基于遥感分类的深度信念网络模型研究

使用Python和TensorFlow作为工具实现基本的深度信念网络,提出了一种改进的Dropout策略,该策略每次只选择部分局部区域数据进行权重的清零,既保持了图像本身的局部信息,又增强了该模型的泛化能力,并使用差分进化进行神经网络的权值和偏移值的优化。通过实验对比表明,改进后的Dropout策略对于防止过拟合有明显的效果,使用差分进化算法对深度信念网络进行参数调整比传统的浅层分类器效果更好。     

集成空间变换结构与深度残差网络的遥感影像场景分类方法

针对传统高分辨率遥感影像的场景分类效率较低,以及卷积神经网络在遥感影像场景分类上由于空间不变性而导致的分类精度不高的问题,提出了一种结合空间变换网络和迁移学习的高分辨率遥感影像场景分类算法.首先,利用ImageNet数据集训练深度残差网络ResNet101得到预训练模型,通过知识迁移提高模型目标探测效率;之后在模型中嵌入空间变换结构,使模型能够主动在空间上变换特征映射,提高模型的鲁棒性;最后,在模型中添加Dropout层减小模型出现过拟合的概率.本方法在AID和NWPU-RESISC45两种不同规模的高分遥感影像数据集上进行了验证,在只有20%训练样本的情况下仍达到了94.30%和93.63%的分类精度.实验结果表明本次改进模型具有更好的特征提取能力,针对易误分类场景的分类结果更优.     

基于多尺度循环注意力网络的遥感影像场景分类方法

高分辨率遥感影像场景分类一直是遥感领域的研究热点.针对遥感场景对尺度的需求具有多样性的问题,提出了一种基于多尺度循环注意力网络的遥感影像场景分类方法.首先,通过Resnet50提取遥感影像多个尺度的特征,采用注意力机制得到影像不同尺度下的关注区域,对关注区域进行裁剪和缩放并输入到网络.然后,融合原始影像不同尺度的特征及其关注区域的影像特征,输入到全连接层完成分类预测.此分类方法在UC Merced Land-Use和NWPU-RESISC45公开数据集上进行了验证,平均分类精度较基础模型Resnet50分别提升了1.89%和2.70%.结果表明,多尺度循环注意力网络可以进一步提升遥感影像场景分类的精度.      

基于深度信念网络的地质实体识别方法

地质实体作为地质信息表达的核心要素,对其准确识别是地质文本数据挖掘和应用的重要基础。本文通过分析各种类型文本数据中地质实体信息的描述特点,构建了地质实体信息的标注规范和语料库,设计了基于深度信念网络(Deep Belief Networks)的地质实体识别模型,解决了文本数据中地质实体信息的结构化、规范化处理问题。以矿产资源地质调查报告为实验数据,对本文的地质实体识别方法性能进行了评估分析。结果表明,深度学习模型能够在较小规模语料库的基础上,达到较好的地质实体识别性能。     

基于ASTER数据遥感影像的决策树分类

以黑龙江省北安市为研究区域,尝试利用ASTER视反射率值进行便利、准确的土地利用分类研究。对ASTER数据进行波段相关分析,确定最佳组合波段;然后重点分析转换为视反射率值的影像特征和光谱特征,从中提取各种典型地物的光谱曲线; 并依据提取的光谱曲线建立基于地物反射率值大小关系或阈值的决策树模型,对研究区不同地物类型进行分类,并对结果进行精度评价。应用效果表明,该方法简单有效,但对于混合光谱容易错分。     

基于光谱指数的遥感影像岩性分类

由于传统的岩性分类方法受岩石辐射干扰因素大, 存在"同物异谱"以及"同谱异物"现象, 岩性分类精度低, 所以在深入分析岩石矿物光谱特征基础上, 以西昆仑成矿带地区的二长花岗岩、石英正长岩以及正长岩为研究对象, 基于这3种岩性的实测光谱数据以及先进星载热发射和反射辐射仪(advanced spaceborne theemal emission and reflection radiometer, ASTER)影像数据的波段设置特征, 建立了RI和SI两种光谱指数.利用所建立的RI以及SI光谱指数对ASTER遥感数据进行岩性分类.结果显示, RI和SI两种光谱指数法在提取二长花岗岩时精度达到70%以上, 石英正长岩精度为80%左右, 与最大似然法得到的分类结果相比, 这两种岩性的分类精度明显提高了.      

