基于DLSVM算法的高分辨率遥感图像分类研究

为了进一步提高高分辨率遥感图像的分类精度及效率,融合支持向量机SVM及局部支持向量机KNNSVM算法,借助主动学习相关理论,提出了基于距离的局部支持向量机算法(DLSVM).该算法通过对未标记样本和超平面之间的距离与预先设定的距离阈值相比较,判断是否需要进一步建立局部支持向量机KNNSVM来确定样本的类标.对实际的高分辨率遥感图像分类的实验结果显示:在合适的距离阈值与K值的设置下,该算法能够提高支持向量机SVM的分类精度,同时大大降低KNNSVM算法的时间消耗.

基于BKNNSVM算法的高分辨率遥感图像分类研究（英文）

为了解决局部支持向量机算法KNNSVM存在的分类时间过长不利于具有海量数据量的高分辨率遥感图像分类的不足,提高KNNSVM的算法表现,提出了改进的基于不确定性的BKNNSVM算法.该算法利用二项式分布的共轭先验分布Beta分布根据近邻的分布情况推导该未标记样本属于正类或负类的概率大小,从而计算每一个未标记样本在类属性上的不确定性大小.再通过设置不确定性阈值的大小,对不确定性低于阈值的未标记样本直接采用KNN进行分类,而对高于阈值的样本利用其近邻建立局部支持向量机分类器进行分类.对高分辨率图像分类的实验结果表明:合适的阈值能够有效降低原始KNNSVM算法的时间开销,同时能保持KNNSVM分类精度高的特点.

高分辨率遥感图像分类方法在LUCC中的研究进展

高空间分辨率遥感图像在土地利用/覆盖(LUCC)变化研究中的应用,促进了遥感分类技术的进一步发展,表现在遥感分类对象、分类特征和分类器3个方面。本文对其研究进展情况进行了综述,介绍了具有代表性的分类方法,并对各种方法的特点进行了分析。最后,对遥感分类的相关研究进行了总结和展望。

加入不变矩的高分辨率遥感图像分类

不变矩是表达图像几何形状信息的参数,具有几何变换的稳定性,在图像识别领域已经得到广泛应用。本文将3种常用的不变矩,即胡氏矩、Zern ike矩和小波矩,运用到高分辨率遥感图像分类中,并与只利用光谱信息的图像分类结果进行对比。结果表明,在高分辨率图像分类中加入不变矩图像可以显著提高分类精度,尤其是对那些具有相似光谱特征但同时具有不同形状和结构特征的地物分类更加有效。

条件随机场建模的大尺度空间上下文的高分辨率遥感图像分类

针对高分辨率图像分类中大尺度空间上下文信息表达难的问题,提出一种两级空间上下文特征关联的条件随机场(CRFs)模型。先对图像进行分层及逐层特征提取,并进行"对象层—目标层"特征关联;再用支持向量机(SVM)的概率输出定义CRFs模型的关联势函数,利用分层特征加权的Potts函数定义交互势函数;最后采用分段学习及最大-积消息传递算法对该模型进行训练和推理。用大比例尺航空图像进行试验,结果表明,与基于单尺度的像素层、对象层或目标层的SVM-CRFs相比,本文提出的模型分类精度和时间效率都有所提高。

样本自适应多特征加权的高分辨率遥感图像分类

高分辨率遥感影像能够提供丰富的地物细节,但各种地物空间分布复杂,同类目标呈现出较大的光谱异质性,给传统模式识别分类器带来极大的挑战。提出了一种样本自适应多特征加权的遥感图像分类方法。常见的多特征组合分类器未能充分利用各种特征之间的局部相关性,提出通过分析测试样本局部特征相关性,探究各个特征在不同样本的分类中所占权重的不同,据此对不同分类器进行自适应加权。在一个大型遥感图像数据库上的实验结果表明,不同特征在遥感图像中对不同样本的分类作用是不同的,样本自适应特征加权法将平均分类精度从78.3%提高到90%。

基于支持向量机和Getis因子的高分辨率遥感图像分类

采用支持向量机对具有RGB 3个波段、分辨率为0.32 m的航空摄影图像进行实验,首次根据表示空间聚集程度的局部Getis因子完成分类。结果表明:1)当应用基于线性、多项式、径向基和Sigmoid 4种常用核函数的SVM进行分类时,基于径向基的SVM分类精度最高,总体精度超过91%。2)从原始图像计算出局部Getis因子,该指标可用于图像分类,且分类精度与局部Getis因子的步长有关;在步长小于变异函数变程的条件下,应用径向基SVM的总体分类精度达95.66%,高于直接使用原始图像RGB波段光谱信息的分类精度,因此局部Getis因子在高空间分辨率遥感图像分类中具有应用和研究价值。

