神经网络的多光谱与全色遥感图像融合算法.首先,对训练集内图像进行预处理,构建适用于本算法的图像数据集;然后,拓展卷积神经网络卷积层,提高...     

基于特征类内紧凑性的不平衡医学图像分类方法

近些年,基于深度学习的算法和模型在各种图像分析任务中都取得了显著的成功,与常见的自然图像相比,医学图像数据集依然面临高度不平衡的问题,不平衡数据会导致特征空间里的决策边缘倾向样本多的类别,导致分类效果的下降.为了解决该问题,提出一种基于卷积神经网络考虑特征类内紧凑性的不平衡医学图像分类方法（Z-Score Compactness-based Convolutional Neural Network,ZC3NC）.首先,从一个卷积神经网络的最后一层卷积层提取训练集样本与测试集样本的特征图,随后引入一个新的Z分数来度量测试集数据的特征图相对训练集每个类在特征空间上的偏离度,偏离度的度量基于类内的紧凑度,其主要关注样本的分布特性,对各类样本数量的不平衡性不敏感.最终,根据计算的偏离度,对测试集的数据进行分类.在DermaMNIST数据集上的实验表明,在不对数据和神经网络模型做任何额外增强的情况下,该方法的平衡准确率比原卷积神经网络模型平均提高11.15%,最多提高14.08%,证明提出的分类方法能有效地提高多种卷积神经网络对不平衡医学图像数据的分类性能.此外,和最先进的不平衡分类方法 Und...     

基于改进的多通道卷积神经网络模型的图像分类方法

为了充分提取图像特征信息,同时减轻模型过拟合,提出了一种改进的多通道卷积神经网络模型。首先,利用三条卷积通道提取图像特征信息,各通道选择不同的卷积核大小,并利用小卷积核堆叠代替大卷积核的方法减少模型参数,再采用特征融合与批标准化技术对特征信息进行处理,最后输入到softmax分类器进行分类。将改进模型、单通道模型、多通道模型、传统图像分类模型用于对CIFAR-10数据集进行分类。实验结果表明,改进模型可以有效提取图像特征信息,减轻过拟合,进而提升模型的分类精度。     

基于CNN的农作物机载高光谱影像质量评价——以棉花为例

机载高光谱遥感作为近地遥感观测方法中的新方式,对判断作物长势、监测环境状态等农业应用提供了新的技术手段。机载影像数据获取受光照条件、飞行状态等因素干扰,其数据质量对科学研究数据分析结果的可靠性具有重要影响,机载高光谱影像数据的快速质量评价问题亟待解决。本研究提出一种适用于机载棉花高光谱影像的卷积神经网络影像质量分级方法。先获取试验区域内的棉花高光谱影像,通过模拟采集过程中产生的退化进行数据增强;经专家目视评估进行影像判读分级定标,将高光谱数据按比例分为训练集、验证集和测试集;利用TensorFlow框架建立卷积网络模型并进行模型微调与精度验证;最后结合模型评估指标与实验分类结果给出评价。实验结果表明：卷积神经网络影像质量分类评价取得了较好的效果,样本分类准确率达到99.06%,多类别平均分类精确度达到99.07%,Kappa系数为0.988 7。研究结果表明采用卷积神经网络对机载棉花高光谱影像质量评价有效可靠,可为机载高光谱农作物影像质量评价提供参考。     

基于深度学习的肝硬化识别

为提高医学影像的识别准确率和效率,减少人为主观因素造成的误差,采用深度学习的方法自动识别正常肝与肝硬化影像,并针对传统卷积神经网络结构复杂,训练参数多和效率低等问题,使用基于卷积神经网络中的一种轻量级模型结构SqueezeNet;并利用迁移学习的方法,通过预训练和微调参数,可以避免数量集过少时而产生的过拟合题,并且实验结果取得了较好的分类效果;首次提出使用迁移学习后的轻量级卷积神经网络与传统的模式识别算法支持向量机相结合,实现对医学图像的分类,最终实验准确率进一步提高。     

