利用BP神经网络提取TM影像水体

常用的水体提取方法需要设定阈值,而阈值的选择通常需要反复实验才能确定。为克服这一不足,本文提出了一种基于BP神经网络和光谱特征的水体自动提取方法。首先在TM影像中提取水体样本光谱信息、谱间关系、归一化差异水体指数以及缨帽变换(K-T变换)的第三分量(TC3)特征,然后将这4个特征作为BP神经网络的训练输入参数,最后利用训练好的网络对水体进行提取。对长沙市区TM影像进行水体提取,发现该方法组合了其他方法的优点,在不设置阈值的情况下,得到了更好的水体提取效果。     

北京市河流信息识别与提取

针对传统的河流信息识别和提取方法不适用于平原地区城市这一情况,该文基于北京市河流的自然和人文特征,提取城市水系网络,划分流域边界,并对河流的特征信息进行提取;从城市河流的特征识别、信息提取、空间插值等几个方面进行了总结和归纳,并从实际应用的角度进行了案例分析。研究的思路和方法可以为其他城市的相关工作提供参考。     

一种基于复合特征的中文地名识别方法

中文地名识别是命名实体识别的重要研究课题之一,也是提高地理信息系统应用水平的关键。传统的地名识别主要基于词性或地名要素特征,特征类型有限。提出了一种基于复合特征的中文地名识别方法,挖掘中文地名在自然语言中的特点,设计了类型、路径、距离和数量四种句法特征,基于地名要素特征、词性特征、句法特征三种复合特征利用条件随机场模型实现了中文地名的训练和识别。通过实验对比复合特征在中文地名识别方法的效果,结果表明复合特征能够有效提高中文地名识别的准确率和召回率,尤其是对于复杂地名的识别,具有良好的效果。     

点状符号识别的旋转、缩放不变性研究

针对点状符号神经网络识别中的旋转、缩放不变性问题,利用不变性特征输入和构建旋转、缩放不变性网络两种方法加以实现。前者的关键是提取符号的不变性特征作为网络的输入,后者的重点是构造复合神经网络实现不变性识别分类。     

基于BP神经网络的高分辨率遥感影像分类

为了能有效地从高分辨率遥感影像中提取地物信息,本文通过影像的光谱和纹理特征,利用BP神经网络算法进行影像分类研究。首先提取分类所需的光谱和纹理特征源,然后根据影像和地物特征,建立BP神经网络,用于样本训练和分类处理,实现地物分类。为验证该方法的可靠性,以2006年11月获取的成都平原某区域的Quickbird影像为实验数据,进行高分辨率遥感影像的地物分类实验。实验结果表明,结合影像光谱和纹理特征的BP神经网络分类算法,不仅可以有效保证BP神经网络分类训练的稳定性和收敛速度,还能达到较高的分类精度。     

基于遗传算法的BP网络实现海底底质分类

本文利用灰度纹理共生矩阵和两个分维数作为特征矢量,采用遗传算法训练BP网络,进行海底底质监督分类。以海底侧扫声纳图像为例,通过实测数据验算,取得了理想的效果。     

一种改进的RFB Net遥感影像目标识别算法

针对高分辨率遥感影像场景复杂,现有的目标识别算法检测率较低且速度较慢的问题,提出了一种改进的RFB Net模型。算法在RFB Net模型的基础上构建特征金字塔网络,融合高层语义信息和低层特征信息,提高了网络识别能力。为验证该算法性能,以遥感影像中飞机目标为例进行了实验验证。以油罐和立交桥目标为例,对该算法的推广性进行了实验验证。结果表明,改进的RFB Net模型在遥感影像目标识别中精度较高、速度较快,且具有较好的推广性。     

Sentinel-2A数据支持下的雷州半岛植被类型识别

本文以雷州半岛为研究区,利用Sentinel-2A影像数据和真实植被样本数据,综合探讨了机器学习中随机森林与支持向量机的分类效果,并与传统的最大似然法进行比较。提取Sentinel-2A影像9个波段、7个植被指数、72个纹理特征,通过递归特征消除法挑选了10个特征组合,并将其应用于3种分类方法中,对其分类效果进行比较。结果表明:①有效使用多种特征变量是提高植被类型识别精度的关键,就不同特征对植被类型识别的重要性而言,光谱特征与纹理特征相当且大于植被指数,三者重要性相差不大;②随机森林分类效果最佳,不但能对特征进行有效选择,而且能保证植被类型提取精度,提高运行效率;③基于随机森林特征选择的递归特征消除法得到的特征组合不能对其他分类器性能进行优化,对随机森林模型本身的优化效果也有限。     