基于密集连接的高分辨率遥感图像分类

高分辨率遥感图像分类是当前一个研究热点,基于深度卷积网络和全连接条件随机场的高分辨率遥感图像分类模型(Deeplab),因其高效精准的分类性能被广泛应用于该研究领域,但Deeplab模型存在空洞卷积核对高分辨率遥感图像的信息利用率不足、限制分类精度进一步提高的问题。本文提出一种基于密集连接的轻量级高分辨率遥感图像分类模型Dspp,采用密集卷积网络连接结构,将Deeplab的空洞卷积金字塔结构替换成密集连接结构,以提高信息利用率且增强模型的泛化能力,并与当前经典的FCN、FCN8S、Deeplab分类网络模型进行实验对比。结果表明,Dspp模型相较于FCN模型、FCN-8S模型和Deeplab模型的整体精度分别提高16.8、11.7和7.7个百分点,验证了本模型的有效性。

基于DeepLabv3架构的高分辨率遥感图像分类

针对目前使用机器学习解决高分辨率遥感图像分类主要存在下采样导致的细节信息丢失问题,提出了一种基于DeepLabv3架构的小波域DeepLabv3-MRF(Markov random field,MRF)算法。选择当前较为普遍的DeepLabv3架构分类算法,能够获得更为精确的分类结果;采用小波域DeepLabv3-MRF算法,还能够获得更为清晰的边缘细节信息。选取南方某地区高分辨率无人机遥感图像进行分类实验,通过小波变换的方向性、非冗余性以及MRF变换像素空间的交互性这三个方面,将分类结果与原始DeepLabv3架构分类结果对比分析。结果表明,所提出的分类方法精度明显高于原始DeepLabv3架构分类算法的精度,总体精度可提升3%左右,并且可以充分表达高分辨率遥感图像细节信息。

基于多尺度融合的高分辨率遥感图像分类

面对遥感图像日益增长的分辨率,面向对象的分类处理方法相较于传统的基于像素的分类方法愈来愈有优势。针对其分割处理环节仍存在过分割以及欠分割现象而导致分类精度降低的问题,本文提出一种融合多尺度分割的办法,使用不同尺度分割结果融合的结果作为最终分类的输入。经过试验,此融合分割办法能有效的减少欠分割与过分割,提高面向对象的分类精度。

半监督高分辨率遥感图像分类方法

针对高分辨率遥感图像地形复杂、标注困难等问题,本文提出一种基于半监督学习的高分辨率遥感图像分类算法。首先借助卷积神经网络作为分类模型;然后对高分辨率遥感数据集部分图像分类标注,有监督训练卷积网络;最后对其余数据分别进行弱增强和强增强,得到训练图像伪标签,实现模型有监督训练。实验表明:所提半监督分类模型准确率比有监督模型平均准确率仅降低0.03左右,训练集标注耗时节约一半以上,表明该方法具有较好的识别效果和较快的训练速度。

基于“双模型”的高分辨率遥感图像分类算法

高分辨率遥感图像刻画突出的地物细节,将遥感图像进行分类能够获取丰富的场景语义信息。当前的遥感图像分类算法无法充分融合高分辨率遥感图像的边缘细节信息。本文将小波变换和深度学习结合,提出了一种基于“双模型”的高分辨率遥感图像分类算法。首先,采用小波域对图像进行分解和重构,提取图像的边缘特征;其次,利用非锐化掩膜法增强图像边缘特征的同时去除噪声;最后,选择DeepLabv3架构分类算法训练南方某地区高分辨率无人机遥感图像,以实现高分辨率遥感图像的分类与识别。实验结果表明,该算法有效的保持和增强了图像分类效果,得到了较好的边缘细节信息。

基于超像素的高分辨率遥感图像分类算法

为了实现输电线路的合理、高效规划,如何准确、快速地进行遥感图像的地表覆盖物分类是值得研究的问题。该文针对高分辨率遥感图像地表覆盖物分类问题,提出了一种基于超像素的方法,其相对于基于像元的方法,减少了椒盐噪声,效率更高,有利于后续的GIS应用。该方法分为图像分割、特征提取、图像分类三个步骤。首先,通过SLIC算法将遥感图像划分为若干个大致均匀的超像素;接着,对超像素的颜色特征、纹理特征进行特征提取;最后,将提取出的超像素特征作为随机森林算法的输入,对超像素进行分类。该文使用提出的方法在泰日线遥感图像上进行测试,取得了有效的结果。

基于社团检测的高分辨率遥感图像分类研究

随着空间分辨率的不断提高,遥感图像的纹理特征受到越来越多的关注,面向对象的信息提取方法成为近年来学者关注的重点。面向对象技术使对遥感图像的分析从像元层次过渡到对象。分割后的遥感图像形成很多目标对象,而这些地理目标构成了复杂的网络特征,可以通过网络的空间结构和拓扑关系来实现地理目标属性和功能的表述,根据拓扑属性将空间数据库转换为网络。目前,将网络科学的社团检测方法应用到遥感图像目标检测这一领域的工作还没有展开,也没有将之应用到复杂的地理目标分析,以及目标拓扑属性的描述中。本文将对基于社团检测的高分辨率遥感图像分类算法进行梳理和总结,分析本文的研究背景、目的和意义,并对国内外相关算法的研究现状进行介绍,指出社团检测算法在高分辨率遥感图像分类中的指导意义。