基于Gabor滤波和级联GCN与CNN的高光谱图像分类

在高光谱图像分类中，原始的图卷积网络作用在数据量较大的数据集上时，会出现内存开销大、时间成本高的问题，而且单一的图卷积网络模型不能对高光谱图像进行充分的特征提取。为了在数据量较大时降低时间成本并充分提取特征以提高分类精度，本文研究了Gabor滤波和批处理的图卷积网络级联卷积神经网络的融合网络对高光谱图像进行特征提取的方法，并在3个数据集上进行了验证。实验结果表明，本文的方法在对数据量较大的数据集分类时可以较好地降低时间成本，提高分类精度。     

基于空地协同采样的植被覆盖度随机森林估算方法

基于无人机高光谱影像,建立地形复杂地区植被覆盖度的非参数随机森林回归估算模型。为获得构建随机森林模型所需的足够数量的训练样本,利用低空无人机搭载的光学相机,在从地面难以到达的山地、水域和植被茂密区,通过垂直拍摄获得厘米分辨率的航拍影像,作为对地面样方采样的补充。首先计算地面数码相机照片和无人机可见光影像的红绿蓝植被指数(red-green-bluevegetationindex,RGBVI),然后使用大津分割法提取样方的植被覆盖信息,得到构建模型所需的训练样本。在此基础上,基于2018年8月16—18日在内蒙古自治区察右中旗油娄沟矿区获取的GaiaSky-mini2无人机高光谱影像数据,利用递归特征消除算法优选参与随机森林回归的特征变量集,利用空地协同获取的训练样本构建植被覆盖度的随机森林回归估算模型。该模型在测试集上的确定系数R2为0.923,均方根误差为0.087,优于常用的像元二分模型,可用于矿区植被动态信息的精细化监测。     

植被高光谱遥感分类方法研究

结合具体的OMISI高光谱遥感数据,对各种常用植被高光谱遥感分类方法进行分类训练,通过比较分类性能,得到各种方法在植被高光谱分类中的若干应用规律和分类过程中选择最优分类方法的一些技巧。在此基础上,提出将传统分类方法与基于光谱特征匹配的分类方法相结合对高光谱图像进行分类的方法。     

计算植被生态学及其解决方案

初步提出了计算植被生态学这一新的生态学分支学科及其面向算法的计算机技术支持新方案,认为数据结构和算法研究是其核心研究内容之一.提出了按数学方法和计算机技术在生态学中的作用对现代生态学分支学科进行分类的MC划分方法,该方法能反映计算植被生态学的学科地位,其分类效果优于景观生态学时空尺度划分方法和应用生态学应用性-基础性划分方法.按照数据采集、存贮、分析和显示的流程分析了计算植被生态学的研究方法、研究内容及其主要支撑技术,认为计算植被生态学的建立有助于产生可被重复利用的生态学模型和算法,实现植被研究的计算机化,为区域可持续发展服务.     

中国植被调查、分类与植被志研编进展

开展全国性植被清查、分类和植被志研编是一项重大的科学工程,可为山水林田湖草沙的系统性治理和国家生态文明建设提供理论和技术支撑。本文介绍了中国植被调查的历史和现状,主要植被分类系统的分类依据、等级、分类结果和特点,以及国家和地方层面植被志研编进展,指出了我国植被科学研究中存在植被分类混乱、植被志研编体系尚不健全、缺乏统一的植被数据库建设、植被家底不清等不足,提出了加快建立国家数字植被大数据平台、进一步规范全国和地区植被志研编体系的建议。     

森林植被遥感分类研究

首先对森林植被类型识别方法的研究概况进行了综述,在总结国内外研究成果的基础上,提出采用植被指数进行植被分类,根据长春净月潭地区植被层反射率数据以及土壤线方程,ＮＩＲ＝１．５０６Ｒ＋０．００７８６,通过对多种植被指数的计算与分析,得出植被指数与植被类型的关系,最易于区分阔地林与针叶林的是ＰＶＩ,其次为ＴＳＡＶＩ和ＭＳＡＶＩ,但后者计算较复杂,不同针对树种间的ＲＶＩ差值较大,因此采用ＲＶＩ来区分各针树     

噪声抑制的高光谱图像虚拟维数分析

在高光谱数据降维过程中,通常用虚拟维数来表征数据的本征维数.经典的虚拟维数分析算法主要运用假设检验准则设定特征值门限,通过特征值判定来决定虚拟维数值.但是,在强噪声干扰下,经典算法不能有效分析出虚拟维数值.本文提出了一种噪声抑制的高光谱图像虚拟维数分析方法(NCVD),该算法通过对数据矩阵进行QR分解,减小了算法的运算量;采用滑动噪声检测窗口对噪声成分进行滤除,提高了估计维数的准确性;结合最小二乘算法对判别门限进行修正,使虚拟维数估计结果更具合理性;采用模拟数据和真实数据进行实验,实验结果证明,本文所提算法的可行性和较现有算法的优越性.     

