在高分辨率遥感图像分割方法中,分形网络演化算法(fractal net evolution approach,FNEA)是一种经典的影像对象构造方法。但在计算影像对象之间的异质性时,使用根据经验选择的固定权值会导致该算法不能很好地适应不同属性的影像对象分...在高分辨率遥感图像分割方法中,分形网络演化算法(fractal net evolution approach,FNEA)是一种经典的影像对象构造方法。但在计算影像对象之间的异质性时,使用根据经验选择的固定权值会导致该算法不能很好地适应不同属性的影像对象分割。针对这一问题,提出了一种改进的FNEA方法,根据不同影像对象的空间和光谱特征,自适应地计算空间判据权值和紧凑度判据权值,并将不同光谱分量对光谱判据的贡献引入到影像对象之间异质性的计算中。计算机仿真实验结果表明,该文提出的算法对不同属性的影像对象具有很好的适应性,与同类算法相比,图像分割结果得到了较好的改善。展开更多
针对分形网络演化算法(Fractal Net Evolution Approach,FNEA)中特征的利用问题和异质度权值的选择问题,提出一种改进的FNEA方法,充分利用影像的多特征信息,增加了纹理异质性,使得影像整体异质性包含的影像信息更加丰富,更加全面,同时...针对分形网络演化算法(Fractal Net Evolution Approach,FNEA)中特征的利用问题和异质度权值的选择问题,提出一种改进的FNEA方法,充分利用影像的多特征信息,增加了纹理异质性,使得影像整体异质性包含的影像信息更加丰富,更加全面,同时对异质度权值的选择进行改进,根据不同异质度对不同对象分割的贡献度设定权值,使得权值的选择更加合理。实验结果表明,该方法对影像特征的利用更为合理,图像分割结果得到了较大的改善。展开更多
在世界各国推进精准农业发展的潮流下,无人机遥感技术已然成为推动农业走向精准化的最有利手段之一。为促进我国精准农业的发展,如何提高影像地物分类精度给我国农业发展改革、政策出台提供可靠的数据支持是目前亟需解决的一个问题。本...在世界各国推进精准农业发展的潮流下,无人机遥感技术已然成为推动农业走向精准化的最有利手段之一。为促进我国精准农业的发展,如何提高影像地物分类精度给我国农业发展改革、政策出台提供可靠的数据支持是目前亟需解决的一个问题。本文以分形网络演化方法(fractal net evolution approach-FNEA)对无人机影像进行最优尺度分割,在此基础上根据影像各地物类别的特征信息建立分类定义。实验结果表明:该方法对地物分类针对性强,可减少地物的错分、漏分,提高影像分类的整体精度。展开更多
结合深度学习,提出一种多尺度全卷积神经网络驱动的遥感影像修复方法。构建高斯金字塔实现多尺度变换,影像通过FNEA(fractal net evolution approach)算法进行分割,利用卷积层之间的激活函数值来寻找最佳匹配像素,最后通过全卷积神经...结合深度学习,提出一种多尺度全卷积神经网络驱动的遥感影像修复方法。构建高斯金字塔实现多尺度变换,影像通过FNEA(fractal net evolution approach)算法进行分割,利用卷积层之间的激活函数值来寻找最佳匹配像素,最后通过全卷积神经网络反向传播函数对修补区域进行像素填充。多组实验验证了多尺度全卷积神经网络方法可以良好的修复遥感影像,有自动化高、效率高、目视修复效果佳的优势。展开更多
文摘在高分辨率遥感图像分割方法中,分形网络演化算法(fractal net evolution approach,FNEA)是一种经典的影像对象构造方法。但在计算影像对象之间的异质性时,使用根据经验选择的固定权值会导致该算法不能很好地适应不同属性的影像对象分割。针对这一问题,提出了一种改进的FNEA方法,根据不同影像对象的空间和光谱特征,自适应地计算空间判据权值和紧凑度判据权值,并将不同光谱分量对光谱判据的贡献引入到影像对象之间异质性的计算中。计算机仿真实验结果表明,该文提出的算法对不同属性的影像对象具有很好的适应性,与同类算法相比,图像分割结果得到了较好的改善。
文摘针对分形网络演化算法(Fractal Net Evolution Approach,FNEA)中特征的利用问题和异质度权值的选择问题,提出一种改进的FNEA方法,充分利用影像的多特征信息,增加了纹理异质性,使得影像整体异质性包含的影像信息更加丰富,更加全面,同时对异质度权值的选择进行改进,根据不同异质度对不同对象分割的贡献度设定权值,使得权值的选择更加合理。实验结果表明,该方法对影像特征的利用更为合理,图像分割结果得到了较大的改善。
文摘由于高分辨率全色影像(简称"高分影像")中的信息高度细节化,再加上噪声的影响,会导致传统基于纹理特征的居民地提取方法效果不理想。为此,提出一种基于小波纹理和基元合并的居民地提取方法。首先,利用结合小波变换(wavelet transform,WT)的分形网络进化算法(fractal net evolution approach,FNEA)获取初始基元,并对基元的多尺度小波纹理进行分析;然后,在人工给定种子基元的基础上合并具有相似纹理的基元;最后,对基元合并的结果进行数学形态学修整,得到居民地区域。利用天绘一号(TH-1)全色影像对所提方法进行验证及对比分析的结果表明,该方法对高分影像中的街区式居民地可取得较高的提取精度和计算效率。
文摘在世界各国推进精准农业发展的潮流下,无人机遥感技术已然成为推动农业走向精准化的最有利手段之一。为促进我国精准农业的发展,如何提高影像地物分类精度给我国农业发展改革、政策出台提供可靠的数据支持是目前亟需解决的一个问题。本文以分形网络演化方法(fractal net evolution approach-FNEA)对无人机影像进行最优尺度分割,在此基础上根据影像各地物类别的特征信息建立分类定义。实验结果表明:该方法对地物分类针对性强,可减少地物的错分、漏分,提高影像分类的整体精度。
文摘结合深度学习,提出一种多尺度全卷积神经网络驱动的遥感影像修复方法。构建高斯金字塔实现多尺度变换,影像通过FNEA(fractal net evolution approach)算法进行分割,利用卷积层之间的激活函数值来寻找最佳匹配像素,最后通过全卷积神经网络反向传播函数对修补区域进行像素填充。多组实验验证了多尺度全卷积神经网络方法可以良好的修复遥感影像,有自动化高、效率高、目视修复效果佳的优势。