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。     

遥感图象分类的统计融合方法及性能分析

基于数据层的统计数据融合方法,以提高遥感图象的分类性能为目的,实现了一种新的可调参数的图象分类方法。用这种方法对ＴＭ图象和ＳＡＲ图象进行了一系列的实验,并对实验的结果进行了分析,从而得出关于数据层统计信息融合方法的有益的结论。     

基于影像融合和面向对象技术的植被信息提取研究

高分辨率影像具有丰富的光谱信息和空间信息。采用不同的图像融合技术融合GeoEye影像全色波段和多光谱波段,用建立的参考多边形和对应多边形残差法评价分割质量,以确定研究区各地物类型的最优分割参数组合,选择目标地物分类特征,建立分类规则,在此基础上实现研究区内不同地物类型的面向对象信息提取。结果表明:Gram-Schmidt(GS)融合法具有最优的融合效果,所选特征能够很好地实现目标地物信息提取,并且具有明确的地学意义,面向对象信息提取总体精度达到90.3%,Kappa系数为0.86,该研究为高精度植被信息的提取提供了有效的方法。     

多源遥感影像融合技术在地质灾害调查中的应用

我国是地质灾害频发的国家,灾害造成了大量人员伤亡和经济损失,“5·12”地震更是诱发了滑坡、崩塌、泥石流以及堰塞湖等地质灾害,给人民生命财产造成重大损失。实践表明,运用遥感技术可以进行大范围的地质灾害调查与监测,使应急速度得到显著提高,但目前传感器种类较多,如何在海量的数据中发现规律、进行数据的协同处理,弥补信息提取能力的不足,是亟待解决的问题。在对图像融合方法分析的基础上,结合地质灾害调查的任务和研究区具体情况,以全色SPOT和多光谱TM影像为数据源,进行数据融合算法及图像质量评价研究,取得了良好的效果。融合后图像不仅保留了多光谱信息,而且空间信息量也得到了增强,提高了孕灾因子及承灾体的提取精度,为地质灾害调查与地质灾害风险评价起到了技术支撑作用。     

基于模糊自适应谐振网的多源遥感图像融合方法

介绍模糊自适应谐振网在多源遥感图像融合的应用.详细分析模糊自适应谐振网聚类算法的步骤和特点,并比较模糊自适应谐振网和一般模糊极小-极大网的差异.实验证明模糊自适应谐振网的自适应稳定性佳,其聚类速度优于一般模糊极小-极大网,而一般模糊极小-极大网聚类精度较好,对训练区域的依赖性较强.     

自联想神经网络的遥感图象主分量提取

提出了一种自联想神经网络的遥感图象主分量提取方法,这种方法可能应用于图象的压缩、特征提取和图象滤波中,实验结果表明：自联想神经网络算法简单、易于实现,其压缩效果与Ｋ－Ｌ变换相当。     

基于最小生成树的图像融合算法

研究遥感图像融合精度问题。图像融合存在含有冗余和互补信息,造成清晰度降低。针对传统的图像配准算法精度较低,为了提高遥感图像融合的准确度,提出了一种最小生成树遥感图像配准算法,将最小生成树算法应用到图像融合的优化过程中,算法首先提取均匀子采样点集,并在此基础上构造最小生成树,然后使用最小生成树来估计熵,对遥感图像进行配准,最后将图像间的边缘梯度信息融入到融合框架中。算法有效地克服了传统图像融合算法的缺点,仿真结果表明,改进算法有效地提高了图像融合的精确度,并为遥感图像融合提出了有效依据。     

面向对象的遥感图像融合处理系统的设计与应

基于图像处理和软件工程理论,详细介绍了面向对象的遥感图像融合处理系统的总体设计思想以及小波变换融合算法。结合ENVI/IDL提供的开发语言,完成系统的软件研制,并分析其功能特点。最后以某地区的遥感图像为例,同时应用ENVI平台和该软件进行融合处理。目视和定量分析的结果说明,本系统在处理速度、融合精度、可操作性等方面均有良好的竞争力。     

基于灰度与纹理信息融合的影像分割方法

文章提出了一种融合遥感影像像元各波段灰度信息与影像纹理信息的图像分割方法, 设计并实现了一种基于四分树的区域分开-合并算法。该方法有效地利用了遥感影像像元各波段灰度信息以及影像纹理信息, 用SPOT 5 卫星数据的实验结果表明, 该方法对影像分类以及制图工作有一定的促进作用。     

A region-based multi-sensor image fusion scheme using pulse-coupled neural network

For most image fusion algorithms split relationship among pixels and treat them more or less independently, this paper proposes a region-based image fusion scheme using pulse-coupled neural network (PCNN), which combines aspects of feature and pixel-level fusion. The basic idea is to segment all different input images by PCNN and to use this segmentation to guide the fusion process. In order to determine PCNN parameters adaptively, this paper brings forward an adaptive segmentation algorithm based on a modified PCNN with the multi-thresholds determined by a novel water region area method. Experimental results demonstrate that the proposed fusion scheme has extensive application scope and it outperforms the multi-scale decomposition based fusion approaches, both in visual effect and objective evaluation criteria, particularly when there is movement in the objects or mis-registration of the source images.     

