共查询到20条相似文献，搜索用时 588 毫秒
1.
一种自适应匹配子空间亚像元目标探测方法 总被引：2，自引：0，他引：2
为了克服基于线性混合模型的高光谱遥感影像亚像元目标探测方法的缺陷, 提出了一种基于全限制性线性分解的自适应匹配子空间探测方法。首先利用交叉相关光谱匹配技术求得各个像元所含端元类别信息, 然后根据端元类别信息和全限制性分解的结果构造自适应匹配子空间探测算子, 利用端元类别信息在探测中动态选择端元, 降低端元数目估计偏差对探测结果的影响, 提高探测器对目标与背景的可分性。实验证明, 该方法与其他基于线性混合模型的亚像元目标探测方法相比, 可以更好地克服端元数目估计偏差对探测结果的影响, 无论是端元个数低估还是 相似文献
2.
火星车（即巡视探测器）是对火星表面探测和科学研究的重要手段。针对火星车采集到的日益增长的遥感数据,亟需一种能够智能化地从海量影像中探测出有科学价值的新颖目标的方法。传统的新颖探测多采用基于距离测度和基于影像重建的方法,其中基于距离测度的方法逐像素计算新颖分数,未考虑空间上下文信息;基于影像重建的方法侧重对典型地貌背景进行重建,新颖性表现为影像重建误差,对小型新颖目标如钻孔、除尘点等提取效果不佳。提出一种改进的火星车多光谱影像深度新颖目标探测方法(convolution auto-encoder combined Mahalanobis distance method, CAE-M),利用全卷积自编码神经网络提取深层特征进行典型地貌重建,并联合马氏距离将新颖目标与典型地貌背景分离,充分挖掘空间维与光谱维特征,提高火星车新颖目标探测结果的准确性。实验采用好奇号火星车多光谱影像数据集,在盖尔撞击坑地表采用Reed-Xiaoli探测器、主成分分析、卷积自编码神经网络、生成对抗网络与CAE-M进行对比实验,结果表明,CAE-M在探测精度和可视化解释上均优于对比方法,在不同类别的新颖目标探测上都有着均衡稳定的表现。 相似文献
3.
顾及局域信息的核化正交子空间投影目标探测方法 总被引：1，自引：0，他引：1
提出了一种基于局域信息的核化正交子空间投影的目标探测方法(KLOSP).模拟数据实验证明,KLOSP方法比其他子空间目标探测方法具有更优的接受者操纵特征曲线;真实影像数据实验证明,该方法比传统子空间目标探测方法具有更大的目标与背景的可分度,能够准确地对高光谱影像数据进行目标探测. 相似文献
4.
5.
高光谱遥感域自适应分类旨在利用有标注样本的源域知识对无标注的目标域场景进行分类,是高光谱跨场景分类的重要方法之一。目前流行的域自适应分类方法利用对抗训练模式实现目标域与源域的特征对齐,但未考虑源域知识是否充分转移至目标域这一关键问题。为了有效提取并迁移源域知识,本文提出一种基于对抗与蒸馏耦合模式的高光谱遥感自适应分类方法 UDAACD(Unsupervised Domain Adaptation by Adversary Coupled with Distillation)。该方法采用类内样本自蒸馏方式对源域信息进行提炼,提高自适应分类模型对源域监督知识的提取能力;同时,构建知识蒸馏与对抗耦合机制使目标域与源域特征在对抗与蒸馏中实现对齐,利用对抗与蒸馏耦合机制相互补充、相互促进,提升高光谱遥感知识从源域至目标域的迁移能力,进而完成目标域高光谱影像的无监督分类。本文选用Pavia University、Pavia Center、Houston 2013及Houston 2018高光谱遥感场景数据集进行了4组跨场景图像分类实验,结果表明所提出的模型优于其他高光谱域自适应方法,在相同样本条件... 相似文献
6.
