共查询到20条相似文献，搜索用时 218 毫秒
1.
针对无人机影像深度学习分类方法缺乏现状,本文利用深度学习理论卷积神经网络方法对无人机影像进行了分类。该法首先抽取无人机影像作为训练集和检验集,然后建立一个2个卷积层-池化层的卷积神经网络模型进行深度学习,通过设定参数并运行模型实现无人机影像分类。实验表明,本文提出的方法可完成较复杂地区无人机影像分类,其分类精度与支持向量机方法相当,为无人机遥感影像分类提供了一个崭新的技术视点。 相似文献
2.
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
3.
联合空-谱信息的高光谱影像深度三维卷积网络分类 总被引：4，自引：2，他引：2
针对高光谱影像分类高维和小样本的特点,提出一种基于深度三维卷积神经网络的高光谱影像分类方法。首先,该方法直接以高光谱数据立方体为输入,利用三维卷积操作提取高光谱数据立方体的三维空-谱特征。然后,利用残差学习构建深层网络,提取更高层次的特征表达,以提高分类精度。最后,采用Dropout正则化方法防止过拟合。利用Pavia大学、Indian Pines和Salinas 3组高光谱数据进行试验验证,结果表明,与支持向量机和现有的基于深度学习的高光谱影像分类方法相比,该方法能有效提高高光谱影像的地物分类精度。 相似文献
4.
高光谱遥感可同步获取地表覆盖空间影像和连续且精细的光谱数据,能够实现对地物的精细分类与识别。然而,高光谱图像的高维特性对分类带来巨大挑战。为此,本文探讨了一种基于卷积核哈希学习的高光谱图像分类方法。哈希学习可以将高维信息表达为低维哈希编码,通过计算哈希编码内积并借助最小汉明距离实现分类。为了有效表达非线性数据,又发展了核哈希学习方法。然而,直接应用核哈希学习进行高光谱图像分类存在运行速度慢和未考虑空间邻域信息的不足。为此,本文在核哈希学习中引入径向基函数RBF（Radial Basis Function）作为损失函数以提高运行效率;同时,借助四维卷积操作充分表达空间邻域信息,提出了基于卷积核哈希学习的高光谱图像分类方法CKSH（Supervised Hashing with RBF Kernel and Convolution）,同时探讨了该方法在仅利用光谱特征和光谱—空间联合特征上的分类效果。在国际通用测试数据Indian Pines和University of Pavia上进行了实验,结果表明：本文提出的CKSH方法优于传统分类方法（支持向量机、随机子空间）和其他哈希学习方法（如谱哈希、球哈希、监督离散哈希、潜在因子哈希等）,同时在不同训练样本数量条件下均取得了较高的分类精度,达到96.12%（Indian Pines,10%的训练样本）和98.00%（University of Pavia,5%的训练样本）,从而验证了该方法的有效性。 相似文献
5.
《国土资源遥感》2021,(2)
深度学习技术因其在深度挖掘地物特征方面的独特优势为高光谱图像分类提供了技术手段。但是在高光谱图像的像素级地物分类中,由于样本输入尺寸的影响导致深度学习的层数受限,不能充分挖掘高光谱图像中的深度特征,为此提出基于残差网络特征融合的高光谱图像分类方法。首先通过主成分分析(principal component analysis,PCA)方法提取原始高光谱图像中的第一主成分,利用残差网络有效提取地物空谱特征;再通过反卷积算法实现特征图的扩充,将反卷积后不同维度的特征进行多尺度特征融合,充分挖掘高光谱图像中的深度特征信息,进一步提升高光谱图像分类精度。对"珠海一号"卫星拍摄的江苏太湖和安徽巢湖两个区域进行地物分类实验,结果表明,与其他方法相比,该方法有效解决了高光谱图像分类中深度特征提取不足的问题,获得了更好的分类性能。 相似文献
6.
