共查询到18条相似文献,搜索用时 62 毫秒
1.
2.
《微型机与应用》2019,(6):46-51
高光谱遥感影像数据具有多样化的光谱信息和空间信息,然而传统的高光谱影像分类只是针对目标的光谱特征进行处理。基于三维空间滤波操作可以作为一种简单高效的提取高光谱影像光谱和空间特征的方式,基于此提出一种改进的三维卷积神经网络框架以实现更加准确的高光谱遥感影像分类。利用高光谱遥感影像数据立方体有效地提取光谱-空间组合特征,而不依赖于任何预处理或后期处理。另外,与其他传统的基于深度学习的方法相比,该方法去除了池化层,从而达到所需参数更少,模型规模更小,更容易训练的效果。将该方法与其他基于深度学习的高光谱遥感影像分类方法进行了比较,并使用两个真实场景的高光谱遥感影像数据集作为测试。实验结果表明,该方法在地物分类准确度方面较传统的基于深度学习的高光谱遥感影像分类方法取得了更好的分类效果。 相似文献
3.
高光谱图像(Hyperspectral Imagery,HSI)分类是高光谱图像处理和应用的一项重要工作.随着深度学习的不断发展,卷积神经网络(Convolutional Neural Network,CNN)日渐成为处理高光谱遥感图像分类问题的一个有效方法.首先对高光谱遥感图像分类任务进行了概述,分析了目前存在的问题... 相似文献
4.
卷积神经网络(CNN)具有强大的特征提取能力,能够有效地提高高光谱图像的分类精度.然而CNN模型训练需要大量的训练样本参与,以防止过拟合,Gabor滤波器以非监督的方式提取图像的边缘和纹理等空间信息,能够减轻CNN模型对训练样本的依赖度及特征提取的压力.为了充分利用CNN和Gabor滤波器的优势,提出了一种双通道CNN和三维Gabor滤波器相结合的高光谱图像分类方法Gabor-DC-CNN.首先利用二维卷积神经网络(2D-CNN)模型处理原始高光谱图像数据,提取图像的深层空间特征;同时利用一维卷积神经网络(1D-CNN)模型处理三维Gabor特征数据,进一步提取图像的深层光谱-纹理特征.连接2个CNN模型的全连接层实现特征融合,并将融合特征输入到分类层中完成分类.实验结果表明,该方法能够有效地提高分类精度,在Indian Pines,Pavia University和Kennedy Space Center 3组数据上分别达到98.95%,99.56%和99.67%. 相似文献
5.
高光谱遥感图像的高数据维给图像进一步处理带来了困难,为了解决这一问题,提出了自适应波段选择(ABS)的降维方法。该方法充分考虑了高光谱图像的空间相关性和谱间相关性,通过计算各个波段的指数来选择信息量大并且与其他波段相关性小的波段。对各波段相应的指数重新排列之后,有两种方法来选择最终波段:一种是选择波段指数比设定指数大的波段,另一种方法是选择波段指数排在前n个的所有波段。为了验证ABS方法的有效性,对降维后的高光谱图像进行了贝叶斯监督分类,分类结果表明自适应波段选择的方法能够选择出信息丰富的波段,分类精度与使用原始波段相比提高10.4%,计算复杂度大大降低。 相似文献
6.
目的 场景分类是遥感领域一项重要的研究课题,但大都面向高分辨率遥感影像。高分辨率影像光谱信息少,故场景鉴别能力受限。而高光谱影像包含更丰富的光谱信息,具有强大的地物鉴别能力,但目前仍缺少针对场景级图像分类的高光谱数据集。为了给高光谱场景理解提供数据支撑,本文构建了面向场景分类的高光谱遥感图像数据集(hyperspectral remote sensing dataset for scene classification,HSRS-SC)。方法 HSRS-SC来自黑河生态水文遥感试验航空数据,是目前已知最大的高光谱场景分类数据集,经由定标系数校正、大气校正等处理形成。HSRS-SC分为5个类别,共1 385幅图像,且空间分辨率较高(1 m),波长范围广(380~1 050 nm),同时蕴含地物丰富的空间和光谱信息。结果 为提供基准结果,使用AlexNet、VGGNet-16、GoogLeNet在3种方案下组织实验。方案1仅利用可见光波段提取场景特征。方案2和方案3分别以加和、级联的形式融合可见光与近红外波段信息。结果表明有效利用高光谱影像不同波段信息有利于提高分类性能,最高分类精度达到93.20%。为进一步探索高光谱场景的优势,开展了图像全谱段场景分类实验。在两种训练样本下,高光谱场景相比RGB图像均取得较高的精度优势。结论 HSRS-SC可以反映详实的地物信息,能够为场景语义理解提供良好的数据支持。本文仅利用可见光和近红外部分波段信息,高光谱场景丰富的光谱信息尚未得到充分挖掘。后续可在HSRS-SC开展高光谱场景特征学习及分类研究。 相似文献
7.
