基于深度学习的遥感图像分类研究

作为机器学习的分支,深度学习克服了机器学习在提取特征上的弱点,能从海量数据中提取抽象特征。其特征表达能力和泛化能力高,面对海量遥感影像数据也能高效准确的提取特征。遥感影像分类是从提取影像中各类地物特征并归类处理,是遥感影像处理中的关键技术。基于深度学习的遥感图像分类可以弥补传统机器学习分类精度不高、效率低和泛化能力不足的缺陷,推动了遥感分类技术的进步。将首先介绍现有的部分深度学习模型;其次对遥感图像分类方法做阐述;最后对基于深度学习的遥感图像分类方法研究分析并做总结。

基于改进的SIFT图像快速拼接方法

针对使用传统的尺度不变特征变换(SIFT)算法进行图像拼接时出现的特征点误匹配以及拼接用时长的问题,文中提出一种改进的SIFT图像快速拼接方法。通过使用RANSAC算法对SIFT算法在特征点匹配时进行多次优化迭代,对误匹配点进行剔除和提纯改进,实现将待配准的图像精确匹配。然后,将改进后算法的匹配结果与传统SIFT算法、Harris拼接算法的拼接结果进行对比。结果表明,改进的SIFT算法在图像拼接质量、准确性上较传统的算法均有所提高,匹配使用特征点个数减少,拼接接缝和拼接重影消失,拼接速度提高了约14倍。文中改进方法的图像拼接质量好且拼接时间较短,能够较好地实现农田和建筑物的图像拼接。