基于深度神经网络的遥感图像分类算法综述

准确、高效的遥感图像分类是遥感图像解析的重要研究内容之一。近年来,随着机器学习技术的发展,深度神经网络日渐成为一种有效的遥感图像分类处理方法。分析了遥感图像分类目前存在的一些问题,并简要阐述了几种典型的深度神经网络的原理结构;然后根据遥感图像分类的研究现状和深度神经网络对遥感图像分类的研究现状,总结了深度神经网络在遥感图像分类技术应用中的发展趋势。     

网格技术在遥感图像监督分类中的应用

在遥感图像监督分类中经常遇到在单独PC下使用复杂的遥感图像分类算法来实现对大数据量遥感图像监督分类的情况。在这种情况下,由于遥感图像监督分类算法的复杂性与单独PC计算能力的限制导致处理效率低下,并有可能出现内存溢出等状况。经过对网格技术与遥感图像监督分类的研究,给出基于网格环境的遥感图像监督分类算法处理该类问题的解决方案,并使用B/S结构为该应用创建可扩展测试与实验结果查看平台。实验结果表明,此方案有效提高大数据遥感图像分类的效率。     

人工智能技术在遥感图像分类中的应用

研究遥感图像分类精度问题,遥感图像分类根据图像特征进行分类,然而其特征维数相当高且信息冗余严重,分类器不能降低特征维数,导致分类器计算量大,图像分类效率和正确率低。利用主成分分析(PCA)降维特征维数的优点,提出一种基于PCA-SVM的遥感图像分类方法。PCA-SVM算法首先采用LBP算子提取遥感图像特征,然后采用PCA对遥感图像特征进行降维处理,减少特征维数并消除特征冗余信息,获得对分类结果贡献大的特征,最后采用SVM进行遥感图像分类。仿真结果表明,PCA-SVM提高了遥感图像分类效率和正确率。     

一种植物染色体图像核型分析系统

文章介绍了一种可投入实用的半自动植物染色体图像核型分析系统。该软件使用植物染色体的数字化图像为处理原材料,应用数字图像处理技术测得染色体的长、短臂长度和着丝点位置,以此为依据运用模式分类技术获得最终核型并打印出数据。     

可视化技术在遥感图像处理系统中的应用

可视化技术可以最大限度实现遥感影像的科学计算可视化、数据可视化与信息可视化,为使用者营造直观且可以交互的可视化环境,可大大提升遥感图像处理质量和显示水平,近年来得到了广泛的应用与发展。基于此,本文首先简单介绍了可视化技术,进而对传统遥感图像处理系统与可视化遥感图像处理系统作简单对比,最后从可视化遥感图像处理系统的框架、可视化遥感图像处理系统技术等方面对可视化技术在遥感图像处理系统中的技术应用要点进行分析。     

基于卷积神经网络的遥感图像分类研究

遥感图像分类是模式识别技术在遥感领域的具体应用,针对遥感图像处理中的分类问题,提出了一种基于卷积神经网络(convolutional neural networks,CNN)的遥感图像分类方法,并针对单源特征无法提供有效信息的问题,设计了一种多源多特征融合的方法,将遥感图像的光谱特征、纹理特征、空间结构特征等按空间维度以向量或矩阵的形式进行有效融合,以此训练CNN模型。实验表明,多源多特征相融合能够加快模型收敛速度,有效提高遥感图像的分类精度;与其他分类方法相比,CNN能够取得更高的分类精度,获得更优的分类效果。     

基于网格环境的遥感图像并行分类

随着遥感技术的发展,高分辨率大容量遥感数据的应用,对图像处理效率提出了更高的要求。网格计算因具有分布式、高性能和充分的资源共享性,为海量遥感图像的处理提供了有效的解决途径。针对遥感图像分类,提出基于网格环境的遥感影像并行模型,分析构建此模型的网格服务机制,设计网格服务及任务调度的算法流程。搭建网格实验测试平台,采用封装的SVM分类服务,实现了遥感图像并行分类处理。实验结果及分析表明,测试平台实现了网格环境下的遥感图像并行分类的架构,有效提高大容量遥感数据的分类效率,为分布式并行处理遥感图像提供了有效的途径。     

多重分形谱在叶片图像处理中的应用

将多重分形理论引入到植物叶片的图像处理中,用数字图像处理与分析技术,重点对葫芦科的4种植物叶片的图像进行处理,通过计算多重分形谱分析植物叶片的特点。该文处理叶片图像的方法,可望在植物分类及农业生产中产生积极意义。     

用Web Services实现遥感图像分布式处理

随着遥感科学的发展,遥感图像的分布式处理的任务变得越来越迫切。该文以遥感图像分布式处理为主线,在分析了当前此方向的主要研究方法及WebServices的特点后,指出了应用WebServices技术实现遥感图像分布式处理的可行性,进而对应用WebServices技术实现遥感图像分布式处理的流程进行了设计,并针对某遥感图像的图像分割任务对其进行了实现。     