本文旨在研究基于地块数据约束的深度学习模型的分类特征表示方法,以识别不同作物在不同时相上光谱差异从而对作物类型进行分类。通过Google Earth Engine平台获取作物生育期内全部Landsat 8影像,利用其质量评定波段完成研究区无云时相及区域上的地块统计,提取地块级别的各波段反射率均值按照时相顺序及波长进行排列,构建波谱、时相二维特征图作为该地块的抽象表示。通过构建相对最优的卷积神经网络CNN（Convolutional Neural Network）结构完成对特征图的分类,从而完成对地块的分类。构建CNN模型并不需要手工特征和预定义功能的需求,可完成提取特征并遵循端到端原则进行分类。将该模型的分类结果与其他最为常用机器学习分类器进行了比较,获得了优于常用遥感分类算法的分类精度。结果表明地块数据的加入可以有效的缩减计算规模并提供了准确的分类边界。所提出得方法在地块特征表示及作物分类中具有突出的应用潜力,应视为基于地块的多时相影像分类任务的优选方法。 相似文献
7.
8.
深度卷积神经网络在高光谱图像分类任务上取得了优越性能。但是,主流深度学习算法通常采用一阶池化运算,容易忽略光谱之间的相关性,因而难以获取高阶统计判别特征。另外,这类算法往往难以选择最优的窗口大小去捕获不同感受野信息。针对上述问题,本文提出了一种结合协方差池化和跨尺度特征提取的高光谱影像分类方法。该方法设计了跨尺度自适应特征提取模块,能够自动提取多尺度特征,获取不同视野的互补信息,避免了尺度选择问题;进一步利用平均池化和快速协方差池化的联合池化操作,得到一阶统计量和结合空间光谱信息的二阶统计量;最终,将一阶和二阶池化特征进行融合用于分类。在3个公开高光谱数据集Indian Pines、Houston和Pavia University上分别随机选取5%、5%和1%标记样本进行训练,本文算法得到的总体分类精度分别达到97.63%、98.48%和98.21%,分类性能优于主流深度学习方法。 相似文献
9.
高光谱图像分类是目前遥感技术应用的关键环节,对分析地物类别与土地利用起到了十分重要的作用。目前应用于高光谱图像分类普通算法,其精度已不能满足当今大数据时代下的分类要求,本文提出了深度置信网络(DBN)分类算法。深度置信网络具有无监督学习与有监督学习二者共同的优点,对于维数高的数据有较优的分类效果,并利用机载AISA Eagle II高光谱传感器的影像进行了验证。结果表明,DBN算法与支持向量机(SVM)及传统神经网络(BP)对比取得了较好的分类效果。 相似文献
10.
森林郁闭度是森林资源调查中的一个重要因子,对森林质量评价具有重要作用。随着人工智能技术和遥感技术的不断发展,研究如何利用深度学习有效协同不同空间覆盖能力的遥感数据实现区域森林郁闭度的估测具有重要意义。由此提出了一种协同应用高密度无人机激光雷达和高空间分辨率卫星遥感数据,对区域森林郁闭度进行定量估测的深度学习模型（UnetR）。对用于图像分类的Unet模型的损失函数进行改进,并在卷积层后加入批量归一化层,使其具有对连续变量进行定量估测的能力。与全卷积神经网络、随机森林和支持向量机回归模型进行对比实验。结果表明, UnetR模型的均方根误差较低,估测精度较高,为实现区域森林郁闭度遥感监测提供了一种人力成本低、自动化程度高的估测方法。 相似文献
11.
松材线虫病在秦岭以南传播广、蔓延快,利用遥感技术提取病害松可为疫情防控提供数据支撑。以无人机获取的高分辨率、高光谱数据为基础,捕捉区分病害松与健康松的特征波段,提出一种结合植被指数与小波神经网络的林地分层分类新方法,用于提取病害松树冠图斑。病害松识别结果与实地核查数据对比表明,分层分类结果与实地核查情况基本一致,病害松识别总精度达到89.87%,优于单一使用支持向量机、小波神经网络的分类结果。林地分层分类新方法与传统分类方法相比,分类精度更高,所需的样本更少。无人机高光谱数据信息丰富,病害松、健康松在可见光、近红外范围内均有光谱敏感特征,后续应进行病害松时序光谱监测,进一步研究松材线虫病害影响因子。 相似文献
12.
