面向遥感影像的深度语义哈希检索

目的 哈希检索旨在将海量数据空间中的高维数据映射为紧凑的二进制哈希码,并通过位运算和异或运算快速计算任意两个二进制哈希码之间的汉明距离,从而能够在保持相似性的条件下,有效实现对大数据保持相似性的检索。但是,遥感影像数据除了具有影像特征之外,还具有丰富的语义信息,传统哈希提取影像特征并生成哈希码的方法不能有效利用遥感影像包含的语义信息,从而限制了遥感影像检索的精度。针对遥感影像中的语义信息,提出了一种基于深度语义哈希的遥感影像检索方法。方法 首先在具有多语义标签的遥感影像数据训练集的基础上,利用两个不同配置参数的深度卷积网络分别提取遥感影像的影像特征和语义特征,然后利用后向传播算法针对提取的两类特征学习出深度网络中的各项参数并生成遥感影像的二进制哈希码。生成的二进制哈希码之间能够有效保持原始高维遥感影像的相似性。结果 在高分二号与谷歌地球遥感影像数据集、CIFAR-10数据集及FLICKR-25K数据集上进行实验,并与多种方法进行比较和分析。当编码位数为64时,相对于DPSH（deep supervised Hashing with pairwise labels）方法,在高分二号与谷歌地球遥感影像数据集、CIFAR-10数据集、FLICKR-25K数据集上,mAP（mean average precision）指标分别提高了约2%、6%7%、0.6%。结论 本文提出的端对端的深度学习框架,对于带有一个或多个语义标签的遥感影像,能够利用语义特征有效提高对数据集的检索性能。     

一种基于RBF神经网络的极化SAR图像分类方法

极化SAR图像分类是新体制雷达应用研究的基础前沿问题.文中提出了提出了一种基于径向基函数(Radial Basis Function,RBF)神经网络的极化SAR图像分类方法.在构建包含G0分布最大似然距离和一些常规特征的极化SAR图像分类特征集的基础上,利用样本数据对RBF神经网络进行训练,完成分类器的设计.实测极化SAR图像的分类实验结果表明,该方法具有较好的图像细节保持能力.     

基于SISE方程的广义gamma分布参数估计方法

广义gamma分布(GΓD)是近年来用于SAR图像统计建模重要分布之一,参数估计是制约其应用的核心问题。该文提出了一种新的*GΓD参数估计方法。首先分析了*GΓD的对数累积量参数估计方法(Mehtod-of-Log-Culmulants,MoLC)的不足,接着推导了基于SISE(Scale-Independent-Shape-Estimation)方程的*GΓD参数估计表达式,并给出了具体的求解方法。最后,利用蒙特卡洛仿真的实验结果表明,该文方法稳定性和有效性优于MoLC。     

一种基于测地线距离的极化SAR图像快速超像素分割算法

针对传统的极化SAR(PolSAR)图像超像素分割算法中采用的距离度量对相似性表征能力不足的问题,该文提出了一种基于测地线距离的极化SAR图像快速超像素分割算法。首先,对图像进行正六边形初始化与不稳定点初始化;其次,利用实对称Kennaugh矩阵之间的测地线距离来度量当前不稳定点与其搜索范围内其他聚类中心点之间的相似度,以便更准确地为当前不稳定点分配标签,从而快速减少不稳定点的数量;最后,利用后处理步骤消除孤立像素点以生成最终的超像素。利用仿真极化SAR数据验证了初始化方法的有效性和测地线距离度量的高效性,并利用仿真和实测数据将该文算法与其他4种算法进行对比分析。实验结果表明,该文方法生成的超像素具有更规则的形状并且能够准确地贴合真实地物边缘,同时具有更高的运算效率。     

基于复值卷积神经网络样本精选的极化SAR图像弱监督分类方法

针对物体框标注样本包含大量异质成分的问题，该文提出了一种基于复值卷积神经网络(CV-CNN)样本精选的极化SAR(PolSAR)图像弱监督分类方法。该方法首先采用CV-CNN对物体框标注样本进行迭代精选，并同时训练出可直接用于分类的CV-CNN。然后利用所训练的CV-CNN完成极化SAR图像的分类。基于3幅实测极化SAR图像的实验结果表明，该文方法能够有效剔除异质样本，与采用原始物体框标注样本的传统全监督分类方法相比可以获得明显更优的分类结果，并且该方法采用CV-CNN比采用经典的支持矢量机(SVM)或Wishart分类器性能更优。