多特征融合的室内场景分类研究

针对场景分类方法在室内场景领域的分类精度普遍较低的问题,提出一种融合全局特征和局部特征的多特征室内场景分类的方法.首先,提取场景图像的SIFT局部特征并根据关键点位置进行聚类处理和降维,得到统一维度的SIFT特征矩阵;其次,提取场景图像的PHOG局部特征和Gist全局特征,并与SIFT特征融合在同一特征矩阵中;然后,采用SVM分类器进行场景分类的训练与识别.实验结果表明,相对于单一特征的场景图像分类方法,本文的方法具有更高的分类精度.     

层次型非线性子空间字典学习

为了提高遥感图像场景分类的准确率,提出层次型非线性子空间字典学习(HNSDL)方法. 用所提方法训练多层网络模型学习多层非线性变换. 将遥感图像投影到子空间中,构建稀疏编码和投影编码的局部信息保持项,在保持局部结构信息的同时最小化样本的类内差异,增强模型的分类识别能力. 在模型目标式求解中,使用交替学习算法求解子空间和字典的联合学习任务,使所有参数同时达到最优解. 在Ucmerced、Google和WHU-RS数据集上进行实验设计和测试,结果表明所提方法在遥感图像的多种场景分类上均表现出较高的分类准确率.     

眼底病变OCT图像的轻量化识别算法

为了准确、方便地识别多类型眼底病变，提出光学相干断层扫描技术（OCT）图像的轻量化分类模型MB-CNN.降低卷积核的使用个数，调节每个阶段卷积块的使用比例，设计轻量化主干网络L-Resnet，通过加深网络深度增强对深层语义信息的提取.使用深度可分离卷积设计多尺度卷积块MultiBlock，利用MultiBloc深度挖掘病灶区域的特征，使用不同的卷积核提取不同尺寸病变的特征，提高网络对病变OCT图像的识别能力.构建特征融合模块FFM，融合浅层信息和深层信息，充分提取病变特征的纹理和语义信息，提高对小目标病变的识别能力.实验结果显示，MB-CNN在UCSD、 Duke和NEH3个数据集上的总体分类精度分别达到97.2%、 99.92%和94.37%，模型参数量明显降低，所提模型能够针对眼底的多种病变进行分类.     

基于Gist特征与PHOG特征融合的多类场景分类

Gist特征是根据稀疏网格划分提取图像全局特征,它可以很好地描述单一场景,但是对于同一图像可能包含的多个场景,该特征的区分性能有所下降;而PHOG特征,提取的是图像局部轮廓特征,对Gist特征有一定的补充.本文以此提出基于Gist特征与PHOG特征融合的场景分类技术,首先分别提取图像的Gist特征和PHOG特征,然后将两种特征串接起来形成融合特征,最后使用SVM分类器进行场景训练和分类.在OT数据集上,考察了单一特征的分类精度和融合特征的分类精度,以及训练样本数对分类性能的影响,通过实验对比发现特征融合能够有效地提高场景分类的正确率.     

基于高分辨率遥感影像的输电线走廊场景分类

提出了一种将纹理特征和颜色特征相结合的输电线走廊遥感图像分类方法.该方法首先采用简单线性迭代聚类(SLIC)过分割技术将一幅大场景遥感图像分割为若干个尺寸大致规则的超像素块,然后对这些超像素块进行联合散射纹理特征和颜色词袋(BOC)特征提取,接着将这两种特征级联融合,最后将组合后的特征输入到直方图交叉核支持向量机(HIK-SVM)中训练分类器并进行场景分类.武汉地区输电线走廊场景的高分辨率遥感影像分类实验结果表明,与仅利用单个特征相比,两种互补特征的组合具有更高的分类准确率,可获得更为满意的场景分类结果.     

基于深度学习的遥感影像变化检测方法

为了获得可靠的训练样本及提高遥感影像变化检测的精度,提出基于深度学习的遥感影像变化检测方法. 采用结构相似性方法（SSIM）选取纹理特征（灰度共生矩阵法）,通过融合变化向量分析（CVA）方法获取不同时相遥感影像差异图（DI）及纹理特征差异图获得差异影像,并采用构造的变分去噪模型对差异影像进行去噪. 利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值（FCM）算法对粗变化检测图（对显著性图选取阈值获得的）进行预分类（变化类、未变化类及未确定类）. 将从遥感影像上提取的变化像素和未变化像素的邻域特征引入深度神经网络模型进行训练,并利用训练好的深度神经网络模型对差异影像进行变化检测,得到最终的变化检测图. 对3组遥感影像数据集进行变化检测实验,结果表明本研究方法的变化检测精度高于其他比较方法.     