单变量特征选择的苏北地区主要农作物遥感识别

遥感识别多源特征综合和特征优选是提高遥感影像分类精度的关键技术。农作物遥感识别中,识别特征的相对单一和数量过多均会导致作物识别精度不理想。随机森林(random forests)采用分类与回归树(CART)算法来生成分类树,结合了bagging和随机选择特征变量的优点,是一种有效的分类方法。单变量特征选择(univariate feature selection)能够对每一个待分类的特征进行测试,衡量该特征和响应变量之间的关系,根据得分舍弃不好的特征,优选得到的特征用于分类。本文基于随机森林和单变量特征选择,利用多时相光谱信息、植被指数信息、纹理信息及波段差值信息,设计多组分类实验方案,对江苏省泗洪县的高分一号(GF-1)和环境一号(HJ-1A)影像进行分类研究,旨在选择最佳的分类方案对实验区主要农作物进行识别和提取。实验结果表明:(1)多源信息综合的农作物分类精度明显高于单一的原始光谱特征分类,说明不同类型特征的引入能改善分类效果;(2)基于单变量特征选择算法的优选特征分类效果最佳,总体精度97.07%,Kappa系数0.96,表明了特征优选在降低维度的同时,也保证了较高的分类精度。随机森林和单变量特征选择结合的方法可以提高遥感影像的分类精度,为农作物的识别和提取研究提供了有效的方法。     

基于小波特征融合的Hyperion影像降维方法

根据影像中地物光谱曲线的小波特征点确定地物识别的合适光谱分辨率,通过融合原先若干窄波段生成具有适合地物识别光谱分辨率的宽波段数据,达到降维高光谱数据的目的。文中对hyperion影像进行坏线和Smile效应去除,经过FLAASH大气校正,得到155个波段。对提取的八类地物的样本平均光谱进行DB4小波分解,计算小波细节系数方差;以小波细节系数信息熵作为特征点,得出不可渗透表面、居民地、水田、裸土4类地物识别适宜光谱分辨率为80nm,其余地物识别适宜光谱分辨率为160nm。以窄波段间的活跃度为指标进行融合,生成降维后的宽波段分别是21个波段和11个波段。8类地物在3尺度和4尺度下的分类结果说明降维影像能满足应用需求,提出的降维方法可行。     

一种适用于多类别遥感图象分类的新方法——复合神经网络分类方法

该文提出一种由多层神经网络与自组织神经网络相结合进行类别遥感图象分类的复合神经网络分类方法。第１步半训练样本按其统计特征分成若干组，用不同级别的训练样本分别训练ＢＰ网络。第２步将这些训练好的ＢＰ网络并联构成有监督分类器，对遥感图象进行有监督分类。第３步用ＢＰ网络的分类结果对Ｋｏｈｏｎｅｎ网络进行自组织训练，用训练好的Ｋｏｈｏｎｅｎ网络构造无监督分类器，对遥感图象进行细分。通过对ＳＰＯＴ遥感图象的分     

多特征融合的高分辨率遥感影像飞机目标变化检测

为利用高分辨率遥感影像实现高精度的飞机目标变化检测,提出了一种自适应的多特征融合变化检测与深度学习相结合的方法。首先,通过加权迭代的多元变化检测法获取变化强度图,并结合自适应的直方图统计法自动获取显著的变化与不变化样本;然后,提取多时相影像的光谱、边缘和纹理特征,完成多特征融合的变化检测,并通过形态学处理得到变化图斑;最后,利用训练的NIN(Network in Network)结构的卷积神经网络飞机识别模型,完成变化图斑的类型判别,实现变化飞机的检测。实验结果表明,本文方法在两组数据的正确率分别达到100%和91.89%,均优于对比方法,能实现准确可靠的飞机目标变化检测。     

结合卷积神经网络与显著性特征的机场检测

遥感影像机场检测中，针对传统人工设计特征的方法稳健性差、检测耗时的问题，提出了一种结合卷积神经网络与显著性特征的遥感影像机场检测算法。利用卷积神经网络快速准确地检测出机场目标，确定兴趣区域，对兴趣区域进行显著性检测和连通区提取，从而获取更加精确的机场边界，最后利用多种场景下的影像进行测试。结果表明，本文方法具有明显的精度和速度优势；利用频率视觉显著性分析方法对获得的机场区域进行视觉显著性检测，可有效获取机场和跑道的精确边界，提高机场检测的效果和实用价值。     

结合数据融合与特征选择的遥感影像尺度多样目标检测

基于深度神经网络模型的遥感影像地物检测取得了巨大成功,很大程度上得益于大规模数据集的支撑。但是,从现有遥感影像数据集本身来看,不同类别地物的数量分布不一致,同类地物对象以不同尺寸大小呈现,是导致地物样本的尺度不均衡问题的直接因素。对此,本文采用数据集内影像加权融合与地物多尺度特征选择的策略来缓解该问题。首先,将数据集内两张影像的像素值进行加权并得到融合后的影像,从而使不同类别地物样本更加均衡且具有较高的背景多样性;其次,通过选择合适尺度的特征图预测相应尺度的目标类别,且允许同一尺度目标在相邻特征图上进行预测,这样使模型能根据目标尺度进行训练;最后,基于目标中心区域的特征图预测目标边界框,预测的边界框更符合目标本身的尺度。通过在两个遥感数据集上分别进行实验,表明训练的模型在对复杂背景下的类别不均衡目标的识别更加准确,能够适应遥感影像下不同尺度目标的识别。     

