融合无人机LiDAR和高分辨率光学影像的点云分类方法

点云分类是激光点云数据处理的重要环节,探索自动、高效、高精度的点云分类方法具有重要意义.通过分析同机获取的LiDAR点云与高分辨率光学影像的特点,提出了融合无人机LiDAR与高分辨率光学影像的点云分类方法.首先将LiDAR点云投影到二维平面并构建不规则三角网模型,然后寻找同名点对完成与光学影像的配准与融合,进而将光学影像的光谱信息赋予无人机LiDAR点云,接着从光学影像上提取光谱特征、从LiDAR点云上提取多尺度几何特征构建分类特征集,进一步通过CFS特征选择算法实现特征集的降维,最后运用随机森林分类算法实现点云分类.实验结果表明,本文分类方法的总体精度可达89.5%,Kappa系数为0.844,与未经特征选择的分类结果相比精度提高了1.1个百分点,与单纯依靠LiDAR或者光学影像的分类相比,精度分别提高了5.4和14.9个百分点.本文方法不仅有效避免了基于点云属性内插构建新的图像融合方式带来的计算误差,同时解决了单尺度下构建几何特征时难以确定最优空间分析尺度的问题,并且对特征集进行优化选择从而有效提高了数据处理的效率.     

应用卷积神经网络的遥感图像云层自主检测

为实现遥感卫星对遥感图像的自主云层判别能力,提升目标自主识别的效率,避免云层覆盖面积较大的遥感图像丢失关键的目标信息而给后续算法处理带来不必要的计算资源浪费,提出一种基于卷积神经网络的云层自主检测方法,实现遥感图像云层的自主检测,达到了较高的检测精度.首先,根据遥感图像的特性建立卷积神经网络.然后,使用大量人工标识的遥感图像完成云层检测网络训练,使其达到预期检测精度.最后,在卫星在轨运行阶段,将所拍摄的遥感图像根据尺寸划分为若干个子图,并通过训练完成的卷积神经网络对子图是否被云层覆盖进行分类预测.综合所有子图的预测结果给出整幅遥感图像的云层覆盖占比.结果表明:以Landsat卫星遥感图像为测试对象,该方法可以实现有云层覆盖检测正确率为95.3%,无云层覆盖检测精度为97.8%,误判率为2.58%,漏判率为0.90%,综合精度为97.9%;由于使用了卷积神经网络和并行计算技术,该方法基本满足实时性需求,提高了算法的自主性与鲁棒性,为基于遥感图像的在轨实时应用奠定了基础.     

基于宁夏遥感大数据平台的地表水体提取与应用

在建设宁夏遥感大数据服务平台的基础上,给出了深度学习智能化信息提取工具的模块构成、界面基本组成和提取地表水体的操作方法;以大武口区作为研究区,基于高分一号和高分二号影像数据,通过宁夏遥感大数据服务平台的地表水体信息提取工具,对影像数据进行自动化提取实验及深度学习模型训练.结果表明,大武口区地表水体深度学习模型提取精度为...     

基于时间距离像的人体动作深度学习分类

在人体目标的雷达自动识别中,常用提取到的人体微多普勒特征对人体运动状态或动作姿态进行识别。受人体多变姿态和躯干强回波的影响,人体微多普勒特征有时是微弱和模糊的,难以稳定提取并用于分类。本文使用超宽带雷达录取了人体动作的高分辨率距离像,由连续多帧距离像构建了覆盖整个动作的时间－距离像,采用深度卷积神经网络自动学习时间－距离像的分层特征并进行了分类,对９种动作的平均分类精度达到了９６.６７％。实验结果验证了深度卷积神经网络对基于时间－距离像的人体动作分类是可行和有效的。     

面向对象的泰安市城市附属绿地信息提取

城市附属绿地广泛分布在居民区和道路等与人类工作生活最息息相关的区域。基于面向对象的分类方法,选取泰安市高分辨率遥感影像Quick Bird,对城市附属绿地信息进行提取,并与监督分类结果进行比较评价。结果表明,面向对象分类的总体精度达到了84.15%,Kappa系数为0.816 1,明显高于监督分类。泰安市居民区、单位和道路绿化程度总体较低,需要加强居民区和单位附属绿地建设,并提高道路绿化水平。     

