基于GVG采样系统的农作物估产可信度分析--以四川盆地为例

以四川盆地的农作物估产为例，对GVG（GIS＆VIDEO＆GPS）采样系统的采样结果进行可信度分析。在试验区随机选取具有代表性的采样线，利用GVG采样系统提取样区内农作物种植比例。然后结合野外实地调绘结果对该地区进行遥感影像解译，在解译影像上对采样线不同缓冲区范围内的农作物面积进行提取，计算出农作物的种植比例。把遥感解译影像缓冲区分析结果为检验数据，采用误差最小可信度最高的原则对GVG采样系统采样结果的精度进行可信度分析。并基于可信度分析初步确定GVG采样系统的沿线采样最佳范围。     

遥感影像解译精度的分析

遥感影像的解译精度是指遥感解译图的判对率或错判率。解译精度的分析是遥感影像解译工作中一项不可缺少的过程,它对于解译成果的评价和使用都具有十分重要的意。遥感影像解译精度分析的基本方法是在解译图上选取一定数量的样本进行检验。根据检验样本的判对率得出解译图的解译精度。为了使得到的解译精度可靠,样本的选取应按照抽样理论的方法来进行。但是,从目前的遥感影像解译工作来看,解译精度的分析还没有系统规范的方法,样本的选取大多数还是按照人为的主观选择来进行。抽样的方式和样本的大小缺少科学依据,使得得到的解译精度可     

遥感影像高性能分类系统设计与实现

面向遥感影像解译需求,针对遥感图像数据量大,时间分辨率高的特点,基于AOI样本数据库及遥感影像并行处理技术,设计实现了一套快速、自动、稳定的分类系统。应用AOI样本数据库有效提取、管理AOI信息,自动生成训练样本文件,提高环境卫星影像分类的自动化程度及解译精度;并行化分类方法在保证计算精度的情况下有效提高了分类速度。实验结果证明,本系统提高了分类执行效率,实现了对遥感影像的快速分类。     

一种两阶段区域生长的遥感图像分割算法

提高图像分割算法的精度与速度对遥感影像的解译工作具有重要意义。提出了一种基于区域生长的遥感图像分割算法,包括的两个步骤分别是局部最优合并和全局最优合并。第一步注重提高图像分割的速度,在其具体实现中引入了一个局部最优合并的阈值,以减少错误的合并;第二步侧重提高图像分割的精度,在其实现过程中利用了一种高级数据结构红黑树来提高搜索最优合并区域的速度。最后,利用模拟的遥感影像和Orbview\|3高分辨率影像开展了图像分割实验。利用一种监督的图像分割精度评价方法,定量评价了该方法的性能。实验结果表明:该方法在分割精度和分割速度方面都取得了令人满意的效果。     

乌兰布和沙漠高分辨率遥感影像梭梭林解译方法探讨

利用ALOS、SPOT5高分辨率遥感影像,结合野外调查,完成了乌兰布和沙漠研究区遥感影像信息的目视解译及植被制图,并结合GPS野外样点进行精度评价,解译精度为93.3%,梭梭林面积为165 410.62 hm²,占乌兰布和沙漠地区总土地面积的17.27%。最后,对乌兰布和沙漠遥感影像梭梭林解译的方法进行了探讨。     

基于GF-2遥感影像的一种快速水体信息提取方法

在高分辨率遥感影像中,水体与阴影(尤其是高大建筑物阴影)、暗色地物不易区 分。针对 GF-2 遥感影像的光谱特性的大量实验研究,提出了一种新综合水体指数法(NCWI)来 增强水体区域信息;同时利用改进的 OSTU 结合鸡群算法(CSO)快速自适应地确定最佳分割阈 值,进而得到最终的水体区域。将其同归一化 NDWI、改进谱间关系法、主成分分析综合法等 常见水体信息提取方法应用于 GF-2 遥感影像水体信息提取,利用采用实地采样和人工解译的 混淆矩阵对提取的水体区域结果进行精度验证和对比分析,从而验证了其有效性和高效性。4 个实验区域的结果证明,该算法可以快速有效地提取水体信息,精确度分别达到 97.82%, 97.44%,92.13%,96.94%。     