面向对象与卷积神经网络模型的GF-6 WFV影像作物分类 总被引：1，自引：0，他引：1
GF-6 WFV影像是中国首颗带有红边波段的中高分辨率8波段多光谱卫星的遥感影像,对于其影像及红边波段对作物分类影响的研究利用亟待展开。本文结合面向对象和深度学习提出一种适用于GF-6 WFV红边波段的卷积神经网络(RE-CNN)遥感影像作物分类方法。首先采用多尺度分割和ESP工具选择最佳分割参数完成影像分割,通过面向对象的CART决策树消除椒盐现象的同时提取植被区域,并转化为卷积神经网络的输入数据,最后基于Python和Numpy库构建的卷积神经网络模型(RE-CNN)用于影像作物分类及精度验证。有无红边波段的两组分类实验结果表明:在红边波段组,卷积神经网络(RE-CNN)作物分类识别取得了较好的效果,总体精度高达94.38%,相比无红边波段组分类精度提高了2.83%,验证了GF-6 WFV红边波段对作物分类的有效性。为GF-6 WFV红边波段影像用于作物的分类研究提供技术参考和借鉴价值。 相似文献
13.
针对高光谱图像分类中对光谱信息利用不足的问题,提出一种基于卷积神经网络在光谱域开展的分类算法。该算法通过构建五层网络结构,逐像素对光谱信息开展分析,将全光谱段集合作为输入,利用神经网络展开代价函数值的计算,实现对光谱特征的提取与分类。实验中采用三组高光谱遥感影像数据进行对比分析,以India Pines数据集为例,提出的基于卷积神经网络的分类方法的分类正确率达到90.16%,比RBF-SVM方法高出2.56%,相比三种传统的深度学习方法高出1%~3%,训练速度也较为理想。实验结果表明,本文所提出的算法充分利用了高光谱图像中逐像素点的光谱域信息,能够有效提高分类正确率。与传统学习算法相比,在较少训练样本的情况下,更能发挥其良好的分类性能。 相似文献
14.
针对高光谱影像分类问题,提出了基于深度卷积循环神经网络的高光谱影像空谱特征分类方法.首先将高光谱数据立方体看作一组特征序列;然后利用深度卷积循环神经网络构建特征序列的依赖关系,并采用"预训练+微调"的训练策略对深层网络模型进行训练,从而使得所设计的深层网络在训练样本较少的情况下也能得到更加充分的优化.在Pavia大学和Indian Pines数据集上的试验结果表明,构建的深度卷积循环神经网络的分类精度比RNN方法分别提升了9.49％和5.8％. 相似文献
15.
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
16.
针对目前高光谱图像分类数据冗余度高,计算效率低下,且易丢失光谱信息等问题,该文提出一种可以有效地利用光谱信息通过多尺度样本熵提取图像特征的方法。先描述多尺度样本熵计算过程,并对参数进行分析,选取最优参数。在此基础上,分析多尺度样本熵曲线变化规律,设计最优多尺度样本熵特征选择方法。将选取的最优多尺度样本熵特征矢量代入支持向量机分类器(SVM),实现高光谱图像分类。将该文算法与深度特征融合网络(DFFN)算法和基于自适应波段选择(ABS)算法在PaviaU图像和Indian Pines图像上进行对比实验,并对其结果进行定量精度评价。实验结果表明,对于两组高光谱图像,该文算法在总体分类精度上分别达到了98.64%和96.49%,明显高于两种对比算法,同时在时间效率上也有了显著提升。 相似文献
17.
