基于深度学习的皮肤影像分类

随着大数据时代的到来,深度学习技术在图像分类、检测等任务中相对传统模式识别方法均取得了令人瞩目的突破。2017年1月,斯坦福大学人工智能实验室采用深度学习方法对皮肤镜和临床皮损图像进行自动分类,并在《自然》杂志上发表了相关研究成果,代表了皮肤图像自动分析领域的最新研究进展。本文从数据库建立、研究方法设计以及试验结果分析等角度对这一研究工作进行解读,并分析国内皮肤影像计算机辅助诊断的研究现状,以及未来多源皮肤影像大数据分析与智能辅助诊断的发展空间,以期推进我国皮肤疾病的医疗诊断水平。     

基于深度学习的大区域遥感影像路网提取方法

针对传统的遥感影像道路网分割方法鲁棒性差且难以挖掘影像中深层特征等问题,提出了一种基于深度学习语义分割的道路网提取方法,以Deeplabv3+语义分割模型为基础,采用双次迁移学习方式进行训练,通过多尺度预测进行结果融合,实现对预测结果的优化。针对训练样本标注工作繁琐,基于公开影像及矢量数据源,设计了大规模样本采集方法。针对大区域范围,设计基于网格划分的逐网格分割方法,实现大范围道路提取。基于瓦片地图思路,设计大规模分割数据存储方法,实现分割数据结果的存储管理。通过采集某区域500km~2样本数据,验证了大规模样本采集方法的有效性。对该区域样本数据集训练分析,单尺度下道路提取精度MIoU达到77. 2%,多尺度融合预测可提升1. 1个百分点。最后,基于设计的道路分割系统,可视化验证了网格划分及大规模分割数据存储方法的有效性。     

一种基于光谱与纹理特征的多光谱遥感图像地物分类方法

基于光谱特征对高分辨率多光谱遥感图像进行地物分类易形成噪声,提出一种光谱特征与纹理特征相结合的地物分类方法。首先基于光谱特征与纹理特征利用四叉树技术,对图像进行分块处理,以图像块的方式提取地物的光谱特征和纹理特征,然后采用支持向量机(support vector machine,SVM)对图像块进行地物分类,并通过区域增长方法对边缘区域进行处理,使得分类区域边界清晰。对Quickbird多光谱遥感图像进行实验,实验结果表明,该方法地物分类结果精度较高、区域一致性强、噪声少。     

基于对象和特征组合的高分辨率遥感影像分类研究

针对高分辨率影像的空间分辨率高而光谱分辨率相对不足的特点,提出一种基于多尺度分割和特征组合的对象级分类方法。试验结果表明,面向对象的分类方法可有效抑制＂椒盐现象＂,显著提高分类精度,更加适合于几何和纹理信息丰富的高分辨率影像的自动识别分类。     

利用流形技术的遥感高光谱图像边缘检测

对于遥感高光谱影像,"光谱边界"还未被明确的定义,这是因为谱空间中存在多维的复杂性.一个新的光学边界定义的提出要基于流形学习的数学趋近方法.要考虑谱空间中的光谱特性以及像空间的像函数不连续性.使用EO-1高光谱图像试验分析表明基于光谱边界的方法拥有描述高光谱影像边界轮廓的令人期待的表现.     

ENVI软件遥感解译影像制作

利用空间分辨率分别为2.5 m的全色和10 m的多光谱SPOT-5影像展开示范,详细介绍了遥感解译软件ENVI对土地利用信息进行提取、解译和制图的过程,共解译6种地类、图斑87 363 977个、面积444.56 km2,解译中发现影像融合方法受影像本身特征、地物分布不均、地类光谱特征等因素影响而存在差异,其中Gram-Schmidt变换方法在高分辨率影像上表现力较好。     

基于SVM的遥感影像空间特征提取和分类研究

提出了基于支撑向量机（SVM）的遥感影像空间特征提取的新方法,并以融合后的SPOT多源影像上空间特征信息的提取、分类为应用实例,通过试验分析,得出SVM方法不但能够获得比较高的分类精度,而且在分类器训练时间和分类时间上都有很好的应用前景。     

基于高分辨率遥感影像的车流信息提取

阐述了QuickBird影像的特征及对图像中某些感兴趣信息提取的两种方法:监督分类和阈值法.分别采用ERADS软件和MATLAB软件来提取遥感影像的车流信息.以西南交大九里校区周围区域的QuickBird卫星图像作为研究对象进行研究,可以快速的了解该地区各路段的交通状况,每条道路的车流量估算,从而更好地管理交通,合理布...     