针对高光谱图像分类中标记样本获取费时费力,无标记数据难以得到有效利用以及主动学习与深度学习结合难等问题,结合贝叶斯深度学习与主动学习的最新进展,提出一种基于深度贝叶斯的主动学习高光谱图像分类算法。利用少量标记样本训练一个卷积神经网络模型,根据与贝叶斯方法结合的主动学习采样策略从无标记样本中选择模型分类最不确定性的样本,选取的样本经人工标记后加入到训练集重新训练模型,减小模型不确定性,提高模型分类精度。通过PaviaU高光谱图像分类的实验结果表明,在少量的标记样本下,提出的方法比传统的方法分类效果更好。 相似文献
8.
目的 受到传感器光谱响应范围的影响,可见光区域和近红外区域(400~2 500 nm)的高光谱数据通常使用不同的感光芯片进行成像,现有这一光谱区域典型的高光谱成像系统,如AVIRIS (airborne visible infrared imaging spectrometer)成像光谱仪,通常由多组感光芯片组成,整个成像系统成本和体积通常比较大,严重限制了该谱段高光谱探测技术的发展。为了能够扩展单感光芯片成像系统获得的高光谱图像的光谱范围,本文探索基于卷积神经网络的近红外光谱数据预测技术。方法 结合AVIRIS成像光谱仪的光谱配置,设计了基于残差学习的红外谱段图像预测网络,利用计算成像的方式从可见光范围的高光谱图像预测出近红外波段的光谱图像,并在典型的卫星高光谱遥感数据上进行红外光谱预测重构和基于重构的数据分类实验,以验证论文提出的红外光谱数据预测技术的可行性以及有效性。结果 本文设计的预测网络在Cuprite数据集上得到的预测近红外图像峰值信噪比为40.145 dB,结构相似度为0.996,光谱角为0.777 rad;在Salinas数据集上得到的预测近红外图像峰值信噪比为39.55 dB,结构相似性为0.997,光谱角为1.78 rad。在分类实验中,相比于只使用可见光图像,利用预测的近红外图像使得支持向量机(support vector machine,SVM)的准确率提升了0.6%,LeNet的准确率提升了1.1%。结论 基于AVIRIS传感器获取的两组典型卫星高光谱数据实验表明,本文提出的红外光谱数据预测技术不仅可基于计算成像的方式扩展可见光光谱成像系统的光谱成像范围,对于减小成像系统体积和质量具有重要意义,而且可有效提高可见光区域光谱图像数据在典型应用中的处理性能,对于提高高光谱数据处理精度提供新的技术支撑。 相似文献
9.
10.
针对高光谱图像(HSI)训练数据获取困难的问题,采用了一种新的HSI半监督分类框架,该框架利用有限的标记数据和丰富的未标记数据来训练深度神经网络。同时,由于高光谱样本分布是不平衡的,导致不同样本分类难度存在巨大差异,采用原始交叉熵损失函数无法刻画这种分布特征,因而分类效果不理想。为了解决这个问题,在半监督分类框架中提出一种基于焦点损失的多分类目标函数。最后,考虑到HSI的空间信息对分类的影响,结合马尔可夫随机场(MRF),利用样本空间特征进一步改善分类效果。在两个常用的HSI数据集上,将所提方法与多种典型算法进行了实验对比分析,实验结果表明所提方法能够产生优于其他对比方法的分类效果。 相似文献
11.
基于拉普拉斯特征映射高光谱遥感影像降维及其分类 总被引:1,自引:0,他引:1
在进行高光谱遥感影像监督分类过程中,结合高光谱数据非线性的特点和流形学习强大的非线性处理能力,提出一种基于拉普拉斯特征映射(LE)降维和最佳指数法(OIF)波段组合选择训练样本进行SVM分类的策略,首先对高光谱遥感影像波段进行优化,利用拉普拉斯特征映射法(LE)对波段优选后的影像进行降维,利用OIF选择波段组合叠加进行训练样本选择。在此基础上采用支持向量机(SVM)进行分类处理,取得了优于PCA的效果。实验证明了流形学习是一种行之有效的高光谱遥感数据特征提取方法。 相似文献
12.
