基于大数据分析的光学遥感图像场景分类研究

目前光学遥感图像场景分类方法,未曾确定图像场景分类隶属度函数,导致光学遥感图像场景分类效果差,图像场景分类指标值低,还存在较低的准确率和较高的错误率,为此提出基于大数据分析的光学遥感图像场景分类研究。确定光学遥感图像场景分类流程,利用大数据分析技术,分解图像场景特征,批量预测图像场景分类结果,在分类预测结果的基础上,设计图像场景分类隶属度函数,控制图像场景分类模糊度,完成图像场景分类。确定实验图像和图像场景分类对比指标计算公式,对比四组方法的实验结果可知,本方法对光学遥感图像分类可以达到100%准确识别遥感图像场景类别,且具有98.31%的准确率,且总体精度、制图精度、用户精度和Kappa系数等四个图像场景分类指标较高,分别为0.817 4、0.966 8、0.961 7、0.794 5。     

面向遥感图像场景分类的双知识蒸馏模型

为了提高轻型卷积神经网络(CNN)在遥感图像(RSI)场景分类任务中的精度,该文设计一个双注意力(DA)与空间结构(SS)相融合的双知识蒸馏(DKD)模型。首先,构造新的DA模块,将其嵌入到ResNet101与设计的轻型CNN,分别作为教师与学生网络;然后,构造DA蒸馏损失函数,将教师网络中的DA知识迁移到学生网络之中,从而增强其对RSI的局部特征提取能力;最后,构造SS蒸馏损失函数,将教师网络中的语义提取能力以空间结构的形式迁移到学生网络,以增强其对RSI的高层语义表示能力。基于两个标准数据集AID和NWPU-45的对比实验结果表明,在训练比例为20%的情况下,经知识蒸馏之后的学生网络性能分别提高了7.69%和7.39%,且在参量更少的情况下性能也优于其他方法。     

联合多尺度多特征的高分遥感图像场景分类

高分辨率遥感图像地物信息丰富,但场景构成复杂,目前基于手工设计的特征提取方法不能满足复杂场景分类的需求,而非监督特征学习方法尽管能够挖掘局部图像块的本征结构,但单一种类及尺度的特征难以有效表达实际应用中复杂遥感场景特性,导致分类性能受限.针对此问题,本文提出了一种基于多尺度多特征的遥感场景分类方法.该算法首先设计了一种改进的谱聚类非监督特征（iUFL-SC）以有效表征图像块的本征结构,然后通过密集采样提取每幅遥感场景的iUFL-SC、LBP、SIFT等三种多尺度局部图像块特征,并通过视觉词袋模型（BoVW）获得场景的中层特征表达,以实现更为准确详实的特征描述,最后基于直方图交叉核的支持向量机（HIKSVM）进行分类.在UC Merced数据集以及WHU-RS19数据集上的实验结果表明本文方法可对遥感场景进行鉴别特征提取,有效提高分类性能.     

基于多层特征上下文编码网络的遥感图像场景分类

遥感图像场景分类问题是目前遥感图像处理领域中的研究热点之一。卷积神经网络(Convolutional Neural Networks,CNNs)具有强的特征提取能力,已被广泛应用于遥感图像场景分类中。然而,目前的方法并没有充分考虑并利用CNN不同层间的互补信息和遥感图像的空间上下文信息,导致其相应的分类精度有待提高。针对上述问题,提议一种多层特征上下文编码网络,并将其用于解决遥感图像场景分类问题。所提议网络由两部分组成:1)密集连接的主干网络;2)多尺度上下文编码模块。前者用于融合CNN不同层的特征信息,后者用于对蕴含在多层特征中的空间上下文信息进行编码利用。在两个大规模遥感图像数据集上的实验结果表明,与现有的遥感图像场景分类方法相比,所提出的网络框架取得了显著的分类精度提升。     

基于残差网络的光学遥感图像场景分类算法

提出一种基于卷积神经网络中残差网络的遥感图像场景分类方法.本文方法在原网络模型中嵌入了跳跃连接和协方差池化两个模块,用于连接多分辨率特征映射和融合不同层次的多分辨率特征信息,并在3个公开的经典遥感数据集上进行了实验.结果证明,本文方法不仅可以将残差网络中不同层次的多分辨率特征信息融合在一起,还可以利用高阶信息来实现更具...     