基于高分辨率遥感影像的居民地分类方法研究

随着我国城镇化进程的不断深入,大量乡村居民地已经转化为城镇居民地,为了度量二者实时的转化情况,该文提出一种基于监督分类机制的居民地分类方法,该方法首先采用边缘特征及高斯函数量化影像上的局部特征,然后构建5种城镇及乡村居民地分类规则,其次创建训练样本对各类规则进行学习,最后通过城镇及乡村测试样本验证该文方法的精度。实验表明,该文方法可以对高分辨率遥感影像城镇及乡村居民地进行初级分类,为“城镇化”进程提供一个新的衡量指标。

改进的DeeplabV3Plus高分辨率遥感影像土地覆盖分类

高分辨率遥感图像中提取的土地覆盖信息在城市规划建设和土地利用等领域具有巨大的价值,但由于土地覆盖类型复杂、光谱差异性较小等因素,目前对土地覆盖类别进行高质量的语义分割仍然受到一定限制。因此,针对该问题提出了一种新颖的全连接网络MFC-Net,该模型采用全新的基于点积注意力的空洞空间金字塔池化模块(DPA-ASPP),提高了聚合上下文信息方面的能力及效率。更进一步的,针对不同尺度的特征提出了注意力增强融合模块(AEFM)来增强特征表示,改善不同形状和大小地物的分割效果。该模型充分利用了高分辨率遥感影像中丰富的上下文信息及多尺度信息,在LoveDA大型遥感图像数据集上取得了优于当前主流模型的分割结果(84.26%MPA和69.67%MIOU)。

基于改进坐标注意力和U-Net网络的高分辨率遥感图像建筑物提取

在城市规划、统计调查和灾害应急评估等领域,从遥感图像中准确提取建筑物至关重要。然而,由于高分辨率遥感图像中建筑形态的多样性和地面环境的复杂性,实现建筑的完整、高精度提取仍然是一个挑战。为此,本文提出了一种用于从高分辨率遥感图像中提取建筑物的新网络,该网络保留了U-Net的编码器–解码器结构,并融合了坐标自注意模块(CSAM),以调整网络对输入图像中不同区域的关注程度,使得网络能够有选择性地捕捉和强调重要的语义信息,增强特征提取能力。在空间分辨率为0.3 m的WHU建筑物数据集上进行的实验结果表明,与U-Net、PSPNet、DeepLabV3+相比,所提出的网络能够获得更准确的建筑提取结果,达到98.21%的像素精度、95.28%的精准率、94.57%的召回率和90.34%的交并比。

基于YOLOv5 的高分辨率遥感图像目标检测算法

随着遥感技术的快速发展,高分辨率遥感图像以其高精度的地表细节信息,为城市规划、环境监测、灾害评估等提供了强有力的支持。但由于目标尺寸多样性和背景复杂性的增加,在高分辨率图像中准确地检测和识别特定目标面临挑战。YOLOv5在实时目标检测领域展现了出色的性能,在处理速度上具有显著优势,在多种复杂场景下保持高准确度。基于YOLOv5算法框架,提出一种面向高分辨率遥感图像的目标检测算法,引入改进多尺度特征融合技术,有效提升模型在复杂背景下对小目标的检测能力。结果表明,所提算法在高分辨率遥感图像目标检测任务中的性能优越,具有实用潜力。

基于深度学习的高分辨率遥感影像地物分类研究

针对高分遥感图像中的目标识别问题,提出了一种新的目标识别算法。本文首先对深度神经网络进行了理论分析,并对卷积神经网络、循环神经网络以及图神经网络进行了分析。在此基础上,对高分遥感图像的前处理技术进行了研究。包括辐射校正、几何校正、图像融合和特征提取。接下来设计了高分遥感图像对地目标识别的试验研究,主要内容有:样本选取与预处理,模型建立与培训,模型评价与分析。最后,给出了高分辨率遥感图像地物分类的应用案例,包括城市用地分类、农作物分类和植被覆盖度估算。

高分辨率遥感影像在房地一体规划中的用地类型分类研究

高分辨率遥感影像技术以其独特的优势,在土地与房产紧密结合的规划中,用地类型的划分起到了至关重要的作用。本文通过论述了高清遥感影像在房地用地类别划分中的运用,涵盖影像采集与处理、初步辨识、精细分类以及动态监控与更新等多个领域。同时,对实际案例的研究证实了该技术在提升土地利用分类的精准度和推动规划决策的理性化过程中具有突出作用。探讨了高分辨率遥感影像技术的发展趋势,特别是技术融合、创新发展以及数据共享与标准化建设等方面。