基于深度学习的遥感影像变化检测方法

为了获得可靠的训练样本及提高遥感影像变化检测的精度,提出基于深度学习的遥感影像变化检测方法.采用结构相似性方法（SSIM）选取纹理特征（灰度共生矩阵法）,通过融合变化向量分析（CVA）方法获取不同时相遥感影像差异图（DI）及纹理特征差异图获得差异影像,并采用构造的变分去噪模型对差异影像进行去噪.利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值（FCM）算法对粗变化检测图（对显著性图选取阈值获得的）进行预分类（变化类、未变化类及未确定类）.将从遥感影像上提取的变化像素和未变化像素的邻域特征引入深度神经网络模型进行训练,并利用训练好的深度神经网络模型对差异影像进行变化检测,得到最终的变化检测图.对3组遥感影像数据集进行变化检测实验,结果表明本研究方法的变化检测精度高于其他比较方法.     

基于相位融合特征和残差网络的调制智能识别

针对调制识别依赖人工提取的经验特征、识别准确率低的问题,提出基于相位星座图和矢量轨迹图融合聚类的智能识别算法.通过对接收信号进行滤波、定时同步预处理,恢复出较理想的基带信号,将信号的波形数据转化为星座图和矢量轨迹图特征.利用深度学习（DL）将调制识别转换成图像的分类问题,将所提取的特征通过2路并行输入的轻量级残差结构网络,开展分层学习和特征融合训练,完成对目标调制方式的识别.仿真实验表明,基于融合特征的识别结果优于目前的基于高阶累积量、星座图和波形数据的识别结果,当信噪比（SNR）高于2 dB时,对MPSK（调制的阶数为2、4、8）、MQAM（调制的阶数为16、64）、MAPSK（调制的阶数为16、32）这7类调制的识别率可以达到95.14%.     

基于无监督深度学习的红外图像与可见光图像融合算法

红外和可见光图像表征了互补的场景信息. 现有的基于深度学习的融合方法大多通过独立提取网络分别提取两个源图像特征,从而丢失了源图像之间的深度特征联系. 基于此,提出了一种新的基于无监督深度学习的红外图像与可见光图像融合算法,针对不同模态的特点采用不同的编码方式提取图像特征,利用一个模态的信息补充另一个模态的信息,并对提取到的特征进行融合,最后根据融合特征重建融合图像. 该算法可在两个模态的特征提取路径之间建立交互,不仅可预融合梯度信息和强度信息,且能增强后续处理的信息. 同时设计了损失函数,引导模型保留可见光的细节纹理,并保持红外的强度分布. 将所提算法与多种融合算法在公开数据集上进行对比实验,结果表明,所提算法获得了良好的视觉效果,客观指标评价方面对比现有的优秀算法也有一定的提升.     

基于多层级特征自适应融合的图像分割算法

为了解决传统算法对医学图像分割时精度较低的问题,提出基于多层级特征自适应融合的新型FRUnet图像分割算法.在编码器阶段,设计采样加权模块替代传统卷积层,对图像空间信息进行逐层提取和特征融合,获得相邻像素之间的相关性和不同层次的语义信息.在解码器阶段,设计多层级自适应融合模块,通过非线性跳跃连接逐层提取图像通道信息,自适应地融合邻近连接层的上下文信息,使各层专注不同特征信息的提取.FR-Unet在模型参数量上大幅度减少,让网络在场景部署上得到更好的支持.实验结果表明,该网络在动物细胞分割、肝脏器官分割、皮肤病变分割等众多任务中均表现突出.     

遥感影像信息提取技术的研究与实现

随着遥感技术的发展和遥感应用的深入,遥感影像信息提取方法的研究成为关注的焦点.一般来说遥感影像信息提取包括分类、识别和特征提取.文中主要研究利用MATLAB实现影像中的光谱特征和纹理特征的提取和分类,并结合ERDAS软件对影像进行预处理和分类后处理以及精度评定,最终从精度评定结果来看,两种特征分类的总体精度较高,另外,图像的结构信息有助于提高遥感影像信息提取的精度.     