提出了一种面向土地覆盖变化信息局域精度评估的自适应型抽样策略。结合待研究地图的土地覆盖变化信息局部特征（如土地覆盖变化类别、斑块大小、异质性和优势度）,探讨与土地覆盖变化信息精度显著相关的协变量,以预测精度的标准误差作为判断标准,识别需要提高精度预测结果可靠性的区域,以自适应地和逐步定位的方式进行样本采集。基于武汉地区的精度评价结果,自适应的抽取增加100个训练样本使得预测精度的确定系数提高了50.66%,而简单随机抽取的增加样本使得预测精度的确定系数提高了17.22%。试验表明,自适应型抽样策略能显著提高土地覆盖变化信息局域精度预测的抽样效益,减少预测精度的不确定性。模型选择的结果表明,土地覆盖变化类别和优势度指数是最优的协变量组合。 相似文献
7.
8.
针对尺度自适应选择分层多阈值方法,有时检测目标不完整且存在较多虚警目标等问题,提出了一种基于尺度分层多阈值和SVM分类相结合的舰船目标检测与识别方法。首先使用尺度自适应分层多阈值方法进行初检测;其次根据样本学习生成舰船目标特征及最佳分类特征组合;最后使用SVM样本学习分类实现舰船目标检测与识别。实验结果表明,该方法比单一使用样本分类法降低了虚警率,提高了检测效率,能在近岸舰船目标与背景对比度较低的情况下实现虚假目标有效剔除,且在突堤式码头停放的舰船目标识别中更有效和更稳定。 相似文献
9.
高光谱遥感影像具有光谱分辨率极高的特点,承载了大量可区分不同类型地物的诊断性光谱信息以及区分亚类相似地物之间细微差别的光谱信息,在目标探测领域具有独特的优势。与此同时,高光谱遥感影像也带来了数据维数高、邻近波段之间存在大量冗余信息的问题,高维度的数据结构往往使得高光谱影像异常目标类和背景类之间的可分性降低。为了缓解上述问题,本文提出了一种基于波段选择的协同表达高光谱异常探测算法。首先,使用最优聚类框架对高光谱波段进行选择,获得一组波段子集来表示原有的全部波段,使得高光谱影像异常目标类与背景类之间的可分性增强。然后使用协同表达对影像上的像元进行重建,由于异常目标类和背景类之间的可分性增强,对异常目标像元进行协同表达时将会得到更大的残差,异常目标像元的输出值增大,可以更好地实现异常目标和背景类的分离。本文使用了3组高光谱影像数据进行异常目标探测实验,实验结果表明,该方法与其他现有高光谱异常目标探测算法对比,曲线下面积AUC(Area Under Curve)值更高,可以更好地实现异常目标与背景分离,能够更有效地对高光谱影像进行异常目标探测。 相似文献
10.
提出了一种基于光谱分析理论和张量代数理论的高分辨率遥感影像目标探测器.首先在向量空间中对目标光谱进行特征匹配;然后对光谱特征与目标相似的像素进行空间-光谱特征一体化张量描述,进而在张量特征空间中对目标和背景进行分类.实验表明,张量学习机能够有效地对高分辨率影像进行目标识别.加入光谱特征匹配后的目标探测器能够极大地降低目标深测时间,同时进一步提高目标探测精度. 相似文献
11.