遥感影像的分类与识别技术在土地资源调查中的应用

遥感图像记录了地物在空间域、时间域、光谱域的变化信息。利用图像的分类技术 ,能够识别土地利用类型。计算机遥感分类识别原理 ,是利用地物的光谱能量特征差异性和结构特征差异性来识别地物信息。根据北京某地遥感图像实例资料 ,将土地利用类型分为监督分类、非监督分类、最大似然法分类、神经网络分类等。不同的分类方法有各自的特点且分类结果也有一定的差别 ,其中神经网络分类与真实情况最为接近     

基于GEE时间序列遥感影像分类方法研究

为探究不同时间序列密度影像对地物分类影响,笔者以敦化市为研究区,基于Google Earth Engine云平台,以Sentinel-1为数据源,建立10 d、15 d、20 d、30 d等不同时间间隔的时间序列数据集,对建立的时间序列数据集采用随机森林、分类回归树和最小距离3种分类方法进行分类实验,探究3种分类方法的识别能力。结果表明,与分类回归树和最小距离相比随机森林更能准确识别作物,时间序列密度的增加能提高分类精度。选取随机森林分类器对10 d时间间隔的时间序列数据集总体分类精度达到了98.04%。     

基于PCA+RBF的多光谱卫星遥感影像分类

多光谱卫星遥感影像具有波段多,信息量大的特点,传统的分类方法难以达到比较高的精度.这里首先采用主成份分析对多波段遥感图像进行降维,再采用训练后的RBF(radial basis function)神经网络做图像的监督分类.通过对ETM 的遥感数据进行实验,结果表明,这种分类方法的分类精度,明显优于最大似然法、最小距离法等传统的分类方法.同时,与基于像元的RBF神经网络法相比,也有一定的优势.     

基于支持向量机的遥感图像建筑物识别与分类方法研究

高分辨率遥感影像可以更精细地描述地物目标的几何特征、空间特征和纹理特征等信息,在各个领域中都得到广泛的应用。建筑物作为地物信息分类中的主要部分,是地形图成图的主要组成元素,对建筑物的识别与提取,直接影响到地物测绘的自动化水平,对它的识别和定位可以为特征提取、特征匹配、图像理解、制图和作为其他目标的参照体有重要的意义。针对建筑物的遥感影像特征,研究了支持向量机分类器(SVM)在建筑物识别与分类中的应用,提出了一种交叉验证的方法对参数敏感度进行分析,通过使用GridSearch算法确定模型参数设置的最优方案,并对分类结果中建筑物进行轮廓提取。通过实验表明,优化后的SVM算法对建筑物的分类精度达到90%,对比随机森林算法、最近邻分类器优势非常明显。     

SAR遥感数据用于岩性识别与分类的研究

利用新疆北部山区雷达遥感数据,通过遥感数字图像处理与增强,生成雷达遥感假彩色合成影像应用于岩性判释。对不同岩性岩石,利用极化雷达提供的地表岩石的多种散射信息作为输入进行计算机神经网络分类,岩性识别分类的总精度为62.6%。与常规雷达数据分类对比,分类精度与岩石识别正确率均有显著提高。     

基于多光谱遥感影像的巫峡滑坡灾害识别技术研究

三峡库区地质结构复杂,尤其是巫峡高陡岸坡发育区域历来是滑坡灾害高发区,对三峡库区的安全运行构成威胁.为了厘清巫峡高陡峡谷区滑坡灾害发育的高精度多光谱遥感影像特征,本研究以高精度遥感影像资料为基础,以巫峡高陡峡谷区为研究对象,应用面对对象的分类方法对研究区的高精遥感影像进行分割和分类,结合多尺度分割和ESP(Estimation of Scale Parameter)工具确定最优分割尺度,选取典型的滑坡对象样本进行最近邻分类,探索基于高精度多光谱遥感影像的高陡峡谷区滑坡灾害识别技术方法.经试验得出高陡峡谷区基于高精度多光谱遥感影像的滑坡灾害识别的最优分割尺度为720,形状因子和紧致度为0.5,在分割基础上,进行分类和滑坡信息提取.通过对比已有滑坡灾害资料,基于遥感影像自动识别滑坡灾害技术得到的研究区滑坡灾害分布结果总体精度达到了0.8696.研究结果表明,基于高精度的遥感影像自动识别滑坡灾害技术方法能够较好地进行分割与滑坡识别,精度评价的结果比较符合实际.研究结果为巫峡高陡峡谷区滑坡灾害的识别、调查、预测和防治提供依据,对三峡库区滑坡灾害的早期识别和防灾减灾有重要意义.     

浅析基于BP神经网络和先验知识的伊犁河谷遥感影像分类

本文通过利用新疆伊犁河谷伊宁县的SPOT5遥感影像,基于人工神经网络中的BP算法,在Matlab7．0软件平台下,对主成分变换后的遥感影像进行土地利用分类进行讨论．．然后根据错分地物的空间位置,将分类结果矩阵中的错分类别替换为正确类别,进一步提高分类精度。结果表明,与传统的监督分类方法相比,分类总体精度提高了12．67％,Kappa系数提高了0.214,证明人工神经网络和先验知识相结合是一种有效的分类方法。     

基于深度特征的双极化SAR遥感图像岩性自动分类

基于像元基元、极化合成孔径雷达（Synthetic Aperture Radar,SAR）数据和传统机器学习算法的岩性分类方法,易受SAR图像固有斑点噪声影响,精度不高.为了降低噪声的影响,本研究以大尺度像元邻域为基元,用于表征地表地质体的遥感图像特征和岩性语义信息;采用高分三号双极化SAR数据进行极化分解构建3通道假彩色合成影像;然后采用深度卷积神经网络（Deep Convolutional Neural Network,DCNN）迁移学习的方法,提取有效的深度特征表示,分别实现5 m和15 m两种空间分辨率下岩性遥感自动分类.结果表明:基于不同分辨率数据和不同DCNN算法,岩性遥感自动分类的总精度均大于80%,最高精度达到91%.基于大尺度像元邻域和DCNN迁移学习方法,能够实现基于SAR数据的高精度岩性分类.      

