基于面向对象与深度学习的典型地物提取

针对遥感图像地物分割问题面向对象方法可以将不同地物分割到不同的对象之中,在很大程度上解决了农作物、林地、水体、道路、建筑物等典型地物的混分问题,但面向对象方法对于形状、纹理等特征描述仍不够全面,信息量还不足以支撑完整的地物分类、识别。提出一种将面向对象与深度学习相结合的新方法,选用卷积神经网络Caffe框架,对训练样本数据进行深度学习,掌握不同对象的纹理等特性,形成深度学习模型,反过来指导对象分类。实验表明,新方法可以有效解决典型地物分不准的问题。     

基于高分一号卫星影像的多种融合方法比较

以扬州地区为试验区,利用高分一号(GF-1)卫星全色及多光谱影像数据开展融合试验,将PCA、GS、Pansharping 3种传统融合方法与Elbakary、Proxy-sharpening和SFIM等以全色波段为尺度因子的融合方法进行对比,从光谱继承性和空间融入度两方面分析融合效果,寻找适合GF-1号卫星影像的较佳融合方法。结果表明,传统融合方法在光谱继承性和空间融入度两方面的评价结果中保持一致,且Pansharping方法在定性和定量分析中都为最优;以全色波段为尺度因子的融合方法其空间融入度随着光谱继承性的降低而增加;基于不同移动窗口大小的SFIM方法其光谱继承度和空间融入度均属最优,其中,移动窗口为5×5和7×7时,整体融合精度高于其他方法。