CNN影像输入尺寸和分辨率对川西针叶林植被分类精度的影响

川西亚高山针叶林位于中国西南地区,受多云、多雨、多雾的影响,难以通过卫星影像进行植被分类的研究。为了解决这一难题,本研究选取川西亚高山针叶林的典型区域王朗自然保护区作为研究区,使用多旋翼无人机获取研究区域北部高分辨率RGB影像,结合卷积神经网络进行植被分类;为进一步挖掘卷积神经网络在无人机遥感影像上的潜力,选择语义分割方法 （U-Net）进行分类,并根据不同分辨率的无人机影像和不同尺寸下的样本集构建植被分类模型,建立森林指纹库。结果表明：（1）结合无人机可见光影像和CNN模型进行分类能够获得高精度分类结果。在空间分辨率为5 cm,尺寸为256×256像素的情况下达到最优,总体精度为93.21%,Kappa系数为0.90;(2)选择合适的尺寸大小能够提高模型的分类精度。在5 cm的空间分辨率下,尺寸为128×128像素的模型总体精度为82.30%,Kappa系数为0.76;尺寸为256×256像素的模型总体精度为93.21%,Kappa系数为0.90;(3)超高空间分辨率的升高对模型精度的提升是有限的。当空间分辨率从10 cm升到5 cm时,模型的总体精度提高了0.02,Kappa系数提...     

面向高光谱影像分类的生成式对抗网络

为了提高高光谱影像分类精度，提出了一种基于生成式对抗网络的高光谱影像分类方法。生成式对抗网络由生成器、判别器和分类器3部分组成，其中生成器用于模拟高光谱样本的数据分布，生成特定类别的样本；判别器是一个二值分类器，用于判断输入的样本是否为真实数据；分类器用于对输入的样本进行分类。利用反向传播算法依次更新生成器、判别器和分类器的网络参数使损失函数最小，从而达到训练网络的目的。生成器和判别器能够模拟高光谱影像的样本分布来辅助训练分类器，因此能够提高高光谱影像的分类精度。分别采用Pavia大学和Salinas高光谱数据集进行分类试验，试验结果表明提出的分类方法能够在小样本条件下提高高光谱影像的分类精度。     

利用PSP Net实现湖北省遥感影像土地覆盖分类

提出了一种基于金字塔场景解析网络(pyramid scene parsing net,PSP Net)的深度学习算法。以湖北省遥感影像为实验数据,借助PSP Net的上下文场景解析能力,研究湖北省30 m分辨率的土地覆盖。实验使用了湖北省Landsat卫星影像中507景900×600像素的标准分幅影像,通过预处理生成了适用于深度学习的样本集。选择其中300景为样本,包括训练集240个、预测集44个和验证集16个。使用快速特征嵌入卷积结构(convolutional architecture for fast feature embedding,CAFFE)下的PSP Net模型对样本数据进行训练,设置了10×10-10的学习率,选择了第100万次的训练模型,很好地防止了数据的过拟合。通过模型的泛化和样本的泛化与迭代,对湖北省2000年、2005年、2010年3期的Landsat卫星影像土地覆盖进行分类,分类精度分别达到82.2%、83.4%和83.7%。研究结果表明,基于PSP Net的深度学习算法可以快速、有效和精确地实现大范围的遥感影像土地覆盖分类。     

合理尺度纹理分析遥感影像分类方法研究

纹理分析是提高遥感影像分类精度的重要手段之一。纹理特征与地物类别尺度密切相关,应用纹理特征进行遥感影像分类, 关键在于纹理尺度的确定。对于灰度共生矩阵纹理分析来说,就是选择大小合适的纹理窗口。根据样本半变异值在较小范围内有较 大变化的特性,研究遥感影像相邻像素之间的空间关系,将半变异值开始趋于恒值时所对应的步长作为纹理分析的窗口大小,并在 纹理特征提取过程中针对每一个像素,在最大似然分类结果的约束下,适时改变其窗口大小,提取纹理特征,提出一种合理尺度纹 理分析的遥感影像分类方法。最后,选择北京市昌平区2006年SPOT 5遥感影像,利用TitanImage二次开发环境实现了该方法。实践 证明,该方法能有效提高遥感影像的分类精度。     

多尺度下的半自动面向对象SAR影像分类

给出了一种评估不同分割尺度的总分类精度,搜寻最高精度分类结果的半自动面向对象SAR影像分类方法.首先训练像素样本;然后利用分水岭分割SAR数据的幅度影像,基于极化散射特征合并初始分割区域,得到不同尺度下的影像分割结果,利用样本坐标确定分割区域,计算各区域内强度、散射角、熵、反熵以及相干矩阵的最大特征值(λ1)等特征的平均值.将上述平均值作为分类特征以训练对象样本;再利用SSVM执行分类,通过评估不同分割尺度下的分类结果,搜寻最高总分类精度.该方法在减少人为干预的条件下,半自动搜寻到了适合分类的分割尺度,解决了尺度选择问题,实现了面向对象的SAR影像分类.采用该方法对荷兰Flevoland地区的SAR影像进行了实验.结果表明,本文方法的总分类精度达到了93.32％,与基于像素的分类精度(76.52％)相比,精度得到了提高.     