基于多特征扩展pLSA模型的场景图像分类

场景图像分类近年来受到人们的广泛关注,而基于统计模型的方法更是场景分类中的研究热点。我们提出了一种新的基于多特征融合和扩展pLSA模型的场景图像分类框架。对每幅图像首先用多尺度规则分割确定局部基元,然后提取每个局部基元的多分辨率直方图矩特征和SIFT特征,最后用扩展的概率生成模型对图像集进行建模,测试。我们的方法不仅能够很好的表示图像的语义特性而且在模型的训练阶段是无监督的。我们针对目前常用的3个数据库,做了三组对比实验,均取得了比以前的方法更好的识别结果。      

基于RCF网络的遥感图像场景分类研究

为了提高ResNet50网络对遥感场景图像中目标特征的提取能力和场景分类的可解释性,提出一种基于ResNet50-CBAM-FCAM(RCF)网络的遥感图像场景分类方法.该方法在ResNet50网络中增加卷积注意力模块和全卷积类激活映射分支,利用注意力机制将分支特征分别与提取的通道注意力特征和空间注意力特征融合,生成各...     

基于双重注意力机制的遥感图像场景分类特征表示方法

针对遥感图像场景分类面临的类内差异性大、类间相似性高导致的部分场景出现分类混淆的问题,该文提出了一种基于双重注意力机制的强鉴别性特征表示方法.针对不同通道所代表特征的重要性程度以及不同局部区域的显著性程度不同,在卷积神经网络提取的高层特征基础上,分别设计了一个通道维和空间维注意力模块,利用循环神经网络的上下文信息提取能...     

基于双重注意力机制的遥感图像场景分类特征表示方法

针对遥感图像场景分类面临的类内差异性大、类间相似性高导致的部分场景出现分类混淆的问题,该文提出了一种基于双重注意力机制的强鉴别性特征表示方法.针对不同通道所代表特征的重要性程度以及不同局部区域的显著性程度不同,在卷积神经网络提取的高层特征基础上,分别设计了一个通道维和空间维注意力模块,利用循环神经网络的上下文信息提取能力,依次学习、输出不同通道和不同局部区域的重要性权重,更加关注图像中的显著性特征和显著性区域,而忽略非显著性特征和区域,以提高特征表示的鉴别能力.所提双重注意力模块可以与任意卷积神经网络相连,整个网络结构可以端到端训练.通过在两个公开数据集AID和NWPU45上进行大量的对比实验,验证了所提方法的有效性,与现有方法对比,分类准确率取得了明显的提升.     

基于迁移学习的遥感图像场景分类

在遥感图像场景分类中,基于卷积神经网络 (convolutional neural network,CNN) 的分 类算法存在对训练数据的依赖性,且在缺乏训练数据时分 类效果差等问题,提出一种基于迁移学习的分类算法。首先,选取现有的多个CNN预训练模型,利用迁 移学习的优势对模型进行微调,目的是提取图像不同的高层特征;然后,融合图像的多种高 层特征,使得特征信 息更加丰富;最后,将融合后的高层特征输入到基于逻辑回归的遥感图像分类器中,得到遥 感影像的分类结果。 在UCMerced_LandUse遥感数据集中进行实验,与现有算法进行比较分析,所提算法在3种评 价指标上有明显提 升。通过分析实验结果表明,该算法在仅有10%的训练数据下,能够 达到92.01%的分类准确率和91.61%的Kappa系数。     

基于迁移学习和通道注意力的遥感图像场景分类

针对遥感图像场景分类任务中训练样本数量少及遥感图像背景复杂等问题,本文将迁移学习和通道注意力引入到卷积神经网络(convolutional neural network,CNN) 中,提出基于迁移学习和通道注意力的遥感图像场景分类方法。该方法首先选用经过ImageNet自然数据集预训练的两个CNN作为主干,同时引入通道注意力机制,自适应地增强主要特征,抑制次要特征;然后融合这两个网络提取的特征进行分类;最后采用微调迁移学习的方式实现目标域上的学习与分类。提出的方法在几个经典的公共数据集上进行了评估,实验结果证明了本文提出的方法在遥感图像场景分类中达到与其他先进方法相当的性能。     