一种基于线特征的道路网变化检测算法

提出一种基于线特征的道路网变化检测算法。首先根据边缘的梯度信息从多时相遥感图像中提取变化的线特征;然后根据变化线特征的局部特性,检测出与道路模型相符合的变化道路段;最后通过道路网的全局约束条件,进行变化道路段的连接,实现变化道路的检测。提出的道路网变化检测算法将边缘的相位和幅度信息作为变化检测的判定依据,从而避免了道路的匹配与比较工作,降低了变化检测算法的复杂度,具有很强的实用性。将本文提出的方法用于多时相遥感图像的道路网变化检测,从实验结果可以看出该方法的有效性。     

基于多源卫星图像融合的水坝检测方法的研究

本文提出了一种基于多源卫星图像融合的水坝检测方法，该方法在特征级融合的模式下，利用多源卫星图像特征信息互补的优势，先后提取多个卫星图像中目标的特征信息，再通过多传感器数据融合方法中的逻辑模板法对特征进行融合，得到系统的目标结果输出。试验结果显示，该算法能在大幅复杂背景下有效地对水坝进行检测并定位，并减少了单源卫星图像进行目标检测的错判、误判率。整个算法能完全实现自动检测，可达到预想的目的。     

融合多特征的遥感影像变化检测

常规多时相遥感影像变化检测主要基于光谱信息,没有充分利用纹理、几何、形状等多种特征信息,不足以体现检测目标的完整性和准确性。本文针对不同特征在变化检测中应用的优势,在提取影像多种特征的基础上,构建了1维和多维两种基于信息融合策略的变化检测方法,即利用1维特征空间加权距离相似度运算、多维特征空间的模糊集融合和支持向量机融合策略进行变化检测。利用多时相QuickBird高分辨率遥感影像进行城市土地覆盖变化检测试验,结果表明,本文方法可以有效集成不同特征的优势与表征变化信息的能力,提高变化检测过程的稳定性和适用性,同时能够更好地保持变化地物的结构和形状,突出主要变化目标。     

高分辨率遥感影像场景的多尺度神经网络分类法

高分辨率遥感影像场景分类是实现复杂场景快速自动识别的基础,在军事、救灾等领域有十分重要的意义。为了在有限的遥感数据集上获得高识别精度,本文提出了一种基于联合多尺度卷积神经网络模型的高分辨率遥感影像场景分类方法。不同于传统的卷积神经网络模型,JMCNN建立了一个具有3个不同尺度通道的端对端多尺度联合卷积网络模型,包括多通道特征提取器、多尺度特征联合和Softmax分类3个部分。首先,多通道特征提取器提取图像中、高层多尺度特征;然后,多尺度特征联合对多个通道的中、高层多尺度特征进行多次融合以增强特征表达;最后,Softmax对高层特征进行分类。本文在UC Merced和SIRI遥感数据集进行测试,试验表明JMCNN模型在特征表达和计算速度方面均有显著提高,在小样本数据量下分别达到89.3%和88.3%的识别精度。     

联合像元-深度-对象特征的遥感图像城市变化检测

特征空间的构建和优化对遥感图像识别能力的提高具有重要作用。针对面向对象方法对波段光谱信息利用不足,以及像元识别法无法充分利用图像空间几何等信息的问题,本文建立了新颖的联合像素级和对象级特征的航摄遥感图像城市变化检测方法。首先,充分利用像素级和对象级特征的优势,建立考虑光谱、指数、纹理、几何、表面高度及神经网络深度特征的特征空间;然后,引入LightGBM(light gradient boosting machine)算法对大量特征进行选择研究;最后,采用随机森林识别器对宜兴市2012年和2015年两期遥感图像进行识别,利用变化矩阵进行城市的变化检测。结果表明:联合像元、深度、对象特征和LightGBM特征选择算法的识别效果最好,平均的总体识别精度达到了88.50%,Kappa系数达到0.86,比基于像元、深度或对象特征的识别方法分别提高了10.50%、15.00%和4.00%;城市变化检测精度达到了87.50%。因此,本文方法是利用甚高分辨率航摄遥感图像进行城市变化的检测的有效方法。     

遥感影像船舶检测的特征金字塔网络建模方法

船舶作为海上运输载体,其准确检测在海洋环境保护、海上渔业生产管理、海上交通与应急处置及国防安全应用中都具有重要意义和价值。目前基于目标检测网络的遥感船舶检测方法因末层特征分辨率不足和卷积固定的几何结构,导致网络难以适应小尺度且具有随机朝向、形态多变特征的船舶目标,进而限制船舶检测精度。针对该问题,本文提出一种用于遥感影像船舶检测的特征金字塔网络建模方法。首先引入形变卷积/RoI池化模块,以适应朝向和形态多变的船舶目标;其次借鉴在小目标检测中性能出色的特征金字塔网络的建模思想,采用对称式网络和多尺度特征融合的方式进一步融合高级语义和低级空间信息,提升小尺度目标特征分辨率。在40 000幅、船舶目标67 280余个的遥感影像数据集上的试验结果表明,本文方法能够有效集成形变卷积/RoI池化和多尺度特征融合方法,相较传统CNN船舶检测方法取得明显提升,在准确率、召回率及F_1指标上分别达到85.8%、97.9%和91.5%。