一种基于结构相似度的IHS变换融合算法

由于IHS色彩空间表现的颜色更加符合人眼的视觉规律,因此,IHS变换在遥感影像融合中被广泛应用。针对传统的IHS变换融合算法进行融合实验时有较大的色彩畸变问题,提出了一种基于结构相似度（Strucral Similarity SSIM）的IHS变换融合算法。对影像进行IHS变换之后,计算原始多光谱影像I分量与全色波段影像的SSIM矩阵,并由该SSIM矩阵确定对应不同区域的新的亮度分量I。实验结果表明,该算法在增强影像空间分辨率的同时,能很好地保持其光谱特征。     

基于小波包变换的多光谱图像融合方法研究

小波包分析将频带进行多层次划分,对小波多分辨分析没有细分的高频部分也进行了进一步的分解。本文在研究了小波包图像分析法后,提出了基于小波包变换的象素级图像融合算法。通过把同一目标的多传感器获得的不同波段的图像数据利用小波包变换进行融合,得到融合图像。这种方法能够很好地将源图像的细节融合在一起,完好地显示了源图像各自的信息。     

可见光遥感图像海面目标检测技术综述

基于可见光遥感图像的海面目标检测技术是当前遥感领域的研究热点,为推进基于可见光遥感图像的海面目标检测技术的发展,文中对当前主要的检测方法进行了总结。首先,介绍了可见光遥感图像目标特性以及图像目标检测基本流程,并分析了遥感图像目标检测的研究现状;然后,针对海面目标快速检测问题,详细介绍了视觉显著性方法在遥感图像目标检测方面的研究现状;接着,针对遥感图像分类识别问题,详细介绍了卷积神经网络在遥感图像目标检测方面的研究现状;最后,总结了现有方法应用于海面目标检测存在的问题以及未来的研究方向。     

Training pattern replication and weighted class allocation in artificial neural network classification

In some image classifications the importance of classes varies, and it is desirable to weight allocation to selected classes. Often the desire is to weight allocation in favour of classes that are abundant in the area represented by an image at the expense of the less abundant classes. If there is prior knowledge on the distribution of class occurrence, this weighting can be achieved with widely used statistical classifiers by setting appropriate a prioriprobabilities of class membership. With an artificial neural network, the incorporation of prior knowledge is more problematic. An approach to weight class allocation in an artificial neural network classification by replicating selected training patterns is presented. This investigation focuses on a series of classifications in which some classes were more abundant than others, but the same number of training cases were available for each class. By replicating the training patterns of abundant classes the representation of the abundant classes in the training set is increased, reflecting more closely the relative abundance of the classes in an image. Significant increases in classification accuracy were obtained by replicating the training patterns of abundant classes. Furthermore, in comparison against a discriminant analysis for the classification of synthetic aperture radar imagery, the results showed that training pattern replication could be used to weight class allocation with an effect similar to that of incorporating a prioriprobabilities of class membership into the discriminant analysis, and resulted in a significant 20.88%, increase in classification accuracy. This increase in classification accuracy was obtained without any new information, but was the result of making fuller use of what was available.     

一种多特征结合的遥感图像分类方法

遥感图像分类是遥感图像分析和理解的基础,是遥感图像研究中的重要内容之一。为提高分类效果,遥感图像分类中通常需要综合运用多种特征。提出一个新的基于特征级融合的遥感图像分类方法。将多种图像空间特征和光谱特征分别作为分类器的输入,将各分类器的概率输出拼接起来作为中间层特征再进行分类。该方法有效避免了多特征直接拼接存在的尺度问题。在Indian93和Flightline C1两个数据集上的实验结果表明该方法具有一定优势。     

人工神经网络遥感分类方法研究现状及发展趋势探析

从人工神经网络技术本身出发,概括了其在遥感分类中的研究现状,分析了人工神经网络遥感分类方法与其它分类方法相比具有的优势,介绍了人工神经网络遥感分类的一些主要应用,并进一步对人工神经网络遥感分类方法的发展趋势进行了展望。     

A comparison between functional networks and artificial neural networks for the prediction of fishing catches

In recent years, functional networks have emerged as an extension of artificial neural networks (ANNs). In this article, we apply both network techniques to predict the catches of the Prionace Glauca (a class of shark) and the Katsowonus Pelamis (a variety of tuna, more commonly known as the Skipjack). We have developed an application that will help reduce the search time for good fishing zones and thereby increase the fleets competitivity. Our results show that, thanks to their superior learning and generalisation capacities, functional networks are more efficient than ANNs. Our data proceeds from remote sensors. Their spectral signatures allow us to calculate products that are useful for ecological modelling. After an initial phase of digital image processing, we created a database that provides all the necessary patterns to train both network types.     

基于小波包变换的遥感图象融合

为了能够更好地把来自多传感器的图象信息综合起来,以提高对图象信息的分析和提取能力,在研究了小波包图象分析法之后,提出了一种基于小波包变换的图象融合方法,由于小波包变换能对图象进行多层次分解,包括对小波变换没有细分的高频部分也能进行进一步的分解,因此小波包分析能够为图象提供一种比小波多分辨分析更加精细的分析方法,利用此融合算法将由多传感器获得的同一目标不同波段的遥感图象和不同分辨率的遥感图象进行融合后得到的融合图象,能够很好地将源图象的细节融合在一起,通过与该融合图象进行主观与客观的评价比较,证明该融合方法可以获得更好的融合效果。     

基于形态学和Contourlet系数区域特征的遥感图像融合方法

进行遥感图像融合时,全色图像空间信息的保留与多光谱图像光谱信息的保持是相互矛盾的,如何在这对矛盾体中实现最佳的融合效果一直是图像融合领域的研究热点。在IHS变换的基础上,将形态学和Contourlet变换相结合,针对多特征地物遥感图像的融合提出了一种基于图像特征的选择性融合算法。该算法先利用形态学操作将图像的边缘和非边缘信息进行区分,然后对处理后的图像进行Contourlet变换得到一个低频和一系列高频分量,再利用不同的区域特征自适应融合算法分别对低频和高频系数进行选择性融合,最后通过Contourlet逆变换和IHS逆变换得到融合结果。融合实验结果表明:对多特征地物遥感图像进行融合时,该算法是高效可行的。