基于遥感影像的水域覆盖信息提取方法

从遥感影像分类原理入手,通过地理国情普查中内业解译工作探讨水域覆盖分类要素提取方法。比较分析各种方法的优缺点,阐述计算机自动分类方法与技术流程,描述了水域地表覆盖分类的具体过程,并给出了相应实例,为地理国情普查水域覆盖分类提供技术参考。     

基于稀疏MK-LSSVM的高光谱图像不平衡分类

针对高光谱图像分类中没有考虑高光谱数据地物种类复杂、数据规模较大以及样本分布不规则而导致的少数类分类精度较低,分类器鲁棒性差的问题,提出一种基于稀疏多核最小二乘支持向量机(Multiple Kernel Least Squares Support Vector Machine,MK-LSSVM)的高光谱图像不平衡分类方法。该方法先用k均值聚类将多数类的训练样本分为k类,然后利用采样技术对每一群组中的样本进行处理与少数类样本均衡,最后建立最MK-LSSVM分类器。该方法对于MK-LSSVM不稀疏的问题,引入了压缩感知理论对其进行稀疏求解。实验表明本文提出的分类方法提高了少数地物的分类精度,同时减少了标准支持向量机训练样本时间消耗大的问题。     

基于TM遥感影像的分类方法研究与探讨

为了能够更加方便、快捷和准确地采用分类方法对遥感影像进行分类,对lsodata分类法、最大似然分类法以及决策树分类法这三种遥感图像分类方法进行了机理分析,并以阜新TM遥感影像作为实验数据,对这三种方法进行实验数据比较分析,实验数据表明决策树分类法精度最高,不仅能有效利用地物的光谱信息,而且增强了地物非光谱信息对分类结果的作用。     

基于交叉验证的遥感影像精细分类研究

随着遥感技术的发展,多光谱和高分辨率遥感已成为重要发展趋势。这对分类方法提出更高要求,也增加了难度,特别在精细分类实践应用中,相似地物间性状差异较小,同物异谱、同谱异物现象普遍存在。本文以美国印第安纳州地区高光谱影像(AVIRIS影像)和武汉九峰地区高分辨率影像(Quickbird影像)为研究对象,利用交叉验证的方法进行参数估计,分别采用支持向量机(Support Vector Machine,SVM)和留一验证法(Leave-One-Out Cross Validation,LOOCV)对影像进行分类,并根据实地调查数据估计精度,实验结果显示出该方法有较高精度和良好效果。     

基于样本优选改进的随机森林遥感影像分类研究

在遥感影像分类的随机森林(Random Forests,RF)算法中,样本的质量是分类的基础和重要环节,构建优质的样本数据集是一项重要工作,本文对此进行研究,并提出以计算样本间的相似度的方法作为度量标准,来优化样本数据集。结果表明:(1)由计算相似度方法优化后的样本数据精确度得到提升,对各类别的数据判读更加明确;(2)在文中实验条件下,改进的随机森林法的分类结果优于传统方法,且精度优于CART决策树和SVM方法。     

小波变换在遥感影像压缩中的应用

解决海量遥感影像存储和传输问题的有效方法是对影像进行保真快速压缩.本文对基于小波变换的遥感影像压缩技术进行深入探讨,并通过与其他图像压缩算法相比较,比较全面地揭示出小波压缩算法的特点及其在遥感影像压缩中的应用.     

基于ERDAS IMAGINE遥感影像管理方法的探索

随着卫星遥感技术的发展,不同比例尺的大量遥感影像数据进入到现实应用中,遥感影像数据不同于地形图数据,它包含数据信息量大,占用计算机资源多,而我们的服务器资源是有限的,本文基于ERDAS IMAGINE遥感处理软件的运用中有关遥感影像数据管理的方法,对遥感影像数据的管理和处理进行了探索。     

基于主成分变换的遥感影像变化检测

本文提供了一种比较简单、易理解、可以快速提取遥感影像的变化信息的方法——基于主成分变换的方法,并就某一地区的两幅不同时相的影像进行变化检测,取得了理想的效果;对比了几种常用变化检测方法,验证了该方法简单、快速、高效的特点。     

基于光谱特征的遥感图像检索方法研究

在遥感图像检索中,光谱特征的应用最为广泛。本文研究了基于光谱特征进行遥感图像检索的方法;并且针对目前应用越来越广泛的多光谱、高光谱遥感图像波段多的特点,提出了基于K-L变换的检索方法,并通过实验验证了本文方法的有效性。