Liguo Zhang Haowei Zeng Yulin Ding Han Hu Li Chen Junxiao Zhang Yan Zhou 《Transactions in GIS》2023,27(5):1418-1440
Landslide susceptibility evaluation (LSE) is a critical issue for disaster prevention. Limited by labor cost and observation technology, landslide samples are extremely limited in dense vegetation-covered and remote areas, making the common supervised learning model underfit with limited samples. Therefore, the reliability of analysis results in mountainous areas is low. Transfer learning can achieve reliable assessment without the need for representative samples. However, transfer learning suffers from environmental heterogeneity in regional LSE and may transfer incorrect classification knowledge of landslide features from dissimilar environments. Aiming at these challenges, we proposed a geo-environment-aware LSE method based on unsupervised adversarial transfer learning. The key is to consider the difference in landslide features in different geo-environments. The study areas were first divided into multiple sub-environments, and the similarity between the sub-environments was calculated. Then an environment-aware adversarial transfer model was built for fine-grained aligning of the landslide feature with similar sub-environments and for reducing negative transfer between dissimilar environments. The fitted classification model was employed to predict the target regions and to generate the final LSE. The experimental results indicated that the proposed method achieves reliable LSE for sample-free regions. The accuracy of the proposed method is 7–12% better than commonly used methods such as support vector machines, random forests, and artificial neural networks. The performance of the proposed method is even close to the results of supervised learning with the presence of representative samples, and it also performs more globally and objectively in susceptibility mapping. These results reveal that the proposed method effectively transfers the knowledge of landslide susceptibility from other regions to the sample-free region. 相似文献
12.
为利用高分辨率遥感影像实现高精度的飞机目标变化检测,提出了一种自适应的多特征融合变化检测与深度学习相结合的方法。首先,通过加权迭代的多元变化检测法获取变化强度图,并结合自适应的直方图统计法自动获取显著的变化与不变化样本;然后,提取多时相影像的光谱、边缘和纹理特征,完成多特征融合的变化检测,并通过形态学处理得到变化图斑;最后,利用训练的NIN(Network in Network)结构的卷积神经网络飞机识别模型,完成变化图斑的类型判别,实现变化飞机的检测。实验结果表明,本文方法在两组数据的正确率分别达到100%和91.89%,均优于对比方法,能实现准确可靠的飞机目标变化检测。 相似文献
13.
提出一种利用属类概率距离构图的半监督学习算法,并应用于高光谱图像分类。首先,该算法利用基于分类的稀疏表达方法来预估未标记样本的属类概率向量,然后,利用这个概率向量对描述数据相似性的距离函数进行改造,改造后的距离函数能有效扩大异类样本点之间的距离,在新的距离函数的度量下,每个样本点的邻域中可包含更多同类的样本点。最后,将该距离函数应用于半监督学习线性邻域传播算法和标签传播算法中。在Hyperion 和AVIRIS高光谱遥感图像上的实验结果表明：相比于传统的基于图的半监督学习算法,该算法能有效提高高光谱遥感图像分类精度。 相似文献
14.
基于三维重建中物体截面轮廓边缘序列中相邻轮廓基本相似的事实，提出了一种物体截面轮廓线点集之间的三角划分的快速算法。该算法首先寻找轮廓线的控制点，对每两条相邻轮廓线的控制点进行配对，其次将这样两条轮廓线之间的三角划分的任务分配在多个小的曲线段对之间进行，并且由于事先的控制点匹配，在每个小的区域中就能够进行简化快速的三角划分。通过试验验证了本算法的有效性。 相似文献
15.
高分辨率遥感影像的深度学习变化检测方法 总被引：2，自引：0，他引：2
为提升高分辨率遥感影像的变化检测精度,提出一种利用深度学习的变化检测方法。在预处理的基础上,利用顾及邻域信息的改进变化矢量分析算法和灰度共生矩阵算法获取影像间光谱和纹理变化,并通过设置自适应采样区间提取最可能的变化和未变化区域样本。构建并训练包含标签层的高斯伯努利深度限制玻尔兹曼机模型,以提取变化和未变化区域深层特征,从而有效辨别变化区域。通过WorldView-3与Pléiades-1影像的试验表明本文方法在变化检测精度方面优于对比方法。 相似文献
16.
自适应距离和模糊拓扑优化的模糊聚类SAR影像变化检测 总被引：1，自引：1，他引：0
针对模糊聚类算法的不足,结合差分影像的特点,提出一种基于自适应距离（adaptive distance）和模糊拓扑（fuzzy topology）理论的SAR影像变化检测技术框架（FATCD）。FATCD首先基于自适应距离公式提出一种自适应的样本到聚类中心的距离计算方法,优化了聚类过程中像元隶属度的计算公式,提高了模糊隶属度函数的准确程度;而后利用模糊拓扑理论改进传统去模糊化方式最大隶属度原则,从而增强了去模糊化过程。借助这两点,FATCD提高了模糊聚类变化检测的性能。两组真实SAR影像数据的试验结果表明本文方法可行、有效。 相似文献
17.