基于E-cognition的面向对象的高分辨率遥感图像分类研究

高分辨率遥感影像具有丰富的空间以及纹理信息,而光谱信息较弱,若采用传统的基于像元的分类方法,仅从光谱特征出发,在进行图像处理时能够获取的信息有限,导致分类精度较低。为了能够更精确地对图像进行分类,文中利用专业的软件E-cognition采用面向对象的方法对高分辨率影像先进行多尺度分割和光谱辅助分割,之后选取合适的特征空间对河海大学遥感影像进行分类,并利用总体分类精度和Kappa系数等标准对分类精度进行客观评价。实验表明,面向对象的分类方法精度较高。     

基于深度卷积神经网络的车型识别方法

针对现有车辆车型视觉识别技术中的检测精度不高、难以适应天气环境变化、难以从视频图像中准确提取出用于识别的车辆图像、难以对车辆车型子类进行识别分类、难以兼顾识别精度和检测效率等不足,将深度卷积神经网络引入车辆目标定位、识别和分类（子类）问题中.利用深度卷积神经网络自动完成车型的深度特征学习,在特征图上进行逻辑回归,从道路复杂背景中提取出感兴趣区域;利用softmax分类器训练特征实现车型识别;为了优化softmax在深度卷积神经网络分类过程中出现的类内间距大的问题,引入中心损失函数对softmax损失函数进行优化,提高类间分散性与类内紧密性.在BIT-Vehicle车型数据集中的实验结果显示,提出方法的平均精度为89.67%,检测和识别时间为159 ms;与传统的分类方法相比,识别精度提高约20%,效率提高10倍以上,检测鲁棒性有明显提升;与未改进前的深度卷积神经网络相比,检测精度提高0.6%,速度提高0.29倍.     

基于二值化卷积神经网络的手势分类方法研究

针对手势分类问题,提出了一种基于二值化卷积神经网络的手势分类方法。根据神经网络在低精度化后仍能保持较高分类准确性和鲁棒性的特点,结合传统高精度卷积网络手势分类方法与二值化方法提出一种网络结构。并通过实验研究了隐层参数对手势分类效果的影响,并与常用的方法进行了分类性能和运行效率对比。实验结果表明,所提出的方法在N=512时的表现最佳,与其他方法相比,计算效率明显提升,且错误率接近最好的结果。     

土地利用/覆被遥感分类评价与季节变化分析——以连云港为例

基于遥感影像地物的季节变化特征对土地利用/覆被(LUC)信息提取的重要性,使用中巴卫星冬末、春末及秋季的影像,采用最大似然法对连云港沿海区域进行了土地利用/覆被分类,评估了其精度与误差,并对3个时期的土地利用/覆被空间分布特征及季节变化进行了研究.结果表明:分类精度最高的季节为秋季,其总体精度(85.2%)和总体Kappa系数(0.81)可以满足土地利用环境影响分析的要求;不同季节土地利用/覆被类型转移主要涉及高密度建设用地与水体之间、低密度建设用地与耕地及高密度植被之间、高密度植被与高低密度建设用地之间等;沿海地区土地利用/覆被季节变化特征可用于辅助公路等线状地物的提取、耕地利用季节变化的检测、沿海滩涂空间布局的调查分析等.     

基于高分辨率卫星影像的输电走廊植被生长预警

为从卫星影像中提取出输电走廊的信息,提出一种基于高分二号遥感影像的输电走廊信息提取方法.首先基于低分辨率多光谱影像进行加权灰度变换并实现影像二值化,利用影像边缘检测和直线检测方法提取输电线路和杆塔的信息.然后,利用最小距离法对融合后的高分辨率影像进行植被精细识别,并计算植被覆盖指数.最后,在植被分布影像中重构输电线路,并结合植被覆盖指数对植被威胁区域进行预警.仿真结果表明:利用边缘检测对二值化影像进行杆塔提取识别率达到100％,融合后的植被分布影像轮廓清晰,对地物植被覆盖区域识别精度达到了90％以上,结合植被覆盖指数给出的预警区存在植被生长茂密,威胁输电线路运行的情况.该方法实现输电走廊植被生长预警,能够运用于电力行业的输电安全在线监测.     

