基于卷积神经网络的景象匹配区适配性筛选方法

针对基于图像特征指标的景象匹配区适配性筛选方法效率低、景象匹配区规划周期长的问题,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的适配性筛选算法。首先以典型的城市、荒漠、农田等6类景象为对象,构建包括灰度均方差、高程方差、独立像元数和最大峰值比等的图像特征指标,形成相关数据集;设计基于CNN的景象匹配区适配性筛选模型,并分析了迭代次数、训练样本数量、像元数等对模型计算精度的影响;最后选取合适的迭代次数和全连接层神经元数,利用数据集验证了本文算法。结果表明:所提方法可以有效提升大规模典型景象的匹配适配性筛选效率。