基于超像素级卷积神经网络的多聚焦图像融合算法

该文提出了基于超像素级卷积神经网络(sp-CNN)的多聚焦图像融合算法。该方法首先对源图像进行多尺度超像素分割,将获取的超像素输入sp-CNN,并对输出的初始分类映射图进行连通域操作得到初始决策图;然后根据多幅初始决策图的异同获得不确定区域,并利用空间频率对其再分类,得到阶段决策图;最后利用形态学对阶段决策图进行后处理,并根据所得的最终决策图融合图像。该文算法直接利用超像素分割块进行图像融合,其相较以往利用重叠块的融合算法可达到降低时间复杂度的目的,同时可获得较好的融合效果。     

基于超像素级卷积神经网络的多聚焦图像融合算法

该文提出了基于超像素级卷积神经网络(sp-CNN)的多聚焦图像融合算法。该方法首先对源图像进行多尺度超像素分割,将获取的超像素输入sp-CNN,并对输出的初始分类映射图进行连通域操作得到初始决策图;然后根据多幅初始决策图的异同获得不确定区域,并利用空间频率对其再分类,得到阶段决策图;最后利用形态学对阶段决策图进行后处理...     

3维卷积递归神经网络的高光谱图像分类方法

为了针对高光谱图像中空间信息与光谱信息的不同特性进行特征提取，提出一种3维卷积递归神经网络(3-D-CRNN)的高光谱图像分类方法。首先采用3维卷积神经网络提取目标像元的局部空间特征信息，然后利用双向循环神经网络对融合了局部空间信息的光谱数据进行训练，提取空谱联合特征，最后使用Softmax损失函数训练分类器实现分类。3-D-CRNN模型无需对高光谱图像进行复杂的预处理和后处理，可以实现端到端的训练，并且能够充分提取空间与光谱数据中的语义信息。结果表明，与其它基于深度学习的分类方法相比，本文中的方法在Pavia University与Indian Pines数据集上分别取得了99.94%和98.81%的总体分类精度，有效地提高了高光谱图像的分类精度与分类效果。该方法对高光谱图像的特征提取具有一定的启发意义。     

基于超像素分割的RGB与高光谱图像融合

本文提出了一种基于超像素分割的RGB与高光谱图像融合方法。首先,利用在线字典学习法由低空间分辨率的高光谱图像数据学习得到光谱字典。然后,通过光谱字典的线性变换,得到与高光谱图像同一场景的RGB图像字典。其次,对RGB图像进行超像素分割,并根据分割结果在每一个超像素块中进行稀疏编码,得到稀疏矩阵中的系数包含了RGB图像的空间信息。最后,将稀疏编码矩阵与高光谱图像谱字典相结合重建得到高空间分辨率高光谱图像。实验结果表明,该方法不管是在主观视觉上的图像恢复质量,还是在峰值信噪比等客观指标上均具有优势。     

基于边缘修正的高光谱图像超像素空谱核分类方法

本文提出了一种边缘修正的超像素空间光谱核分类方法,该方法能够有效解决构建空谱核时超像素方法提取的空间信息完全依赖于同一个超像素特征,边缘处像素空间信息刻画不准确这一缺陷,从而有效提升分类精度.首先本文提出一种固定窗口与超像素结合的同质区域选择方法,对提取的邻域像素进行赋权,将超像素中固定窗口外的像素权值置零,得到修正的空间光谱核;其次,进一步考虑相邻超像素之间的相关性,得到相邻超像素间的空间特征光谱核,并与上一步中的空间光谱核进行凸组合得到修正的超像素空间光谱核,最后采用支持向量机进行分类.真实高光谱数据实验结果表明：本文方法能有效克服超像素空谱核的空间信息不稳定性,分类精度优于现有的最新的分类方法.     

混合卷积神经网络的高光谱图像分类方法

为了解决高光谱图像领域中,传统卷积神经网络因部分特征信息损失而影响最终地物分类精度的问题,采用一种基于2维和3维的混合卷积神经网络的高光谱图像分类方法,从空间增强、光谱-空间两方面分别进行了特征提取.首先从空间增强角度提出一种3维-2维卷积神经网络混合结构,得到增强后的空间信息;其次从光谱-空间角度利用3维卷积网络结构...     

基于多尺度卷积神经网络的高光谱图像分类算法

为了提高高光谱图像的分类精度,提出了一种基于多尺度卷积神经网络的高光谱图像分类算法.首先,利用等距特征映射算法处理高光谱数据,以挖掘数据的非线性特性,保持数据点的内在几何性质;然后,构建以标记像元为中心的训练图像块,训练多尺度卷积神经网络;最后,利用softmax分类器预测测试像元的标签.提出的方法在Indian Pines、University of Pavia和Salinas scene高光谱遥感数据集上进行分类实验,并与CNN、R-PCA CNN、CNN-PPF、CD-CNN等算法进行性能比较.实验结果表明,在3个数据集上提出的方法的总体识别精度分别达到98.51％、98.64％和99.39％,与CNN算法相比分别提高了约8.35％、6.37％和7.81％.本文提出的方法无论是在分类精度还是Kappa系数上都优于另外4种方法,是一种较好的高光谱遥感数据分类方法.     

