基于GF-2的江苏滨海湿地遥感深度学习分类算法研究

以江苏盐城滨海湿地为研究区,基于高分二号(GF-2)高空间分辨率遥感影像,应用VGG16BN深度学习网络对研究区不同地物类别进行分类,并与VGG16、SVM和BP神经网络分类结果进行对比,综合评价分析分类结果精度与适用性。研究结果表明:与其他分类算法结果相比,基于深度学习VGG16BN网络的影像分类精度相对最高,总体分类精度达99.32%,Kappa系数0.99,均显著高于其它分类算法精度。此外,通过局部可视化分析,VGG16BN网络算法分类结果可有效保持大面积同类地物的区域一致性,有效避免"椒盐"噪声,对道路、河流等线状地物的连续性和边界提取较为完整和清晰。

一种融合图像区域属性特征的运动阴影消除算法

针对传统C1C2C3彩色不变性特征模型中分母只考虑值最大的颜色信息导致阴影消除结果不准确及局部二值模式(local binary pattern,LBP)易受噪声扰动的缺陷,在C1C2C3模型中采用两个颜色通道的均值作为分母以及在LBP模型中加入抗噪声因子的方法分别对以上两个模型进行改进,提高了两个模型的阴影检测准确率.为了有效融合各种基于属性阴影消除方法的优势,引入LBP纹理复杂度测量函数,根据LBP纹理复杂度分区域融合文中改进的两个模型,实验结果表明,改进的算法提高了运动阴影消除准确率.

基于双向分析的KGMM运动目标检测算法

针对传统的目标检测算法往往是顺着时间轴方向从过去到现在分析视频序列,而忽略当前帧之后的逆向视频帧信息,对于复杂场景下的背景突变或光照变化的运动目标检测等方面存在不足.提出了基于双向分析的(KGMM)运动目标检测方法.在KGMM模型基础上,加入向后分析建立混合高斯模型,有效解决了较强的背景扰动和环境的复杂变化带来检测效果不好的问题,提高了算法的适应性.向前分析模型与向后分析模型共享一个高斯分布集,减少了高斯分布个数,保证了算法的运行速度.实验结果表明,改进的算法检测效果更理想.