共查询到20条相似文献，搜索用时 513 毫秒
1.
城市道路的多特征多核SVM提取方法 总被引：1，自引：0，他引：1
针对高分辨率遥感影像中城市道路提取的复杂性及SVM的分类性能,提出了一种城市道路的多特征多核SVM提取方法。首先利用FCM算法将原始影像粗分为建成区和非建成区两类,剔除非建成区;然后根据分水岭分割算法分割建成区并提取分割对象的光谱特征与空间特征,以全局核函数和局部核函数加权组合的方式构建多核SVM对建成区进行二次分类,去除建成区中的建筑物等非道路信息;最后利用数学形态学处理,获得最终的道路提取结果。试验结果表明：文中所提方法能够较精确地提取城市道路信息,分类精度高于单核SVM提取及其他对比方法。 相似文献
2.
基于增强DeepLabV3网络的高分辨率遥感影像分类 总被引：1，自引：0，他引：1
由于高分影像具有地物细节丰富、类别差异大等特点,现有的卷积神经网络影像分类方法普遍存在分类精度低、地物边界不准确等问题。鉴于此,本文提出一种基于增强DeepLabV3网络的影像分类模型。首先构建R-MCN网络结构,利用大小不同的卷积核并结合残差网络的思想进一步提取浅层网络的多尺度、多层次的特征信息;然后采用可学习的上采样方式,并将R-MCN提取的特征与高阶的语义信息相融合;最后通过提出的Mloss损失函数,获得遥感影像的地物分类结果。试验结果表明,相对于传统的卷积神经网络,本文方法能细化地物的边缘信息,改善分类效果,获得更高的影像分类精度。 相似文献
3.
针对高光谱遥感影像分类中空间特征和光谱特征利用率低问题，该文综合三维卷积神经网络、谷歌神经网络和残差神经网络的优势，提出融合改进Inception模块的残差三维卷积神经网络高光谱遥感影像分类方法。改进后的Inception模块包括4条不同的卷积层分支，用以提取蕴涵在高光谱遥感影像中多尺度的特征；利用了3D卷积核代替2D卷积核能直接同时提取高光谱遥感影像中更丰富的空-谱特征；通过残差结构连接分支提取特征缓解了梯度消失的问题，提取更深层次的特征。实验表明，该文算法不仅提高了条状和线状地物区域的边缘分类准确率，对小目标的分类能力也得到了增强。 相似文献
4.
5.
针对基于位置指纹的Wi-Fi室内定位方法定位精度低的问题,本文提出了一种融合卷积神经网络(CNN)和胶囊网络(CapsNet)的Wi-Fi室内定位算法模型,记为CNN-CapsNet。首先将采集的RSSI时间序列信息,生成位置指纹图像数据集;然后通过由卷积层和池化层构成的CNN初级特征提取器,完成定位图像到初级特征图的转换;最后将初级特征图输入到CapsNet中,获得最终的分类结果。试验结果表明,在不同的向量维度,迭代次数等参数下,该模型的准确率高达99.99%,损失函数值低至0.009 91,优于其他的传统定位方法。 相似文献
6.
针对点云分类中提取单个点自身特征所需的邻域尺寸选择,以及低层次特征设计烦琐且表达地物属性能力较弱等问题,本文提出了一种自适应选择单点最优邻域尺寸及学习泛化能力更强的深层次特征的三维点云分类方法。首先基于自适应最优邻域尺寸选择获得每个点的最优局部邻域信息,继而基于局部邻域信息提取点云低层次特征;然后设计一种以待分类点低层次特征为输入的卷积神经网络模型,学习能反映目标地物内在属性的深层次特征并实现分类;最后采用拓普康公司三维点云数据集进行试验,该数据集通过一个配备TOPCON GLS-2200三维激光扫描仪的移动平台获得。试验结果表明,本文方法分类的总体精度达90.48%,优于文中其他点云分类方法。 相似文献
7.
8.
基于卷积神经网络的高光谱图像分类是当前的研究热点,先后发展了空洞卷积、可形变卷积等先进模型。然而,现有可形变卷积只在空间维偏移,忽略了高光谱图像光谱之间的差异信息。为此,本文将可形变卷积从空间维扩展到光谱维,设计了光谱可形变卷积,提出了光谱可形变卷积网络SDCNN（Spectral Deformable Convolutional Neural Network）。首先,利用全连接层学习光谱可形变卷积的偏移量,采用线性差值对图像光谱维进行特征校准;其次,采用多层1×1卷积进行光谱维特征聚合;最后,使用三维卷积层提取光谱?空间联合特征。不同于空间可形变卷积,光谱可形变卷积只在光谱维上进行偏移,可以为不同类别选择更合适的特征波段,提升模型的判别性。在国际通用测试数据Indian Pines、University of Pavia以及University of Houston上进行了实验,结果表明：本文提出的SDCNN方法优于其他深度学习方法,在相同样本条件下取得了更高的分类精度,总体精度达到了98.86%（Indian Pines,10%/类）、99.81%（University of Pavia,5%/类）以及97.41%（University of Houston,50个/类）,验证了该方法的有效性。 相似文献
9.