高光谱数据具有丰富的光谱特征,但是其空间分辨率相对较低。一些遥感数据具有与高光谱数据互补的优势,例如提供更精细的空间信息的高空间分辨率数据和具有高度信息的激光雷达LiDAR（Light Detection and Ranging ）数据。通过将高光谱数据与多源遥感数据进行融合,可以弥补高光谱数据空间分辨率相对较低,空间特征不够丰富的缺点。近年来,基于深度学习的方法已经在遥感数据分类研究中取得了一定的进展。然而,由于深度网络的特征提取过程是一个自主的过程,往往无法精确的获取最有利于遥感数据分类的特征;同时,深度学习方法具有复杂的网络结构和大量的参数,往往会在分类训练过程中造成参数拟合困难。以上这些因素会导致分类效果不佳。针对这些问题,本文提出了一种将卷积神经网络CNN（Convolutional Neural Network）和纹理特征相结合的多源遥感数据特征级融合分类框架。该方法共3个步骤,首先,对高光谱数据或多源遥感数据提取纹理特征;然后,构造CNN,分别将原始高光谱遥感数据、原始多源遥感数据和第一步中获得的纹理特征作为深度网络的输入进行深度特征提取;最后,将分别提取到的深度特征拼接,并利用Softmax分类器进行分类。为了验证本文提出方法的分类效果,本文在休斯顿和塞特福德矿地区公开数据集上进行实验,并将该分类框架与支持向量机分类方法、像素级融合分类方法和特征级融合分类方法进行对比。由此可以分析得出,本文提出的基于深度学习的融合分类方法可以获得较高的分类精度。 相似文献
18.
深度学习在高光谱图像处理领域的研究应用不断深入发展,基于深度学习的高光谱图像分类达到了较高的分类精度。目前的分类模型多利用高光谱的图谱特征,但对光谱的诊断性特征及先验信息利用不足,对空谱特征提取过程难以实现有效协同,因而导致分类类别即类内分类不够精细。为了解决以上问题,本文提出一种以多标签数据为输入的共生神经网络模型,在高光谱图谱特征提取的基础上融合光谱诊断特征,实现相对含水量反演及精细分类。首先,通过构建一种新的红边斜率光谱指数实现高光谱图像相对含水量的表征,利用本文提出的自适应分级算法完成相对含水量反演并建立对应的等级标签,与地物种类标签共同构成多标签高光谱数据集。然后,构建共生神经网络架构及内部变维特征提取模块,利用多标签数据提取高光谱图像中空间、光谱和相对含水量的融合特征,提高深度模型对不同含水量地物的区分能力和对所提取特征的协同表达能力,降低模型的复杂度与计算量,完成基于多标签数据集的相对含水量反演引导分类的过程,在扩大传统类间距离的基础上进一步扩大类内距离,从而实现高光谱图像的精细分类。最后,使用实验室采集数据和4个公开的高光谱数据集Lopex、Indian Pines、Pavia University和Salinas进行实验验证。结果表明,本文提出的红边斜率光谱指数可以有效表征地物的相对含水量信息;相对含水量反演引导的分类模型对类内分类精度有较明显的提升,对总体分类结果有一定的改善;与其他机器学习和深度学习分类算法相比,本文算法取得了较好的分类结果,提高了深度分类模型的分类性能和精细程度,实现了精细分类。 相似文献
19.
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
20.
深度学习在高分辨率遥感影像冬油菜提取中的应用 总被引：2，自引：0，他引：2
近年来，深度学习在基于高分辨率遥感影像的农作物种植信息提取领域应用广泛。本文充分利用油菜在盛花期的光谱特征，提出了基于深度学习理论的单时相高分辨率遥感影像油菜分布提取方法。以2016年湖北省沙洋县作为研究区域，获取油菜盛花时期高分一号（GF-1）影像，并以沙洋县为基础影像，通过手工标记制作油菜训练样本。设计两种深度学习框架模型，一种以卷积神经网络（CNN）为框架，构建一维卷积神经网络（1D-CNN）模型，第二种以循环神经网络（RNN）为框架，组合门控循环单元（GRU）模型，训练标准样本模型，完成油菜分类提取。最后，与传统支持向量机（SVM）、随机森林（RF）方法进行了结果对比。试验结果表明，本文设计的基于深度学习CNN和RNN模型提取的冬油菜空间分布精度和面积精度皆优于其他两种方法，为进一步实现冬油菜提取自动化提供试验基础。 相似文献