高光谱图像(hyperspectral image,HSI)每个像素包含大量光谱带,而HSI的空间分辨率较低。高光谱图像超分辨率技术可以有效提高空间分辨率。为了解决高光谱遥感图像的空间信息分布不均匀,超分辨率重建时占据相同计算量导致重建工作不够细化的问题,提出了一种多层级分流和细节增强的高光谱遥感图像超分辨率重建框架。即通过子图分流网络对高光谱遥感图像进行预先分流,改进带细节增强的多尺度Retinex算法对图像的高低频信息进行分离,再使用不同复杂程度的分支网络分别进行重建,重建工作更加细化具体,提高重建效果和性能。实验证明该方法可以在视觉质量、指标测量和分类应用方面优于传统的基于CNN的方法,在SRE和MPSNR指标方面分别提高了4.18%和9.35%。 相似文献
13.
高光谱遥感影像以其众多的波段数目,为地表观测提供近乎连续的波谱数据;然而海量的高光谱遥感影像存在着大量的信息冗余,为数据的处理带来了挑战。因此在对高光谱遥感影像进行存储、分析及可视化等操作之前,对高光谱遥感影像降维处理成为预处理的关键环节之一。利用信息熵理论,将高光谱遥感影像的各波段抽象为具有相关性的独立个体,设计了高光谱遥感影像的决策表矩阵,进而计算各波段的信息熵,量化各波段的信息量,从而将各波段根据信息增益进行排序。用户可根据高光谱遥感影像应用的精度需求,按排序选择波段组合,从而达到降维目的。以遥感分类结果的精度评价为例,对高光谱遥感降维方法的可行性和优越性进行评价。实验结果表明,该方法相较其他特征选取降维方法,能获得更高的分类精度。 相似文献
14.
针对高光谱遥感影像数据量大、数据冗余度高的特点,引入拉普拉斯特征映射方法对高光谱遥感数据进行非线性降维。为了解决传统流形学习方法不能处理大数据量遥感影像的问题,本文提出了基于多元线性回归的拉普拉斯特征映射线性解法。实验证明,本文提出的降维方法能够保持数据集在原始特征空间分布的局部几何属性,降维后的影像具有更好的分类精度。 相似文献
15.
遥感场景分类是近年来计算机视觉和表示学习领域的热门研究课题,其主要工作是基于学习到的特征信息自动分类图像场景.传统上场景分类方法忽略了场景中多个子概念的学习,进而影响到场景语义识别.为了解决上述问题,文中提出一种弱监督多示例子概念学习(Weakly Supervised Multi-Instance Sub-conce... 相似文献
16.
Remote sensing image (RSI) classifier roles a vital play in earth observation technology utilizing Remote sensing (RS) data are extremely exploited from both military and civil fields. More recently, as novel DL approaches develop, techniques for RSI classifiers with DL have attained important breakthroughs, providing a new opportunity for the research and development of RSI classifiers. This study introduces an Improved Slime Mould Optimization with a graph convolutional network for the hyperspectral remote sensing image classification (ISMOGCN-HRSC) model. The ISMOGCN-HRSC model majorly concentrates on identifying and classifying distinct kinds of RSIs. In the presented ISMOGCN-HRSC model, the synergic deep learning (SDL) model is exploited to produce feature vectors. The GCN model is utilized for image classification purposes to identify the proper class labels of the RSIs. The ISMO algorithm is used to enhance the classification efficiency of the GCN method, which is derived by integrating chaotic concepts into the SMO algorithm. The experimental assessment of the ISMOGCN-HRSC method is tested using a benchmark dataset. 相似文献
17.
高光谱遥感图像作为一种新型的遥感图像,鉴于传统的遥感图像识别方法对这种图像的识别精度较低,该文采用BP神经网络方法对高光谱遥感图像进行识别和分类,并使用赤铁矿等六种矿石的光谱图像对神经网络进行洲练,得到很好的效果。 相似文献
18.
文章针对高光谱波段数众多、信息冗余量大的特点,首先对高光谱曲线进行光谱特征参数提取,然后再选择合适的吸收峰波段作为输入向量,在VS2008平台上实现了采用贝叶斯树(NBTree)算法对铀矿床高光谱数据进行分类。 相似文献