基于回归CNN特征融合的遥感图像检索方法

针对单一图像特征不能够全面反映图像信息,导致不同图像检索性能差异性较大的问题,该文提出了一种基于回归卷积神经网络(CNN)自适应融合多特征的遥感图像检索方法。该方法利用回归CNN模型对各特征的初始检索结果进行评价和估计权重,然后根据权重融合特征,以弥补单一特征对于图像描述能力的不足,提升检索精度。此外还利用图像到查询类的距离来进一步提高检索性能。在UCMD和PatternNet两个公开遥感检索数据集上进行了算法的测试和验证,mAP较其他方法分别提升了2.13%和1.32%。结果表明,该方法能够提高遥感图像检索的性能。     

山区遥感图像的特征选择与检索研究

针对遥感图像特征存在冗余及图像检索效率低的问题,提出一种基于贡献值的有效特征选择及其分类检索方法。对高分一号(GF-1)河北省阳原地区的村落、山脊、水体遥感图像,对比Hu矩、小波分解和灰度共生矩阵特征,发现使用Hu矩较适用于识别村落,而对山脊和水体的识别率低;引入区分山脊和水体的颜色特征,并与Hu矩构成特征空间,实现山区遥感图像分类和检索。实验结果表明,该方法能够选取出图像特征中的主要分量,具有高效、实用、方便的特点,检索查准率达到92%,查全率达到88%。     

卷积神经网络多层特征联合的遥感图像检索

针对卷积神经网络的特征表达方法难以满足大规模遥感图像检索需要的问题,该文将卷积层特征和全连接层特征进行联合,提出一种基于卷积神经网络多层特征联合的遥感图像检索方法。该方法提取不同卷积层特征作为图像的局部特征,提取全连接层特征作为感兴趣区域,并对二者进行跨层整合得到新的图像特征并应用于图像检索。实验结果表明,与利用单一的全连接层或者卷积层特征以及传统的经典检索方法相比,该方法取得了很好的检索结果,能够更好地保留图像的全局信息和空间结构信息,提高遥感图像检索的性能。     

基于CNN模型的遥感图像复杂场景分类

复杂场景分类对于挖掘遥感图像中的价值信息具有重要意义。针对于遥感图像的复杂场景分类,提出了一种基于卷积神经网络(convolutional neural network,CNN)模型的分类方法,在该方法中构建了8层CNN网络结构,并对输入图像进行预处理操作以进一步增强模型的适应性,且在模型分类器的选择问题上提供了Softmax和支持向量机2种分类器,使其能够自动化提取特征,避免了前期繁琐的图像处理和人工提取特征等过程。在UC Merced Land Use和Google of SIRI-WHU这2组数据集中进行实验,结果表明,相比于CNN with Overfeat feature和SRSCNN方法,该模型提高了2%以上的分类精度,且2种分类器的总体分类精度均能达到95%以上。     

基于人工免疫系统的遥感图像检索

为了提高遥感图像检索的准确性,提出了一种基于人工免疫系统(artificial immune system)的遥感图像检索算法。该算法根据相关反馈技术及免疫机理,利用克隆选择算法对用户反馈的图像特征进行泛化学习,从而提高了系统对用户语义的理解能力。实验结果表明,该算法能有效理解用户的反馈信息,能提高检索的准确性。     

多视觉特征与K-centroid聚类的高分辨率遥感图像检索

目前基于单一内容的高分辨率遥感图像检索具有描述片面、信息不精确的问题。针对此问题,充分利用遥感图像的颜色、形状和纹理特征,将三者综合起来,形成多视觉特征的遥感图像检索,并通过一系列的迭代运算,得到这三种特征对待不同类遥感图像时各占的最佳比例系数,从而得到较好的检索结果。并针对分别计算遥感图像的颜色、形状和纹理特征,再将其融合导致在大图像库中进行检索时检索速度较慢这个问题,引入改进的K-centroid聚类算法,先对遥感图像库中的图像进行聚类,大大缩小了检索的范围,提高了检索速度。实验结果表明,该方法具有较好的检索结果。     