顾及资三卫星全色与多光谱数据的植被信息提取研究

目前遥感影像数据量正以TB级的存储量不断增加,但是遥感信息提取的方法远远不能满足各行业的实际需求.因此,研究遥感影像的信息提取方法就显得尤为重要.以河北省雄安新区植被信息提取为例,顾及资源三号卫星全色影像的高分辨率,多光谱影像的空间信息、光谱信息和纹理信息,基于样本信息的面向对象分类技术,选择具有代表性的样本信息,在分类过程中引入NDVI信息作为补充规则进行植被信息半自动化提取,使分类结果精度达到了92.7%.实验结果表明,该技术方案操作简易,实用性较好,不仅有利于实时精确获取植被信息,方便未来城市生态环境的动态监测,且有助于推动未来城市土地规划和土地管理的发展.     

基于量子卷积神经网络的图像识别新模型

为了解决卷积神经网络对内存和时间效率要求越来越高的问题,提出一种面向数字图像分类的新模型,该模型为基于强纠缠参数化线路的量子卷积神经网络。首先对经典图像进行预处理和量子比特编码,提取图像的特征信息,并将其制备为量子态作为量子卷积神经网络模型的输入。通过设计模型量子卷积层、量子池化层、量子全连接层结构,高效提炼主要特征信息,最后对模型输出执行Z基测量,根据期望值完成图像分类。实验数据集为MNIST数据,{0,1}分类和{2,7}分类准确率均达到了100%。对比结果表明,采用平均池化下采样的三层网络结构的QCNN模型具有更高的测试精度。     

基于特征融合的卷积神经网络乳腺癌图像分类

传统乳腺癌图像分类方法需要从医学图像中人工提取特征,不仅需要具备专业医学知识,而且存在耗时费力、提取高质量特征困难等问题.因此,提出了一种基于特征融合的卷积神经网络乳腺癌图像分类方法.首先预训练了两个不同结构的卷积神经网络,然后利用卷积神经网络自动提取特征的特性,将两个结构提取到的特征进行融合,最后利用分类器对融合的特征进行分类;同时,为避免卷积神经网络模型受小样本量限制出现过拟合现象,通过乳腺病变区域提取、区域细化和数据增强等方法对图像进行适当预处理,并通过过采样方法解决了正负样本不平衡的问题.实验结果显示,该方法在乳腺癌图像数据集BCDR-F03上分类AUC达到89%,对乳腺癌图像的分类精度较传统方法有明显提高.     

基于深度卷积神经网络的高光谱遥感图像分类

传统的高瀑布图像分类模型只考虑光谱特征信息,忽略了图像空间结构信息在分类中的重要作用。为提高高光谱遥感图像的分类精度,提出一种同时利用高瀑布图像的光谱信息和空间信息的深度卷积神经网络分类模型。通过对低层特征自动分层地学习来提取更加抽象的高层特征,提取的特征具有平移、缩放及其他形式扭曲等高度不变性;基于学习到的深度特征,用logistic回归分类器进行分类训练。高光谱数据实验结果表明,深度卷积神经网络模型能够提高高光谱遥感图像的分类精度,从而验证了深度卷积神经网络进行高瀑布图像分类的可行性和有效性。     

基于RFA-LinkNet模型的高分遥感影像水体提取

针对现阶段卷积神经网络模型在复杂地物背景下水体提取精度低、多尺度特征捕获能力差、模型复杂的问题,基于LinkNet模型提出一种结合RFB模块和通道注意力机制的RFA-LinkNet高分辨率光学遥感影像水体提取模型.首先,将RFB模块用于获取高阶水体语义信息与多尺度特征;其次,利用通道注意力机制,对特征编码和解码的特征进行加权融合,抑制背景特征,增强水体语义.与现有卷积神经网络模型相比,提出方法不仅具有高效的性能和鲁棒性,而且能实现高精度的水体提取.     