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。     

多极化SAR图像目标的智能识别应用研究

针对小样本集的多极化合成孔径雷达(SAR)图像目标,提出利用迁移学习、多极化SAR图像增广以及网络架构适应性改进,实现了多极化SAR图像目标端到端的智能分类识别;利用实测机载全极化SAR目标图像进行了实验.实验结果表明,与传统机器学习SVM方法相比,基于多极化SAR深度学习方法所包含的多个神经网络隐含层能自适应地提取目标高层语义特征,其目标分类识别精度更高,从而验证了本文深度学习方法用于多极化SAR图像目标识别分类的有效性.     

基于面向对象技术的低山区公路信息提取研究——以广西省玉林市为例

针对高分辨率遥感影像提取公路信息中存在的对丰富特征信息利用不够充分的问题,基于GeoEye_1卫星影像,提出一种综合考虑公路光谱属性、纹理属性、空间属性等特征的面向对象公路信息提取技术.针对GeoEye_1数据的不同波段,采用试误法建立适用于公路特征提取的综合分类规则,并进行提取.最后,以目视结果作为参考,对基于各波段的提取结果精度进行验证.结果表明,基于蓝光波段提取的公路信息精度最高,在选取的六个抽样区域的提取精度分别达到84％,68％,78％,68％,83％和66％,平均精度达到74.7％.研究成果对高分辨率遥感影像在山区公路信息提取中的应用具有一定的参考价值.     

基于纹理特征的高分辨率遥感影像分类方法

灰度共生矩阵能较好反映影像灰度统计规律,小波变换能较好反映影像的多尺度特性,利用两者结合进行了纹理特征提取。将灰度共生矩阵和小波变换提取纹理特征作为分类特征向量,建立基于支持向量机分类模型对高分辨率遥感影像进行分类;在支持向量机参数优化问题上,利用遗传算法进行参数寻优,有效的避免多学习和欠学习状态的发生。分类实验结果表明了本方法的有效性。     

基于YOLOv5的遥感图像目标检测

为了解决在遥感图像目标检测任务中目标背景繁杂难以识别且目标尺寸复杂的问题,提出一种基于YOLOv5的遥感图像检测优化模型.首先,对输入数据进行马赛克增强,增加样本多样性,同时采用自适应锚框计算,寻求最优初值锚框;然后,把通过主干网络提取到的特征层进行特征融合得到最优特征层,再对定位损失进行优化,采用CIoU loss作...     

基于堆栈式稀疏自编码器的高光谱影像分类

为挖掘高光谱影像数据的内在光谱特征,该文基于深度学习理论,引用堆栈式稀疏自编码器构建原始数据的深层特征表达。首先通过稀疏自编码器,得到原始数据的稀疏特征表达。其次通过逐层学习稀疏自编码器构建深度神经网,输出原始数据的深度特征。最后将其连接到支持向量机分类器,完成模型的精调。实验结果分析表明:基于堆栈式稀疏自编码器的最优分类模型,总体精度可达87.82%,优于实验中的其他方法,证明了深度学习方法在高光谱影像处理中具有良好的分类性能。     

植被覆盖茂密区碳酸盐岩岩性的遥感识别——以灌江流域为例

由于茂密的植被覆盖,西南岩溶区在遥感图像上反映的大部分是植被覆盖层的光谱信息,而直接的岩性光谱信息很弱,因而利用遥感图像识别岩性,尤其是碳酸盐岩岩性的难度很大。以广西灌江流域为例,在植被茂密的南方岩溶区利用多源遥感数据,如ETM、SPOT、ASTER数据进行碳酸盐岩的计算机自动岩性识别。结果表明：多源遥感数据的岩性识别效果远大于单一类型的遥感数据;未进行融合的遥感数据的分类效果好于融合后的数据;利用高分辨率遥感数据的纹理图像参与分类,有助于提高分类的精度。最终,采用SPOT的4个多光谱波段、ASTER的14个波段、TM的6个波段3种遥感数据共24个波段加上4个SPOT纹理图像和3个ASTER可见光波段的纹理图像共31个波段组合进行岩性的自动识别分类,取得了82.01%的自动识别总精度。     

一种轻量级的高光谱遥感图像分类方法

智慧农业已成为当今世界现代农业发展的大趋势,其中低空无人机遥感图像分析是现代精准农业的重点研究方向,它通过对无人机拍摄的高光谱遥感图像进行学习,来指导无人机进行精准作业.然而,中小型农场在发展智慧农场的过程中存在设备资源不足的弊端,因此本文提出了一种基于卷积神经网络的轻量级高光谱遥感图像分类方法,旨在保证较高分类精度的...