变异系数降维的CNN高光谱遥感图像分类

为了实现地物精准分类,需要有效地提取与分析高光谱遥感图像中丰富的空—谱信息。提出一种适用于高光谱遥感图像分类的变异系数与卷积神经网络相结合(CV-CNN)的方法。这种新方法引入变异系数的思想来衡量高光谱遥感图像不同波段之间的相似性和差异性,从而提出类间变异系数(CVIE)和类内变异系数(CVIA)的概念。通过计算(CVIE)~2/CVIA的值来剔除高光谱遥感图像中的低效波段,然后提取每个像素的空一谱信息,并对其进行2维矩阵化操作,转化为便于卷积神经网络(CNN)输入的灰度图像,最后采用自行构建的适合于高光谱遥感图像分类的CNN模型进行分类。Indian Pines和Pavia University两组数据的实验结果表明,该方法在两种数据集下的总体精度分别达到98.69%和99.66%,有效地改善了高光谱遥感图像的分类精度。     

融合相容粒理论的遥感图像检索

为了提高遥感图像检索的效率和准确性,提出了一种融合相容粒计算模型的遥感图像检索方法。首先,根据相容粒理论定义了区域相容粒、图像相容粒和区域相容粒信息表等相关概念,将遥感图像粒化;然后,计算出图像区域相容粒的相似度;最后,结合综合区域匹配算法,提出融合相容粒理论的遥感图像相似性度量算法,并利用IKONOS影像进行对比实验。实验结果表明,融合相容粒理论的检索算法能够提高遥感图像检索的查准率,与综合区域匹配算法相比,本文算法查准率提高了12.08%,基本满足用户需求。     

基于CNN-DW的遥感图像分类检索方法

针对传统图像检索方法存在的检索范围过大、检索效率低下的问题,提出了一种基于卷积神经网络和距离权重的图像检索方法(CNN-DW),该方法可以从海量遥感图像中检索出与查询图像具有相似或相同特征的检索图像,图像检索试验表明:CNN-DW检索法较传统卷积神经网络(Convolutional Neural Networks,CN...     

基于CNN-CBIR的遥感图像分类检索方法

遥感图像海量性、复杂性与多样性特征导致现有方法出现查全率、查准率低的问题,无法满足现今遥感图像应用的需求,故提出基于卷积神经网络-图像检索(Convolutional Neural Networks-Content-Based Image Retrieval,CNN-CBIR)的遥感图像分类检索方法研究.为了精确分类遥...     

深度学习的半监督遥感图像检索

遥感图像数据的海量性、多样性和复杂性等特点对遥感图像检索的速度和精度提出了更高的要求,其中特征提取是影响遥感图像检索效果的关键。本文方法首先对遥感图像进行预处理,然后基于稀疏自动编码的方法在大量未标注的遥感图像上进行特征学习得到特征字典,基于卷积神经网络的思想,使用训练出来的特征字典对遥感图像进行卷积和池化得到每幅图像的特征图;接下来使用特征图训练Softmax分类器;最后对待检索图像分类,在同一类别中计算特征间的距离,进而实现遥感图像的检索。实验结果表明,该方法能够有效提高遥感图像检索的速度和准确度。     

遥感聚合图像的快速拓扑矢量化方法

鉴于当前遥感图像矢量化效率普遍不高,提出了一种遥感聚合图像的快速拓扑矢量化方法。该方法对聚合图像中的聚合对象进行唯一性标号,并将这个标号作为属性赋予生成的矢量多边形,通过矢量多边形的标号间映射关系便可以快速建立复杂岛屿多边形的拓扑包含关系。试验表明,该方法能够精确地完成斑块对象边界追踪及复杂岛屿多边形处理,并显著提高矢量化的速度。     

归一化转动惯量特征的遥感影像检索

针对传统遥感影像检索方法大多存在精度不高、效率低下等不足的问题,该文提出了一种基于归一化转动惯性特征的遥感影像检索算法。该算法对经过脉冲耦合神经网络处理的二值影像序列进行计算,提取影像序列的归一化转动惯量特征;同时,利用马氏距离结合Pearson积矩相关法来度量各特征矢量之间的相似性,提高检索结果的正确率。实验结果证明,该算法有效地兼顾了影像的内容结构信息,不仅可以快速地进行检索计算,还能提高检索精度。     