融合支持向量机和面向对象方法的矿区土地利用信息提取

为了提高矿区土地利用信息遥感分类和提取精度,本文采用多源数据融合技术,利用高分二号卫星数据,融合面向对象思想和支持向量机方法,对河南省禹州市的采矿区进行以露天采场为主的矿区土地利用信息提取.结果表明,融合支持向量机和面向对象方法的矿区信息提取总体精度为86.44％,Kappa系数为0.83,优于融合K近邻和面向对象的方法,表明该方法在矿区信息提取中有理想的精度,可为矿区的环境监测和科学管理提供可靠的技术支撑.     

基于尺度配准的航拍图像与卫星影像匹配方法

随着无人机航拍技术的普及,航拍图像在目标检测和跟踪的应用得到普遍研究,而航拍图像与卫星影像的匹配研究相对较少。由于成像机理和成像视角的不同,无人机航拍图像与卫星影像存在较大的尺度差异,现有的图像匹配方法难以实现航拍图像与卫星影像的有效匹配。为了解决这一问题,提出了一种实现具有大尺度差异的航拍图像与卫星影像匹配的方法。该方法通过卫星影像的经纬坐标信息和无人机航拍图像成像时刻的相机位姿信息,对无人机航拍图像进行方向和尺度的配准;然后利用航拍图像成像时刻的位置信息,对卫星影像进行粗匹配,得到包含航拍图像匹配区域在内的卫星影像子图;再利用神经网络提取配准后的航拍图像与卫星影像子图的卷积神经网络（convolutional neural networks,CNN）特征,并基于CNN特征实现航拍图像与卫星影像的精匹配。仿真实验结果表明,本文所提方法能够有效的实现大尺度差异的航拍图像与卫星影像匹配。通过将本文匹配方法与现有图像匹配算法匹配精度的对比分析,证明了本文匹配算法的有效性和优越性。     

基于深度神经网络的城市声音分类模型研究

为充分利用城市生态环境中各种声音包含的信息,提取Mel频率倒谱系数、Mel图谱、频谱质心、色度图谱(Chromagram)和光谱对比度等5种特征,通过深度神经网络模型进行城市环境声音的分类,该模型分类精度达88.6%,优于基于Mel频率倒谱系数的基本分类方法,并提出一种基于卷积神经网络的声音分类模型来评估连续小卷积核卷积神经网络在对短音频城市环境声音进行分类的潜力,与目前其他同类声音分类方法的结果进行对比。     

基于深度学习的哮喘患者CT影像黏液栓自动识别

针对肺部计算机断层扫描（CT）影像中人工识别黏液栓效率较低、识别效果不佳等问题,提出一种基于深度神经网络的黏液栓自动识别模型。针对黏液栓不规则的特点,在骨干网络中引入可变形卷积来提取特征,并在检测网络中引入可变形感兴趣区域池化进行特征尺度归一化。针对黏液栓的中小目标特性,提出采用加权特征金字塔网络进行多尺度特征融合。实验结果表明,与传统的更快区域卷积神经网络相比,所提模型的平均精度提升了4%,可为辅助诊断哮喘的严重程度提供参考。     

基于卷积神经网络的电子鼻分类识别

在混合气体识别的研究中,针对目前电子鼻应用于化工污染物种类监测时难以达到理想精度的问题,提出了一个基于卷积神经网络的气体分类识别算法。首先利用卷积神经网络的自适应特征提取能力,有效降低原始数据对后续操作的影响;其次进行多次实验训练,对卷积神经网络进行参数优化,提高网络模型性能;最后将提出的卷积神经网络算法与BP神经网络算法分别应用于加州大学公开数据集中的一氧化碳和乙烯混合气体的实验数据中。实验结果表明,卷积神经网络算法对此数据集的气体种类检测准确率达到93%,比BP神经网络算法应用于气体识别时精度更高,误差更小,为电子鼻系统气体种类检测提供了一种新的方法。