滑坡高分辨率遥感多维解译方法及其应用

目的:高分辨率遥感影像技术的发展使得对于地质灾害体的要素组成、形态结构的遥感解译成为可能。目前,遥感影像解译存在着过度依赖影像色彩、纹理、阴影等光学要素,片面追求影像解译标志,DEM数据利用程度低,对基于DEM、GIS的影像复合分析、空间分析、3D可视化等技术方法的应用较少等问题。方法：本文以灾前灾后高精度DEM和高分辨率遥感影像为基础,探讨了地质灾害滑坡的一维、二维、三维三种遥感解译方法,分析了三者之间的互补关系,并应用三种遥感解译方法对贵州关岭“6.28”特大滑坡进行了遥感解译分析,文章最后对有关滑坡多维遥感解译方法体系的建立进行了讨论。结果：研究结果表明：滑坡高分辨率遥感多维解译方法中,一维高程曲线计算、二维影像对比分析、三维场景精细解译分别属于滑坡遥感解译的初判方法、动态分析方法、定量计算方法;结论：其中,一维高程曲线计算为滑坡遥感的二、三维解译提供了有关滑坡崩塌区、滑坡区、堆积区的可能分区参考框架,而二维影像对比分析向三维场景精细解译的发展则体现了以人机交互方式为主要手段的滑坡高分辨率遥感影像解译由定性监测向定量计算的发展。     

基于线性光谱混合模型的油菜种植面积遥感监测方法研究

利用中低分辨率卫星影像进行油菜面积提取时,需要考虑混合像元产生的影响,以提高面积提取的精度。本文以2009年湖北省潜江市油菜种植面积为例,利用中巴地球资源卫星(CBERS-02B)遥感影像,选取线性光谱混合模型进行油菜种植面积的分解计算研究,将结果与基于GVG(GPS、VIDEO、GIS)农情采样系统得到的结果进行对比分析,面积提取精度为97.43%。表明线性光谱混合模型能够高精度地提取油菜的种植面积,不失为一种很好的监测油菜种植面积方法。     

图像语义分割方法在高分辨率遥感影像解译中的研究综述

快速获取遥感信息对图像语义分割方法在遥感影像解译应用发展具有重要的研究意义。随着卫星遥感影像记录的数据种类越来越多,特征信息越来越复杂,精确有效地提取遥感影像中的信息,成为图像语义分割方法解译遥感图像的关键。为了探索快速高效解译遥感影像的图像语义分割方法,对大量关于遥感影像的图像语义分割方法进行了总结。首先,综述了传统的图像语义分割方法,并将其划分为基于边缘检测的分割方法、基于区域的分割方法、基于阈值的分割方法和结合特定理论的分割方法,同时分析了传统图像语义分割方法的局限性。其次,详细阐述了基于深度学习的语义分割方法,并以每种方法的基本思想和技术特点作为划分标准,将其分为基于FCN的方法、基于编解码器的方法、基于空洞卷积的方法和基于注意力机制的方法四类,概述了每类方法中包含的子方法,并对比分析了这些方法的优缺点。然后,简单介绍了遥感图像语义分割常用数据集和性能评价指标,给出了经典网络模型在不同数据集上的实验结果,同时对不同模型的性能进行了评估。最后,分析了图像语义分割方法在高分辨率遥感图像解译上面临的挑战,并对未来的发展趋势进行了展望。     

基于Landsat遥感影像的土地利用变化动态监测

土地利用变化是土地资源利用情况的综合分析,遥感技术在土地利用变化的应用,更好的解决了大范围内土地利用变化动态监测的难题。本文基于Landsat影像,利用影像融合主成分分析法(PCA法)以及谷歌地球目视解译和最大似然法结合的方式进行监督分类,采用Majority/Minority分析对分类结果进行处理,通过混淆矩阵对分类的结果进行精度评估。运用遥感图像2001-2018年期间解译结果,对昆明市呈贡新区土地利用变化做出分析,以及对2001和2018年分类结果进行变化检测,结果表明,2001-2018年呈贡新区土地利用结构发生显著变化,城市建筑面积明显增多。     

不同训练样本对识别系统的影响

分析了训练样本对于识别系统性能的影响,将训练样本分为三种： 好样本、差样本和边界样本,分析了它们在训练中所起的作用,并结合基于HMM的手写数字识别系统,给出了一种简单的边界样本定义和选择的方法;通过实验证明了采用边界样本训练可使系统误识率降低17.51%,并证明了边界样本的重要性,且指出非边界样本的存在会影响训练的效果.     

数字传感器信号采样技术研究

为了提高数字传感器输出信号的采样精度,简化采样处理,提出了一种将脉冲宽度测量和脉冲计数测量相结合的复合采样方法,给出了该方法的基本原理,并依据信号采样理论,推导了该方法的基本计算公式,讨论了它的采样精度、性能和参数选取限制.结合实际应用情况,给出了可以节省处理量的基于整数运算的改进算法和可以使采样精度最大化的动态精度自适应算法.该方法已成功地应用到实际系统中,实测数据表明,该方法有较好的精度和适应性.     