多分类器实例协同训练遥感图像检索

提出一种基于多分类器协同训练的遥感图像检索方法,该方法在不同特征集上分别建立分类器,利用不同分类器的协同性自动标记未知样本,从而有效解决了小样本问题。通过与相关反馈方法进行实验比较分析,结果表明,这两种方法各有优劣,检索结果基本相当,然而多分类器协同训练方法避免了相关反馈过程中人工的多次反馈,自动化程度更高。     

基于直方图的遥感图像相似性检索方法比较

相似性度量是用于研究多源数据之间相似程度的，是对空间数据进行模式识别的基础。通过单波段遥感图像的检索对两组直方图相似性检索方法进行了实验研究，即基于特征向量的相似性度量和基于概率的相似性度量。实验中发现第一组相似度量中有两种以往较少用于遥感图像检索的方法表现出色，它们分别是，统计距离和相似夹角余弦度量。第二组实验中，针对其中包含较明显的目标物体且背景较为单一的遥感图像（其直方图可看作混合高斯分布），在类别可分离判据的基础上，根据K-近邻法则提出了一种计算该类图像之间相似值的方法。实验结果表明基于K-近邻法则的计算方法行之有效。所得出的结论将对多源数据分析中相似性度量的理解与选择有积极意义。     

基于内容的遥感图像数据库植被区域检索

随着遥感图像数量的急剧增加,基于内容的遥感图像检索系统已成为一个研究热点。该文在以综合区域匹配算法为图像相似度度量的前提下,提出了以空间绿颜色特征值降序排序的遥感图像数据库植被区域检索方法。首先,用综合区域匹配算法对图像进行相似度度量;然后,依据这些图像的空间绿颜色特征值对图像进行降序排序,从而得到含有植被区域这一高级语义特征的检索结果。实验表明:该方法将检索查准率提高了20%,检索效率明显提高,可满足用户的需求。     

基于内容的遥感图像数据库城市区域检索

对于大型遥感图像数据库,如何快速准确地检索到需要的图像数据,是一个关键问题。该文在以综合区域匹配算法为图像相似度度量标准的前提下,提出了根据平均高频信号强度降序为排序标准的遥感图像数据库城市区域检索方法。首先,用综合区域匹配算法对图像进行相似度度量;然后,依据这些图像的平均高频信号强度,按降序对这些图像进行重新排序从而得到含有城市区域这一高级语义特征的最终检索结果。实验表明:该方法将检索查准率提高了27%,而且检索效率高,可以满足用户需求。     

一种新的基于内容遥感图像检索的图像分块策略

对常用的图像分块方法进行了说明，提出了平均块覆盖率、冗余数据比率等概念，以及平均块覆盖率和冗余数据比率是衡量CBRSIR系统分块方法优劣的重要标准这一论断。在此基础上，针对Quin-树存在的主要问题，提出了一种新的分块策略——Quin^＋-树，并将Quin^＋-树和Quad-树、Quin-树和Nona-树进行了分析和比较。实验证明，Quin^＋-树是最实用可行的CBRSIR图像分块方法。     

一种改进包模型的遥感图像检索方法

目的 提出了一种改进的包模型图像检索方法,使用本底图像构建视觉词汇字典。在建库过程中,通过近似KD-Tree搜索本底图像局部不变特征与入库图像特征间的对应匹配关系,并记录该关系;图像检索时,搜索检索图像与本底图像特征的对应关系,进而计算与入库图像的关系。该方法仅保存本底图像的局部不变特征,可实现感兴趣区域的图像检索。实验结果表明,该方法在提高图像检索准确性的同时,可以减少所需存储局部不变特征的数量。     

基于边缘图与边缘方向的遥感图像检索

本文在系统介绍遥感图像检索中边缘特征描述方法的基础上,将边缘特征归纳为边缘图和边缘方向两类特征。通过对遥感目标图像库和纹理图像库上所做实验的分析,揭示了不同算法的特性,并指出综合两类特征可进一步提高算法的检索性能。