高分辨率遥感影像包含丰富的土地利用类型信息,针对单一卷积神经网络提取图像特征信息不足的问题,提出了一种多结构卷积神经网络（convolutional neural network,CNN）特征级联的分类方法。首先,选择CaffeNet（convolutional architecture for fast feature embedding）、VGG-S（visual geometry group-slow）、VGG-F（visual geometry group-fast）为实验初始模型,对网络全连接层进行参数微调,采用随机梯度下降法（stochasticgradient descent,SGD）更新网络的权重;然后以微调后的网络分别作为特征提取器对图像提取特征,级联上述3种网络的第二个全连接层输出特征作为图像表达;最后,以多类最优边界分配机（multi-class optimal margindistribution machine,mcODM）获得最终分类结果。实验采用UC Merced land-use数据集进行分类效果检验,结果表明,多结构卷积神经网络级联的方法能够达到97.55%的总体分类精度,相较于CaffeNet、VGG-S和VGG-F等,分类精度分别提升了5.71%、2.72%和5.1%。因此多结构卷积神经网络特征级联的方法能够有效提取目标特征信息,提升土地利用分类精度。 相似文献
10.
高空间分辨率遥感影像拥有丰富的空间细节信息和多光谱信息。研究表明,二维卷积神经网络适于提取空间信息,而三维卷积神经网络更适于提取光谱信息。为了更好地利用空谱信息,本文提出一种双通道并行混合卷积神经网络(DPHCNN)方法,充分联合二维与三维卷积神经网络在空谱信息提取上的优势,同时引入混合注意力机制、多尺度卷积增强空间细节特征的提取能力,实现高分影像的精准分类。试验中利用高分二号影像数据集进行验证,与当前先进的深度学习分类方法相比,本文提出的DPHCNN方法在保证分类精度高、分类效率较好的同时,能在多时相影像分类中保持最高的稳健性,在综合评价上更具优势。 相似文献
11.
海底底质分类对于海洋资源开发与利用、海洋科学研究等多方面具有重要意义。目前,多波束探测是实现大范围海底底质分类的有效手段之一,通常基于多波束反向散射强度提取角度响应(AR)特征及反向散射图像特征进行底质分类。由于特征来源较单一,分类器结构简单,往往分类精度不高。为此,本文提出了一种基于深层卷积神经网络(CNN)的多波束海底底质分类方法。除反向散射强度特征外,还利用地形特征,将特征向量转换为波形图,再输入卷积神经网络进行训练和分类。试验对比不同特征组合以及BP网络、支持向量机(SVM)、K近邻(KNN)、随机森林(RF)4种常规分类器,本文模型算法总体分类精度达到94.86%,Kappa系数为0.93,精度具有明显优势,效率也比较高。表明该方法有效利用两种数据类型所蕴含的海底底质信息,充分发挥卷积神经网络权值共享、高效率等特点,实现高分辨率海底底质分类,可对海底底质分类研究提供参考。 相似文献
12.
联合显著性和多层卷积神经网络的高分影像场景分类 总被引：3，自引：2，他引：1
高分辨率遥感影像中的场景信息,对于影像解译和现实世界的理解具有重要意义。传统的场景分类方法多利用中、低层人工特征,但是高分辨率遥感影像的信息丰富,场景构成复杂,需要高层次的特征来表达。本文提出了一种联合显著性和多层卷积神经网络的方法,首先利用显著性采样获取包含影像主要信息的有意义的块,将这些块作为样本集输入卷积神经网络中进行训练,获得不同层次的特征表达,最后联合多层特征利用支持向量机进行分类。两组高分影像场景数据UC Merced 21类和Wuhan 7类试验表明,显著性采样能够有效地获取主要目标,减弱其他无关目标的影响,降低数据冗余;卷积神经网络能够自动学习高层次的特征,相比已有方法,本文方法能够有效提高分类精度。 相似文献
13.
针对光学遥感影像受天气影响导致部分地物间形成弱边缘问题,提出一种低维纹理特征算子与双变异蝴蝶优化算法。首先提出一种适用于遥感影像的低维完备局部三值模式的纹理特征提取算子,并将其引入简单线性迭代聚类算法,对遥感影像进行初始分割,减小了噪音影响,同时增强算法对弱边缘的敏感度和分割准确性;然后采用双变异蝴蝶优化的支持向量机合并同质超像素块,以简单线性迭代聚类算法和低维纹理特征算子得到的综合特征作为输入,得到最终分割图像。利用2组高分辨率遥感影像进行分割实验,并与当下流行的卷积神经网络进行对比,实验结果表明,所提算法相较于传统算法对弱边缘有更好的分割效果,数据一的边界回归率(boundary recall,BR)值较对比算法平均提高了1.9%,Kappa系数平均提高了0.036;数据二的BR值较对比算法平均提高了2.33%,Kappa系数平均提高了0.027。对比实验证明了所提算法相较于卷积神经网络有更好的泛化性。 相似文献
14.