广西植被调查、分类与植被志研编方案

广西是我国植被类型较丰富的省区之一,开展《广西植被志》研编意义重大。本文在全面总结广西植被调查研究历史的基础上,将植被调查研究的进程分为3个阶段：第一阶段为1950-1980年,第二阶段为1981-1999年,第三阶段为2000年至今。对《广西森林》《广西植被志要》和《广西植被(第一卷)》中的植被分类原则、等级、分类结果及各分类系统的特点进行分析比较。在遵循《中国植被志》的研编标准及规范的基础上,提出《广西植被志》的研编方案,建议以植被型组独立成卷,即可分为6卷：森林卷、灌丛卷、草丛卷、沼泽与水生植被卷、农林植被卷、城市植被卷。其中,森林卷可分为6册,即针叶林和针阔叶混交林分册、落叶阔叶林分册、常绿落叶阔叶混交林分册、常绿阔叶林分册、季雨林和雨林分册、竹林分册;灌丛植被、草丛植被和沼泽与水生植被各独立成卷;农林植被卷分为两册,分别是农业植被分册和林业植被分册;城市植被独立成卷。此外,加上第一卷总论,《广西植被志》可由7卷13册组成。对建立10个植被信息数据库及广西数字植被大数据平台提出初步方案。《广西植被志》的研编及出版必将推动广西植被生态科学的进一步发展。     

基于遥感的东营市植被覆盖动态变化研究

以东营地区1995年和2010年两期TM影像为数据源,通过计算归一化植被指数,并利用混合像元二分模型计算植被覆盖度,其植被覆盖变化从低到高分为5个等级．植被覆盖度变化结果如下：从1995年一2010年东营地区植被中高和高覆盖度类型面积增加,其面积变化率分别为483．2％和168．35％,极低和低植被覆盖度类型面积减少,其面积变化率分别为61．01％和51．11％．从空间上看,东营地区整体植被覆盖度都有所增加,而北部沿海、中部城区的植被覆盖度有所下降,这与东营市近年来重视植被保护和城市化加速有密切的关系．     

大面积遥感植被成图方法的述评

自然植被的地理空间分布是十分重要的环境因子，其应用需求范围很广，包括全球气候变化，自然灾害监测，生态系统活力监测以及火灾管理等。日益增长的更高层次的应用需要一种有一定比例尺的大范围的且能提供详细信息的植被数据集。笔者介绍一种能生成分辨率为30m的自然植被类型覆盖图以及可用于可燃物和火险评估项目的结构变量的遥感方法。此方法的成功有赖于传感器的改进和数据的质量、对区域及其植被生态的全面了解、大量遥感和地面数据的成功整合以及灵活的成图算法。初步成果来自犹他州中部地区，包括28个植被类型。森林、灌木和草本层的郁闭度（亚像元密度）的分类总精度为60％（按生命表平均），三者郁闭度的相关系数分别为0．89，0．60和0．55，平均冠层高的相关系数分别为0．73，0．50和0．20。对改进过的第一轮技术成果进行了讨论，其中包括成图模型的细化、有关环境梯度的应用以及与实际植被类型相关的潜在植被问题等。     

基于多观测向量的高光谱影像稀疏表达分类

针对传统的高光谱影像稀疏表达分类模型忽略像元间的内部结构关系且运算效率较低,提出多观测向量的稀疏表达模型来研究高光谱影像分类.该模型引入平衡参数来控制各权重系数向量的稀疏度,通过最小化L2范数约束的重构误差来求解所有测试像元的稀疏系数向量.基于两个高光谱数据集,对比5种常规分类器的分类结果来验证提出的方法.实验结果表明,多观测向量的稀疏表达分类模型在计算效率第二的同时能够得到最高分类精度.