纹理特征在多光谱图像分类中的应用

文中介绍了几种纹理特征提取方法，并将图像中的纹理信息作为重要的特征参与多光谱图像分类的过程，通过与单纯基于像元光谱信息的分类结果的比较，证明了此方法可以改善分类的效果。     

光学遥感图像场景分类技术综述和比较

近年来,随着遥感成像技术的快速发展,高空间分辨率光学遥感图像的获取变得越来越便利。在需求的牵引和图像数据的支持下,光学遥感图像场景分类技术获得快速发展。基于主流英文期刊和会议发表的相关论文,从场景分类方法、分类性能评价准则和数据集、分类性能比较3个方面对光学遥感图像场景分类技术进行综述和比较。对于场景分类方法,按所用特征的不同将其分为基于人工设计特征和基于深度特征的方法并进行了详细论述。对于分类性能评价准则和数据集,重点介绍了常用的2种评价准则和4种数据集。对于分类性能,挑选多种有代表性的方法,对其分类性能进行比较和分析,并提出后续重点研究方向。     

多光谱和SAR遥感图像融合分类的特征选取

针对多光谱和SAR遥感图像特征层融合分类的特征选取问题,以Landsat卫星的TM图像和JERS—1卫星的SAR图像融合分类为例,给出了一种基于Rough Set理论的最佳分类特征选取方法．     

基于场景语义的遥感图像目标识别

高分辨率遥感图像的信息解译的通常思路是从特定类型目标的检测与识别分析入手,最终实现图像场景的认知理解。给出一种利用CSIFT特征的遥感图像视觉特征表示方法和基于PLSA的遥感图像场景语义识别方法,并利用10类典型遥感图像场景进行实验,充分验证了该方法的有效性。     

神经网络训练策略对高分辨率遥感图像场景分类性能影响的评估

机器学习方法在高分辨率遥感图像场景分类任务中已经得到大规模应用,但当前研究主要围绕数据特征和神经网络结构展开,极少提及神经网络训练策略对遥感图像分类性能的影响.因此,本文选取7种自然图像分类中常用的神经网络训练策略进行实验,根据其在3个规模较大的遥感图像数据集和4个广泛使用的神经网络模型上的实验表现,筛选出适用于遥感图...     

用B—P神经网络实现多波段遥感图像的监督分类

提出敢用Ｂ－Ｐ神经网络实现多波段遥感图像监督分类的方法，给出了用Ｂ－Ｐ神经网络对４种农作物的４波段遥感图监督分类实例。结果表明；与传统的分类法相比，在特征提取相对较少情况下，仍可获得符合实况的多波面遥感图像分类。     

多光谱和SAR遥感图像融合分类的特征选取

针对多光谱和SAR遥感图像特征层融合分类的特征选取问题,以Landsat卫星的TM图像和JERS-1卫星的SAR图像融合分类为例,给出了一种基于Rough Set理论的最佳分类特征选取方法．     

基于空谱多特征融合的高光谱遥感图像分类

高光谱遥感图像分类已被公认为是高光谱数据处理的基础性和挑战性任务之一,其最终目标是给影像中的每个像元赋予唯一的类别标识。针对传统高光谱遥感图像分类方法只依靠单一特征进行分类的问题,提出一种基于空谱多特征融合的分类策略。首先在光谱域上利用主成分分析法PCA降维,得到前3个主成分数据,然后通过多视图策略对PCA降维后的数据分别提取局部二值模式LBP、方向梯度直方图HOG与Gabor特征,将其输入到多视图支持向量机进行分类。所提方法在Indian Pines数据集上进行验证,实验结果表明,所采用的分类策略相较于传统只利用单一特征进行分类的方法分类精度更高。