基于超像素多特征融合的快速图像分割算法

为了提高高分辨率图像分割效率,解决复杂图案中待分割目标边缘附近前景与背景区分度小而造成的分割目标不完整问题,本文通过引入超像素HOG特征,提出了一种基于超像素多特征融合（superpixel multi-feature fusion,SMFF）的快速图像分割算法.首先采用目前最有效的超像素算法对待分割图像进行超像素预分割,然后提取基于超像素的HOG特征、Lab颜色特征和空间位置特征,设计基于超像素的多特征度量算法,最终采用图割理论实现了基于超像素多特征融合的快速图像分割.实验结果验证了本文算法的有效性,其算法性能接近于目前最经典图像分割算法,且本文算法的时间性能要明显优于其它对比算法.     

基于超像素和全卷积网络的极化SAR图像分类

基于深度学习的方法在极化合成孔径雷达(Synthetic Aperture Rader,SAR)图像分类中取得了不错的分类结果,尤其是全卷积网络(Fully Convolution Network,FCN),得益于其端到端、点到点的分类架构,在极化SAR图像分类中有很大的应用前景。之前的基于FCN的极化SAR图像分类方法中,没有使用超像素去修正分类结果,影响了其分类结果的进一步提升。提出了基于超像素和FCN的极化SAR图像分类方法,得到了很好的分类结果。     

基于卷积神经网络与注意力机制的高光谱图像分类

由于浅层卷积神经网络(convolutional neural network,CNN)模型感受野的限制,无法捕获远距离特征,在高光谱图像 (hyperspectral image,HSI) 分类问题中无法充分利用图像空间-光谱信息,很难获得较高精度的分类结果。针对上述问题,本文提出了一种基于卷积神经网络与注意力机制的模型(model based on convolutional neural network and attention mechanism,CNNAM),该模型利用CA (coordinate attention)对图像通道数据进行位置编码,并利用以自注意力机制为核心架构的Transformer模块对其进行远距离特征提取以解决CNN感受野的限制问题。CNNAM在Indian Pines和Salinas两个数据集上得到的总体分类精度分别为97.63%和99.34%,对比于其他模型,本文提出的模型表现出更好的分类性能。另外,本文以是否结合CA为参考进行了消融实验,并证明了CA在CNNAM中发挥重要作用。实验证明将传统CNN与注意力机制相结合可以在HSI分类问题中获得更高的分类精度。     

基于卷积神经网络的高光谱图像重建方法

为了提高高光谱图像的成像质量,满足应用需求,提出基于卷积神经网络的高光谱图像重建方法研究。通过预处理方式消除高光谱图像中的暗电流信息与噪声数据,以此为基础,获取高光谱图像SIFT特征,选择高光谱图像最优波段,最大限度地保留高光谱图像的波段特征,有效融合卷积神经网络构建高光谱图像重建模型,将最优波段高光谱图像数据输入至构建模型中,输出结果即为高光谱图像重建结果。实验数据显示：应用提出方法获得的评价指标MSE最小值为6,评价指标Q最大值为6.8,PSNR与SSIM最大值分别为40.349 dB与0.964 4,充分证实提出方法高光谱图像重建质量较佳。     

基于深度卷积神经网络的图像分类识别方法

图像分类是通过图片所给的特征信息将不同的事物进行识别的一种图像处理技术。随着科学技术的快速发展以及人们对生活质量越来越高的需求,图像的自动分类技术已经运用到各个发展领域当中。当我们在图像上进行分类操作时,传统的图像分类方法由于不能准确掌握识别对象之间的内在联系,同时传统方法也因数据的特征性维度太高而导致识别对象的特征表达受到限制,所以取得的实验结果并不理想。针对以上内容文章提出了一种基于卷积神经网络的图像检测方法,该实验的算法主要借鉴了深度学习及卷积神经网络。与以往的传统图像分类方法不同,深度卷积神经网络模型可以同时进行特征学习和图像分类。通过对实验的各个部分结构进行改进和对卷积神经网络模型进行优化,从而防止过拟合现象,继而提高图像检测的准确度,在CIFAR-10数据库上进行的实验表明,该方法改进后的深度学习模型在图像检测方面取得了有效的结果。     

基于卷积神经网络的图像语义分割技术

本文阐述了卷积神经网络的基本概念,并基于此引出全卷积神经网络和带孔卷积等卷积神经网络,对其含义、优缺点及其在图像语义分割中的应用进行了进一步的介绍和总结。本文阐述了卷积神经网络的基本概念,并基于此引出全卷积神经网络和带孔卷积等卷积神经网络,对其含义、优缺点及其在图像语义分割中的应用进行了进一步的介绍和总结。