小样本学习在高分遥感影像分类与识别中的应用

遥感影像分类与识别是近年来深度学习以及图像分类与识别研究的热点,其中一个关键问题是因样本数据集的数据较少而极易出现过拟合。许多图像分类的模型和方法并不完全适用于遥感影像分类,将小样本学习与遥感影像处理结合起来,实现遥感影像数据增强和识别模型优化是一个可行的思路。根据小样本学习的发展现状,针对特征提取、模型分类方法,归纳总结了典型学习方法的原理及其在相关领域的应用; 分析遥感影像处理的现状和存在问题,基于适用场景、优缺点对各方法进行了比较; 通过分析小样本学习在高分遥感影像分类与识别上的应用,发现引入注意力机制和迁移学习后,小样本学习能够用于样本数据量小的遥感影像分类。     

基于DCNN的高分辨率遥感影像场景分类

针对传统场景分类方法不能准确地表达高分辨率遥感影像丰富的语义信息问题,提出了一种基于卷积神经网络的高分辨率影像场景分类方法.此方法大致分为3步:第1步,依据不同卷积窗口做卷积运算提取颜色,纹理和形状等低阶特征;第2步,利用池化层将这些低阶特征进行过滤,得到重要特征;第3步,重组提取出来的特征以形成高阶语义特征进行场景分类.在具体实验中利用三个不同尺寸的卷积核对数据集进行分类探究,并且使用了数据增广、正则化和Dropout等手段,提升模型对新样本的适应能力,很好地解决了过拟合问题.该方法在所进行的实验中表现良好,在WHU-RS19数据集上取得了88.47%的准确率,和传统的场景分类方法相比,显著提升了分类精度.     

神经网络在遥感影像分类应用中的若干进展

介绍了神经网络的发展概况,对遥感影像分类进行了概述,综述了神经网络在遥感影像分类应用中的若干进展。     

光学遥感影像土地利用分类方法综述

土地是实现经济社会高质量发展的基础性资源,光学遥感影像以时间、空间、光谱等特有的优势为土地利用变化的发现、识别、分析提供了很好的支持,利用光学遥感技术提取土地利用变化信息已经成为重要的研究领域。论文以近年来土地利用分类相关文献为基础,分别从数据源、处理流程、处理精度、计算效率等角度对土地利用分类应用较为广泛的目视解译、监督分类、非监督分类、深度学习等四类方法进行了分析和总结。最后展望了光学遥感影像土地利用分类方法的发展方向     

基于深度迁移学习的城市高分遥感影像分类

结合我国城市化进程不断加快带来的问题,对城市人口密集建筑进行深入分类研究。通过深度迁移学习利用卷积神经网络(CNN)构建Alex Net网络、VGG-19网络、Res Net网络对城市进行分类研究。首先,将制作好的样本数据集与本文实验所选区域影像结合,形成该研究区域新的样本数据集,其次,对数据集进行增广处理。实验结果表明:1) CNN在城市多分类识别应用中具有可行性且分类精度较高,避免了传统分类方法的繁杂; 2) 3种结构模型中,其中VGG-19效果最好,Res Net网络次之,但三者分类都取得了比较好的效果。     

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.     

遥感影像软分类在区域水土流失评估中的应用

以深圳市宝安区为例，通过最大似然法对遥感影像进行光谱软分类，得到了每个像元分属于不同土地利用／覆盖类型的似然度；基于土地利用／覆盖和水土流失的内在关系，利用层次分析法确定了每种土地利用／覆盖类型影响水土流失的权重，在此基础上，使用土地利用特征指标来定量反映每个像元对于水土流失的综合影响．结果表明，这种方法具有有效和快速的特点，不仅能够反映水土流失潜在性的相对强弱，而且可在像元层次上反映这种强弱的空间分布特征，在地形复杂、土地利用／覆盖类型分布破碎的区域具有优越性，其结果可为水土流失的治理和详细调查选点提供依据．     

基于多尺度特征融合的遥感影像场景分类方法

针对遥感场景影像存在类间相似性高、类内多样性大、且不同尺度下遥感影像差异大等问题,导致场景分类任务精确度受限,提出一种基于多尺度特征融合的遥感影像场景分类算法。首先利用轻量级网络MobileNetV2作为主干网络,以更少的网络参数实现更高的分类准确率。网络通过一维卷积提升输入通道,设计的多尺度特征融合模块能够捕获遥感影像的高级特征和低级特征,融合影像的多尺度特征,能够有效缓解不同尺度下遥感影像差异大的问题。通过在三个公开遥感数据集上进行实验对比,验证了所提方法的有效性。     

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.     

高分辨率遥感影像自动分类方法研究

近年来,高分辨率遥感影像在土地利用分类工作中被广泛使用,采用计算机自动分类的方法可以提高分类的工作效率.该文讨论了自动分类处理的流程,自动分类的主要方法,列举了典型的分类案例,分析自动分类中存在的困难,并提出了解决的思路.     