基于Kurtosis-IHS的遥感影像融合

针对传统IHS遥感影像融合的光谱扭曲和易引入噪声问题,提出了一种基于Kurtosis-IHS的遥感影像融合方法：从多光谱图像强度分量与全色图像最优逼近的角度出发,迭代求解多光谱各波段图像融合系数,减少光谱失真;根据全色图像的峭度获取其细节分量,达到抑制噪声的目的;最后使用基于Kurtosis-IHS的融合公式得到融合结果.实验选取2组实际遥感数据,结果表明,融合方法在CC、ERGAS、RASE、RMSE及SID 5个光谱性能评价指标上均优于传统的IHS、PCA、DWT及NSCT融合方法,在第二组遥感影像融合测试中,Kurtosis-IHS方法比传统IHS方法的5个指标分别提高了41.80％、57.09％、57.11％、57.11％、49.74％;在含噪环境下,融合方法的融合结果PSNR值均达到最大.所提出的Kurtosis-IHS方法优于传统的IHS融合方法,在提高空间分辨率的同时,具有较好地保持光谱信息及有效抑制噪声的优点.     

基于深度置信网络的CRISM影像火星表面矿物识别方法

鉴于传统的光谱特征参数方法存在不能综合考虑光谱在整个波长范围内的谱形、对于单一吸收带相似的不同矿物难以区分等问题,研究采用深度置信网络方法对火星专用小型侦察影像频谱仪(CRISM)高光谱影像中的火星表面矿物进行自动识别,该算法具体包括:①预训练阶段。利用非监督算法逐层训练受限玻尔兹曼机,自动学习模型参数,提取光谱特征。②调优阶段。将自动学习的光谱特征输入分类器,采用反向传播算法对模型进行监督微调,识别矿物在CRISM影像中的分布。在算法的研究中,采用光谱比值方法降低火星表面灰尘等噪声对矿物光谱的影响,并探讨样本数量、隐含层节点数、网络深度等对算法识别精度的影响,试图构建适宜于CRISM影像火星表面矿物识别的深度置信网络模型。以火星表面镁铁蒙脱石和氯盐为例进行测试,实验结果表明:该方法能够对火星表面矿物进行自动识别,准确率达到85%以上,与光谱参数法的识别结果基本叠合,并能够探测光谱参数法未能识别的部分矿物分布。     

基于高分遥感影像和集成机器学习的祁连山区融冻泥流识别研究

受气候变暖影响，青藏高原的多年冻土正在发生广泛的退化，主要表现为融冻泥流事件的频繁发生，对生态系统和当地基础设施造成深刻影响。融冻泥流的精准识别有助于理解融冻泥流的发生和演变机制。近年来尽管基于深度学习的融冻泥流识别取得了进展，但机器学习算法在该领域的识别能力仍有待探究。本研究基于GF-2卫星遥感数据构建了一种基于集成机器学习的优化面向对象融冻泥流识别算法，引入了纹理和几何等空间信息来辅助识别融冻泥流，并基于面向对象技术改善了识别模型的错分问题。此外，基于集成学习整合不同机器学习模型的优势，以获得不低于常用深度学习模型的识别精度。结果表明，基于递归特征消除（RFE）特征选择算法剔除了多维特征数据集中的冗余特征，证明了纹理和几何信息是融冻泥流识别的有效数据补充。在优化后的面向对象机器学习模型中，随机森林（RF）的识别精度最高，总体精度为87.43%。McNemar检验表明，与单一模型相比，集成机器学习模型显著提高了融冻泥流识别精度，其总体精度为93.14%。对研究区内融冻泥流的地形特征进行统计分析后发现融冻泥流主要发生在海拔3 200～3 500 m之间，坡度介于5°～25°，并且以东北...     

基于各类特征对齐迁移网络的多时相遥感图像分类

为了在目标域遥感图像不存在标记数据的情况下实现自动分类,论文提出一种基于特征对齐的迁移网络.网络以各类类心对齐和协方差对齐作为迁移策略,全面描述域间各类别之间的对应关系,实现知识迁移.另外,网络采用线性修正单元作为激活函数,能够产生稀疏特征,提高分类效果.该迁移网络能够同时获得对齐的特征和自适应分类器,不需要目标域的标记数据,实现无监督迁移学习.在多时相的Hyperion高光谱遥感图像和WorldView-2多光谱遥感图像上的实验结果证明了该迁移网络的有效性.      

卫星遥感影像与航空遥感影像的对比分析

本文对卫星遥感和航空遥感进行对比,并选取同一区域同时期同一比例尺的卫星遥感影像和航空遥感影像的DOM,进行土地利用地类的判译识别,通过对比分析,探讨了利用高精度卫星遥感影像进行土地利用更新的可行性。