数据仓库的样本模型

提出了数据仓库即样本库的观点，给出了用于数据仓库的概念设计样本模型(SM)。SM以事件为中心，每类事件即是数据仓库的一个主题，通过对参与事件的实体及其上关系(层次、分类和组合)的描述定义事件的表示空间。     

车辆识别中样本自动化准备方法研究

样本的准备是机器学习的基础,直接关系到算法对图像目标物的最终识别性能,也是一项非常繁琐和耗资源的任务,为此,文中提出一种样本自动化准备方法,分两个阶段：粗精度样本准备阶段和细精度样本准备阶段。粗精度样本准备阶段基于图像分割算法收集符合标准的样本,细精度样本准备阶段基于SVM方法选择边界样本,以减少样本规模,确保机器学习过程中对训练样本学习的高效性。提出的方法应用于车辆识别中,实验数据表明了该方法的有效性和高效性,具有良好的应用和推广价值。     

小子样条件下火箭弹射击密集度可靠性研究

针对当前武器系统试验分析评估存在难以进行大量试验,经典统计方法难以满足需求的状况,提出在小子样条件下对某型火箭弹射击密集度可靠性进行评估。根据地面模拟环境试验和飞行试验信息,利用二项分布确定火箭弹射击密集度可靠性的分布,使用计算机进行数值处理。在不降低试验要求的情况下,与经典方法相比,小子样理论大幅度地减少了飞行试验用弹量。     

基于样本选择的标签含噪图像分类

标签噪声广泛存在、无法避免且影响深度网络模型的性能. 利用神经网络的“记忆效应”, 基于小损失原则的样本选择方法能简单有效地处理标签噪声. 本文基于特征空间中样本距离越近越相似的原则, 结合样本的高低置信度假设, 提出了新的样本选择原则以及二阶段加权样本选择重标签方法(WSSR-2s). (1)在训练前期阶段, 对于高置信度样本, 在特征空间中对其票权进行加权, 更好地引导训练; (2)在训练中后期阶段, 对于低置信度样本, 将其票权转移给其最相似的特征样本, 以更正确地训练. 在合成噪声数据集CIFAR-10、CIFAR-100以及真实噪声数据集ANIMAL-10N、WebVision的实验结果表明, 本文提出的方法取得更高的精度, 能够更好地处理标签噪声问题.     

基于近邻距离的大规模样本集去噪与减样

在分析传统样本缩减方法局限性的基础上,提出一种距离模型及样本的类内距离和类间距离的度量方法。给出利用该距离模型进行噪声识别和样本重要性评价方法及训练样本的缩减算法。该算法剔除噪声样本,根据样本相似性、类间距离和周围被剔除样本的数目,直接从原始样本空间剔除次要样本。仿真结果表明,该距离模型偶然性小,抗噪能力强,缩减效果优于传统的样本缩减方法。     

动态数据约简的神经网络分类器训练方法研究

针对神经网络分类器训练时间长、泛化能力差的问题,提出了一种基于动态数据约简的神经网络分类器训练方法（DDR）。该训练方法在训练过程中赋给每个训练样本一个权重值作为样本的重要性度量,依据每次网络迭代训练样本的分类错误率动态更新每个训练样本的权重值,之后依据样本的权重值来约简训练样本,从而增加易错分类的边界样本比重,减少冗余核样本的作用。数值实验表明,基于权重的动态数据约简神经网络训练方法不仅大幅缩短了网络的训练时间,而且还能够显著提升网络的分类泛化能力。     

入侵检测系统中基于凝聚聚类算法的训练样本集的构造

本文提出了一种入侵检测系统中训练样本集的构造方法,首先通过保留边界样本和删除内部样本进行样本选择,然后使用遗传算法与凝聚聚类算法相结合的方法对样本数量较少的类构造虚拟样本。这样得到的训练子集样本数量少,而且分布均匀。     

面向少样本网状结构体的候选区域自适应检测方法

在仅有少量标签数据的图像网状结构检测任务中,需要大量训练数据的目标检测模型检测性能大幅下降。基于区域候选的目标检测模型在预测时,检测目标越多,检测时间越长。若基于区域候选的目标检测模型产生候选框的数量固定不变,而不同图像中网状结构目标数量不同,造成目标检测中额外的时间消耗。针对该问题,通过对训练样本中网状结构目标在图片中的密度分析以及根据网状结构体在图片中的特征分布,提出一种面向少样本网状结构体的候选区域自适应检测方法。该方法通过基于二值标签图标注方法得到大量训练样本,由候选区域自适应方法选取合理的候选框数量。与未改进的模型相比,在几乎不损失准确率的情况下,其加快了检测速度,尤其在目标数量稀少的数据中优势更为明显。