遥感影像分类方法的研究

该文基于ERDAS的KnowledgeEngineer分类方法原理,提出一种多信息源、智能化、程序化的阈值分类技术,利用空间模型语言SML（SpatialModelerLanguage）编程实现遥感影像的分类,进而克服了传统分类方法只能针对单一信息源的局限。研究工作以1999年ETM＋遥感影像临港新城为例,将该方法与传统的监督分类方法进行比较和精度评价。结果表明,阈值分类法比监督分类法分类精度高,指标Kappa系数由0.6109提高到0.8204。该方法可通过模块实现多信息源的调用,从已分类图像中提取确认的分类信息,达到一定的智能化,减少人为的重复性操作。     

基于CBERS-04遥感影像的朗玛村地区岩土分类

为了探索国产陆地探测卫星遥感影像的岩土识别性能,基于CBERS-04遥感影像光学特性分析,应用多种传感器遥感影像进行了青藏高原朗玛村地区的岩土分类研究。对比分析了CBERS-04与Landsat-8陆地成像仪(OLI)数据岩土分类及协同岩土分类的效果,并依据1∶250 000基础地质图和野外地质调查进行了验证分析。结果证实CBERS-04相对Landsat-8OLI的遥感影像岩性分类精度略低,但仍具有较高的分类精度,辅助人工地质解译基本满足中比例尺岩土分类和地质调查图编绘的需要。2种数据源的空间分辨率和光谱分辨率较为相似,且具有互补性,其协同分类可提高岩土分类的精度。     

基于mean-shift聚类过程的遥感影像自动分类方法

提出了一种稳健的自动分类方法——自适应mean-shift(AMS)算法.该方法基于mean-shift聚类过程,不需要假定数据分布类型,也不需要指定类别的数目,自动化程度较高.自适应mean-shift算法根据数据分布特点自适应地确定带宽的大小,利用采样点估计模式来设计自适应估计器,自适应估计器将每个数据点与不同尺度的核函数联系起来,当核函数满足一定的条件时,AMS迭代过程收敛于极值点(mode),自适应AMS算法是一种归一化的密度梯度估计算法.采用TM影像进行分类试验,试验结果表明:该算法自适应程度高,精度也能满足要求,是一种稳健的自动分类方法.     

基于改进自组织竞争神经网络的高光谱图像分类

针对传统的SOFM网络对高光谱图像分类精度低的缺点,提出了采用模糊积分与神经网络相结合的分类方法．即在改变网络的学习速率函数和邻域函数的前提下,同时对分类结果采用基于模糊积分的信息融合,使分类器之间相互补偿,并用高光谱图像的分类实验进行验证．与普通的SOFM网络和K均值聚类方法相比较,分类效果更好．     

一种基于BP网络和决策融合的高光谱遥感图像分类方法

BP神经网络在用于高光谱遥感图像分类时,其初始权值的选取对分类结果有很大影响.针对这种情况,提出了一种将BP神经网络与决策融合理论相结合的高光谱遥感图像分类方法,该方法将多个结构相同、初始权值不同的BP神经网络的分类结果进行融合,最后把融合结果作为原图像的最终分类结果,以实际的高光谱遥影像为例,说明该方法能够有效地提高遥感影像的分类精度.     

基于改进的最小二乘支持向量机的高光谱遥感图像分类

支持向量机因其适用高维特征、小样本与不确定性问题的优越性,是一种极具潜力的高光谱遥感分类方法.核函数是支持向量机的核心,核函数分为局部核函数与全局核函数两大类,不同的核函数将产生不同的分类效果.核函数也是支持向量机理论中比较难理解的一部分.在基本核函数中引入光谱匹配识别中的典型方法--光谱角度匹配法(SAM法),兼顾到光谱亮度与光谱向量方向的距离测度,结合最小二乘支持向量机,通过与传统SVM分类方法的比较,证明这种方法的有效性.     

基于可见光遥感图像的船只目标检测识别方法

 基于光学遥感图像提取船只目标是海洋信息感知中的重要应用方向,主要任务包括在广域大视场图像中快速检测定位船只目标,并在检测船只目标的基础上对目标信息进行进一步的提取与分类,该研究无论在民用及军事方面都具有重要意义。本文围绕船只检测识别方法中预处理及目标检测、分类等主要环节,阐述了各环节面临的难点问题及主要解决方法,指出了目前存在的问题,展望了基于光学遥感图像技术的发展趋势。     

高分辨率遥感影像在土地覆被变化监测中的应用

为了分析高分辨率遥感影像在土地覆被监测中的适用性,以SPOT5和"资源一号"02C卫星高分辨率遥感影像为数据源,对两种数据的波段组合和数据融合方法进行分析评价,并建立相应的土地覆被解译标志,提取研究区2005年和2012年两期土地覆被信息,基于RS和GIS软件平台,从面积变化、土地利用动态度和转移矩阵3方面研究了土地覆被信息的变化规律。研究结果表明,经过有效合成和融合处理的高分辨影像最大限度地保持了影像的纹理和光谱信息,可以正确识别并提取地物变化边界线,研究成果可为高分辨率遥感影像在土地覆被变化监测中的应用提供一定的参考和依据。