基于神经网络模型的遥感影像几何校正研究

在遥感影像几何校正方法中,通常认为精度最高的是共线方程模型.针对共线方程模型定向参数解算过程中误差方程的病态问题,提出了利用基于控制点的神经网络方法进行高分辨率遥感影像几何校正方法,并从理论上进行了可行性分析.实验证明,在具有一定数量控制点作为训练样本的条件下,应用BP和RBF神经网络进行遥感影像几何校正,可以达到比共线方程模型更高的精度;神经网络模型能够自动抑制含较大误差控制点对模型纠正精度的影响,在实际应用中可以提高几何校正效率.     

Boosting和Bagging算法的高分辨率遥感影像分类探讨

多分类器集成能够有效地提高遥感分类精度、降低结果中的不确定性,基于样本操作的Boosting和Bagging算法是多分类器系统常用的两种算法。针对高分辨率卫星遥感分类的需求,以Qu ickb ird数据为例,分别以BP神经网络、RBF神经网络和决策树为基分类器,对Boosting和Bagging算法的应用效果进行了实验和分析评价,结果表明Boosting算法和Bagging算法能够用于高分辨率遥感影像分类,具有较好的分类性能。     

基于RBF神经网络的遥感影像分类器设计

设计了一种运用径向基函数神经网络进行遥感影像分类的监督分类器,以实际的遥感光谱影像分类为例,将分类效果同传统的最小欧氏距离法分类进行比较,探讨了RBF分类的优越性,结果表明RBF神经网络是一种更为有效的图像分类器。     

基于RBF神经网络的遥感影像分类算法研究

提出了运用径向基函数神经网络和K均值法进行遥感影像分类的算法，以实际的遥感影像分类为例，通过与传统的最小距离法进行比较，对RBF神经网络分类器的优点进行了归纳，并就算法实施中的一些问题进行了探讨。分析结果表明，RBF神经网络是一种有效的图像分类器。     

基于神经网络集成的遥感图像分类与建模研究

对神经网络模型及其集成技术进行深入研究,并将神经网络的信息处理机制应用于影像信息的分类与建模。针对高分辨率遥感图像分类问题,介绍了神经网络应用于图像分类的算法。本文采用BP、RBF和Hopfield神经网络分别进行网络的构建与分类,基于Bagging和Boosting生成个体网络,应用投票方式决定分类结果,并与单个神经网络分类结果对比,计算分类器的分类精度。实验分析表明,该方法具有较强的泛化能力与较高的分类精度等优点,分析了不同集成方式的优缺点。     

基于卷积神经网络模型Faster R-CNN的遥感影像目标识别研究

目标识别是遥感高分辨率影像时代的重要应用方向。采用深度卷积神经网络对遥感影像学习训练,能够从遥感影像中自动提取出多个具有代表性的典型地物特征以及特征组合,并应用于多变而复杂的遥感影像数据中进行目标分类识别。本研究选用NWPU VHR-10数据应用于Faster R-CNN卷积神经网络模型中,并采用MAP进行评价,研究中得到了较好的检测精度,证明在遥感影像数据中采用深度卷积神经网络进行目标识别有着广阔的应用前景。     

结合超像素和卷积神经网络的国产高分辨率遥感影像云检测方法

由于国产高分辨率卫星遥感影像波段少、光谱范围窄，导致传统云检测方法精度低。本文提出了基于卷积神经网络的高分辨率遥感影像云检测方法。首先采用主成分分析非监督预训练网络结构，获取待测遥感影像云特征；然后采用超像素分割方法进行影像分割；最后将检测结果影像块拼接，完成整幅影像云检测。试验效果评价表明，基于卷积神经网络的高分辨率遥感影像云检测方法不受光谱范围限制，云检测精度高，误判较少，适合国产高分辨遥感影像云检测。     

卷积神经网络在高分遥感影像分类中的应用

针对目前应用于高分辨率遥感影像分类的常用算法,其精度已无法满足大数据环境下的分类要求的问题,该文提出了卷积神经网络分类算法。卷积神经网络模型降低了因图像平移、比例缩放、倾斜或者共他形式的变形而引起的误差。在大数据环境下,采用卷积神经网络算法对高分辨率遥感影像进行分类,避免了特征提取和分类过程中数据重建的复杂度,提高了分类精度。通过实验比对分析,证明了卷积神经网络在高分辨率遥感影像分类中的可行性及精度优势,对遥感图像处理领域等相关工作提供了参考价值。     

基于端到端全卷积神经网络的道路提取

高分辨率遥感影像中道路网的提取是智能地物提取和分析的重要方面,研究遥感图像的道路提取方法具有重要科学意义。本文以马萨诸州航空影像道路数据集为试验数据,设计一种基于端到端的全卷积神经网络模型,基于此分别对郊区道路网以及城区密集道路网进行试验分析,并与传统的监督分类算法进行比较。试验结果表明,基于卷积神经网络的深度学习算法可较高精度地从高分辨率遥感影像中提取道路信息,召回率与F1评分有着25%～47%左右的提升。     

高分辨率遥感影像深度迁移可变形卷积的场景分类法

近年来基于深度卷积神经网络的高分辨率遥感影像场景分类成为广泛关注的焦点.由于现有深度卷积神经网络对遥感场景影像的几何形变不具有稳健性,本文提出了一种基于深度迁移可变形卷积神经网络(DTDCNN)的场景分类方法.该方法先利用大型自然场景数据集ImageNet上训练的深度模型提取遥感影像的深度特征,然后引入可变形卷积层,进一步学习对遥感场景的几何形变具有稳健性的深度特征.结果表明:增加可变形卷积后,DTDCNN在AID、UC-Merced和NWPU-RESISC45数据集上的精度分别提高了4.25％、1.9％ 和4.83％.该方法通过对场景中不同目标进行感受野自适应调整,增强了空间采样位置能力,有效提高了遥感场景分类的精度.