针对卫星视频的运动检测存在的局部伪运动虚警问题，提出一种决策树支持的局部有差别更新背景减除法。首先，对ViBe背景模型加以改进，在原模型基础上新增更新因子参数，建立初始的背景模型；其次，利用改进的模型进行运动检测，并对检测结果进行连通域标记，得到分割目标集；然后，根据目标特征属性建立决策树模型，并对分割目标集进行弱分类处理；最后，根据分类结果对背景模型样本和对应的更新因子进行局部有差别更新，进而实现“伪运动”虚警消除。利用SkySat和吉林一号视频数据进行实验，结果表明所提方法的效果和性能良好，检测率优于0.909，针对经典ViBe方法的误检测消除率优于90%。 相似文献
18.
本文探讨了深度学习在航空影像密集匹配中的性能，并与经典方法进行了比较，对模型泛化能力进行了评估。首先，实现了MC-CNN（matching cost convolutional neural network）、GC-Net（geometry and context network）、DispNet（disparity estimation network）3种代表性卷积神经元网络在航空立体像对上的训练和测试，并与传统方法SGM（semi-global matching）和商业软件SURE进行了比较。其次，利用直接迁移学习方法，评估了各模型在不同数据集间的泛化能力。最后，利用预训练模型和少量目标数据集样本，评估了模型微调的效果。试验包含3套航空影像、2套开源街景影像。试验表明：①与传统的遥感影像密集匹配方法相比，目前深度学习方法略有优势；②GC-Net与MC-CNN表现了良好的泛化能力，在开源数据集上训练的模型可以直接应用于遥感影像，且3PE（3-pixel-error）精度没有明显下降；③在训练样本不足时，利用预训练模型做初值并进行参数微调可以得到比直接训练更好的结果。 相似文献
19.
Light detection and ranging system (LIDAR) can obtain diverse remote sensing datasets which contains different land cover information. The datasets offer vital and significant features for land cover classification. As a new and effective deep learning algorithm, stacked auto-encoders (SAE) consists of multiple auto-encoders in which the code of each auto-encoder is the input of the successive one. The classification precision is closely related to hidden layers, and the number of samples in fine-tuning step also affects classification results. In this paper we study the classifiers based on different number of samples and hidden layers. According to appropriate parameters, we promote SAE with adaptive boosting ensemble strategy to build new classification method. Two tests which are based on LIDAR datasets are implemented. The experiment results prove that the fusion of deep learning and ensemble learning is effective to LIDAR remote sensing images. The proposed method is robust to similar scenes classification. The overall accuracy increases 6% compared with bagging method on test 1. 相似文献
20.
基于机器学习分类器的极化合成孔径雷达（synthetic aperture radar, SAR）影像水体提取方法具有较高的可靠性,但其通常依赖于大量的训练样本,利用该方法进行多时相极化SAR影像的水体提取时,在每一景影像上都人工标注足够数量的训练样本是十分困难且耗时的。同时,SAR影像上固有的相干斑点噪声会进一步加剧样本标注的难度。对此,引入迁移学习方法,利用其知识迁移能力将已有的训练样本的类别标签信息迁移至未标注的样本,以降低获取新样本所需的人工代价,提高水体提取的时效性。使用6景极化SAR影像和4种迁移学习方法进行最佳源域影像选取、样本标签迁移和水体提取实验,实验结果表明,迁移学习方法可以准确地将源域影像上的训练样本的标签信息迁移至其他影像,有效减少其他影像进行水体提取需要的人工标注样本的数量,同时能够维持较高的水体提取精度,在洪涝灾害应急响应中具有一定的应用价值。 相似文献