基于深度学习的遥感图像土地分类研究

针对采用单一特征描述技术存在的高分辨率遥感图像特征多、分类精度低的问题,提出一种基于深度学习的遥感图像土地分类模型。模型对高分1号卫星获得的遥感图像进行了预处理,采用特征级图像融合的方法将这些特征关联起来,实现遥感图像特征融合。将融合后的图像特征输入训练后的深度信念网络进行处理,由Softmax分类器获得土地分类。实验分析表明,该模型能够对所有土地类型进行清晰的分类。     

成像光谱图像分类技术研究进展

分类是遥感图像分析处理的一个重要环节,它是各种高级应用的基本前提.成像光谱遥感作为遥感领域一个新的发展方向,在提供更为丰富的光谱信息的同时,也使得传统的分类技术面临诸多新的挑战.本文从特征提取和分类器的设计两个方面对成像光谱图像分类的主要研究进展进行了论述.     

基于云理论的遥感图像土地利用分割分类方法研究

传统的遥感图像土地利用分类技术自动化和智能化的程度较低,遥感图像土地利用分类问题是一个包含随机性和模糊性的不确定性问题,而云模型把模糊性和随机性集成到一起,构成定性和定量相互间的映射。据此,本文探索将云理论引入到遥感图像土地利用分割分类技术中,建立了基于灰度的云映射空间,实现对遥感图像的分类。同时以武汉市南湖地区进行了实证分析,进一步阐述了模型构建过程,通过分类结果的评价和对比,探索该方法在本领域中的适用性。     

三个商用遥感数字图像处理软件比较

针对目前国际上商业遥感图像处理软件中3个常用软件ENVI、ERMapper和PCI,从软件的设计思想、结构、功能、特点上做了详细的分析、比较与评价,包括:输入输出功能及文件管理,图像显示与控制,图像校正,图像增强,图像分类,矢量、GIS连接及制图,DEM处理,高光谱分析和SAR处理。同时也对遥感图像处理技术和遥感图像处理软件的发展进行综述,以有助于读者选择和使用最适当的软件进行具体处理工作。     

数字图像处理中的图像分割技术应用研究

在科技的支持下,数字图像处理得到了充分发展.作为其中关键技术,图像分割发挥关键作用,将图像数字处理底层技术作为依托,服务于模式识别等高层.基于此,本文将对数字图像处理中的图像分割技术进行研究.     

遥感图像分类方法综述

从遥感图像分类方法的基本原理入手,介绍了传统遥感图像的分类一些方法,以及它们近年来的发展,此外还对遥感图像分类研究的新方向作了一些介绍,并对发展趋势作了展望。     

基于最大似然法的遥感图像分类技术研究

针对大遥感图像在单机分类方法中存在分类效率低、准确度差的问题,本文研究了网格环境下的最大似然分类技术在大遥感图像分类的应用。文中提出的方法充分利用了网格技术的分布式计算和协同共享等能力．采用最大似然法。给出了网格环境下大遥感图像的分类方法,并实验验证了该方法的有效性。     

网格环境下分布式SVM遥感图像分类器模型研究

为了充分利用网格技术分布式、高性能、协同共享的能力,设计了一种基于网格和支持向量机的分布式图像分类器模型,采用网格计算技术,统筹网络运算资源,结合支持向量机在有限样本统计分类中的优势,探索网格技术在图像分类中的应用。以对遥感图像目标物体的特征提取为例,实现基于分布式计算的图像分类过程,基于.net环境的实验结果表明,该模型提高了数据密集型图像分类速度和处理效率。     

TM和SAR遥感图像的不同层次融合分类比较

多传感器遥感图像为分类技术提供了更多的地物特征信息,有助于提高分类精度,增强计算机自动解译的能力,减少遥感图像的后处理时间。给出了ＴＭ 和ＳＡＲ遥感图像根据信息处理所在的不同层次融合分类特征的选取及分类方法,并从融合分类的精度和计算时间消耗上对哈尔滨市附近地区５１２×５１２ 大小的ＴＭ和ＪＥＲＳ１ 的ＳＡＲ图像的不同层次融合的分类进行比较,指出特征层融合是ＴＭ和ＳＡＲ遥感图像融合分类的最理想层次     

基于偏微分方程的图像处理——图像的加密及图像膨胀

图像加密处理技术是各种鱼图像相关技术的总称。对于大多数图像技术处理工作者来说,他们在处理图像信息中都是通过数字图像处理技术和和电子辅助设备相互结合运行来完成的。在很多领域都在利用图像处理技术来变换,增强或者表达描述目标的提取和测量。随着计算机科学技术的不断发展,3D场景建模,数据库建立以及相关图像分割技术都在不断的飞速发展,除此之外,图像加密处理技术还可以完成上述的制作和硬件设计。     

自适应方法在遥感图像处理中的应用研究

自适应方法为解决遥感图像处理发展中产生的新问题提供了有力的工具。自适应方法的算法、理论已经在遥感图像处理的降噪、分类、目标识别与跟踪、信息融合等诸多领域开始应用。经过试验与仿真分析,证明这些方法都取得了良好的效果。本文探讨了自适应方法在遥感图像处理中应用研究的新进展,对发展趋势作了展望。