面对高光谱影像分类的半监督阶梯网络

提出一种半监督阶梯网络用于对高光谱影像进行分类,以解决小样本条件下基于堆栈式自编码器的高光谱影像分类方法分类精度不高的问题。首先,该网络以堆栈式自编码器为基础,在编码器和解码器之间增加横向连接参数构建阶梯网络,以使网络适合半监督分类;然后将无监督损失函数与有监督损失函数之和作为最终优化的目标函数,采用半监督的方式对整个网络进行训练。为进一步提高分类精度,提取局部二值模式纹理特征进行分类实验。实验结果表明:提出的半监督阶梯网络能够较好地解决高光谱影像分类小样本问题;且LBP纹理特征能够有效提高分类精度。     

一种基于卷积神经网络的SAR变化检测方法

为了降低合成孔径雷达(SAR)影像中相干斑对变化检测的影响、减少标注样本的人工成本,该文发展了一种联合分层模糊C均值聚类(FCM)与卷积神经网络的非监督SAR变化检测方法。首先,利用邻域均值比算子计算前后时相的差异图,并利用分层FCM将差异图非监督地初始分割为变化类、非变化类及待确定类别像素;然后,为解决非监督选取样本时出现的样本不均衡问题,提出一种频率不变降采样的数据抽样方法,选取高置信度的变化与非变化样本用于网络训练;最后,利用训练完成的神经网络对待确定类别像素进行分类,得到最终变化结果。采用真实SAR影像数据进行实验。结果表明,该文方法方便有效,具有较高的检测精度。     

结合FCN和多特征的全极化SAR土地覆盖分类

针对极化合成孔径雷达(PolSAR)影像地物分类特征表征性弱,以及传统全卷积网络(FCN)分类精度较低、效果差的问题,该文提出了一种结合FCN和多特征的全极化SAR土地覆盖分类算法。首先,根据PolSAR影像和极化目标分解获取散射特征参数构建特征空间,利用主成分分析(PCA)对特征空间实现降维,以优化特征组合;接着,以SegNet建模思想为基础,在网络中层嵌入多层多尺度非对称卷积单元(MACU)结构,并在中层添加代价函数构建双代价收敛(DC)结构,基于此设计了DC-MA-FCN网络;然后,以优化后的特征组合为输入,通过DC-MA-FCN网络进行多层自主学习训练网络,并利用训练好的网络进行PolSAR影像初始分类;最后,组合DC-MA-FCN网络分类结果和形态学方法实现最终分类。该方法对两地区的PolSAR影像进行取样和试验,并使用多种评价指标定量分析,表明了算法的可行性和有效性。     

面向对象的高光谱遥感影像稀疏表示分类

稀疏表示用于高光谱遥感影像分类多是基于像素层次来处理的。文中提出一种面向对象的高光谱遥感影像稀疏表示分类方法。首先从高光谱影像中提取4个波段组成标准的多波段影像,进行面向对象的影像分割;然后计算各对象在各波段上的光谱均值,并选取少量样本进行训练;最后利用基于Fisher字典学习的稀疏表示进行高光谱遥感影像的分类。实验结果表明,该方法可以利用较少的样本得到较好的分类效果,与基于像素层的稀疏分类相比较,分类精度与效率均有所提高,分类结果更接近真实地物,避免了零碎图斑。     

IEU-Net高分辨率遥感影像房屋建筑物提取

房屋建筑物作为人类活动的主要场所,快速准确地将其从高分辨率遥感影像中提取出来,对促进遥感信息在防灾减灾、城镇管理等方面的应用具有重要意义。本文基于深度学习,提出了高分辨率遥感影像房屋建筑物像素级精确提取方法。首先,针对样本图像边缘像素特征不足现象,以U-Net模型为基础提出IEU-Net模型,设计了全新的忽略边缘交叉熵函数IELoss并将其作为损失函数,另外添加Dropout和BN层在避免过拟合的同时提高模型训练速度和鲁棒性。其次,为解决模型特征丰富度有限的问题,引入形态学建筑物指数MBI,与遥感影像RGB波段一同参与到模型的分类过程。最后,在模型预测时与IELoss相对应采用忽略边缘预测策略从而获得最佳建筑物提取结果。实验对比分析表明：本文方法能有效克服样本边缘像素特征不足问题并抑制道路、建筑物阴影对结果的影响,提升高分辨率遥感影像中房屋建筑物的提取精度。