联合卷积神经网络与集成学习的遥感影像场景分类 总被引：1，自引：0，他引：1
针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。 相似文献
15.
一种遥感影像核变化检测方法 总被引：1，自引：0，他引：1
提出了一种新的遥感影像核变化检测方法。该方法是将原始空间不同时相的输入矢量通过核函数非线性映射到高维特征空间，然后在高维特征空间中通过传统变化检测方法处理得到新的输入矢量，最后通过半监督的单类支持向量机算法对新的输入矢量构造变化区域与非变化区域的最优分割超平面。试验证实，本文的核变化检测方法具有较高的检测精度和效率。 相似文献
16.
针对高光谱影像分类问题,提出了一种显著性特征提取方法。首先,利用超像素分割算法将高光谱影像3个相邻波段分割为若干个小区域。然后,基于分割得到的小区域计算反映不同区域的显著性特征。最后,沿着光谱方向采用大小为3、步长为1的滑窗法获得所有波段的显著性特征。进一步将提取的显著性特征与光谱特征进行结合,并将结合后的特征输入到支持向量机中进行分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验。试验结果表明,与传统的空间特征提取方法和基于卷积神经网络的高光谱影像分类方法相比,提取的显著性特征能够获得更高的高光谱影像分类精度,且结合光谱特征能够进一步提高分类精度。 相似文献
17.
面向对象遥感影像分类过程中,特征选择是保证分类精度和提高分类速度的关键因素。本文针对高分影像特征过多造成维度灾难、无法取舍有效特征导致低分类精度等问题,提出了一种基于特征贡献度与主成分分析(PCA)结合的特征选择优化方法,定量分析并提取影像特征。本文首先利用特征贡献度进行特征选择,提取有效特征;然后进行PCA变换消除特征间相互影响,降低维度,将提取的143个影像分类特征经选择与变换至20个主成分特征,最终优化的特征在神经网络(ANN)、K最近邻法(KNN)和支持向量机(SVM)三种分类实验结果中的总精度分别提高了10.56%、7.78%和6.11%,实现了较好的分类效果,说明优化的特征选择方法不仅大大降低了特征维度,减少了后端分类计算量,同时有效提高了分类精度。 相似文献
18.
在遥感影像自动分类中仅使用光谱特征很难产生正确的分类,OLI影像是波段数较多的多光谱影像,如果增加纹理、几何等多种特征以提高分类精度,就会使得特征的维度很高.支持向量机善于解决小样本、非线性和高维的影像分类问题,但是核函数和参数的设置只能依靠实验来获得.文中在OLI影像中提取了23个特征,逐个测试核函数和参数值对分类结果的影响.研究的主要结论如下：RBF核的支持向量机分类精度最高,Sigmoid核支持向量机分类精度最低;核函数的选择对分类精度的影响最大;核函数和参数值的变化不会影响重要特征的使用,3种核的支持向量机分类所使用的重要特征基本一致. 相似文献
19.
针对因样本量小而导致的遥感图像场景分类精度不高的问题,结合非下采样Contourlet变换(NSCT)、深度卷积神经网络(DCNN)和多核支持向量机(MKSVM),提出了一种基于多尺度深度卷积神经网络(MS-DCNN)的遥感图像场景分类方法。首先利用非下采样Contourlet变换方法对遥感图像多尺度分解,然后对分解后的高频子带和低频子带分别用DCNN训练得到了不同尺度的图像特征,最后采用MKSVM综合多尺度特征并实现遥感图像场景分类。对标准遥感图像分类数据集的试验结果表明,本算法能够结合低频和高频子带对不同类别场景的识别优势,对遥感图像场景取得较好的分类结果。 相似文献
20.
图像相似度学习是指通过网络学习图像内容信息来预测两张图像是否匹配。迄今为止,基于卷积神经网络改进的变体网络有效提升了学习效率,但由于提取特征比较单一无法准确描述图像特征,导致相似度学习效率较低。为此,本文提出一种基于卷积神经网络结构的双分支网络。该网络为左右分支网络结构相同,但权值不共享,网络输入为双分支输入。首先由左右分支网络分别提取单通道图像特征;然后通过特征融合层进行特征融合;最后将融合特征直接输入全连接层进行相似度学习,既改善了提取的图像特征多样性,又加快了模型训练速度。在实验室工业相机拍摄的芯片卡槽图像数据集上进行对比试验,结果表明,相比其他模型,本文提出的模型具有较强的网络学习能力和模型泛化能力,准确率高达97.96%。 相似文献