基于SVM不同核函数的多源遥感影像分类研究

选取同地区同时相的多光谱和高光谱影像,在实验样本和验证样本相同的情况下,采用SVM分类算法中4种不同的核函数,对2种影像进行分类实验.结果表明,对于多光谱影像,RBF核函数分类精度最高,Sigmoid最低;对于高光谱影像,Linear核函数分类精度最高,Sigmoid最低;对于同地区相同分辨率的遥感图像,在分类条件相同的情况下,多光谱影像的分类精度和高光谱的分类精度相近.     

双分支多维注意特征融合的高光谱图像分类

为改善高光谱图像小样本类别的分类性能,提高模型特征表达的稳健性,提出了双分支多维注意力特征融合的神经网络分类模型（DBMD）。DBMD采用两个分支分别进行光谱特征提取和混合特征提取。光谱分支通过密集连接的扩张卷积逐级提取特征,然后融合低、中、高级语义信息作为特征输出。混合分支采用3D-2D网络架构,并通过改进的Inception块提取空间尺度特征。此外,注意力机制分别应用于光谱、空间和空谱特征,进行特征细化,增强重要区域的特征响应。最后,将不同维度的细化特征联合输入至分类器进行分类。在Indian Pines和Salinas Valley数据集上利用5%和1%的样本进行实验,分别取得了98.40%和99.78%的总体精度,与其他六种网络架构相比,该模型在准确性和稳定性上都具有更优的表现。     

基于无人机高光谱影像的三江源草种精细识别研究

草种精细识别对三江源区草地生态系统退化监测具有重要意义。基于无人机高光谱遥感系统,获取三江源草地退化典型区的高光谱影像。在对原始光谱特征利用XGBoost进行优化选择的基础上,结合扩展形态学属性剖面特征,利用稀疏多项式逻辑回归与自适应稀疏表示两种分类方法分别对影像上的不同可食与毒杂草种进行精细识别,在此基础上提出形状自适应的后处理方法对识别结果进行平滑处理。结果表明：①利用XGBoost方法选择出重要性高的光谱特征能提升高光谱数据的识别效果并节省运行时间;②利用空间—光谱特征的识别方法相较于仅利用光谱特征的方法可以有效改善草种识别效果,使总体精度提升4%~5%;③利用两种稀疏表示方法在小样本的情况下对草种精细识别的精度分别达到94.07%、93.15%,利用形状自适应后处理方法能有效提高多种毒杂草种的识别精度,使得总体精度分别提升约1.64%和1.12%。基于特征挖掘的稀疏表示分类方法能实现高精度的无人机高光谱影像草种精细识别,为更大范围的草原物种精细识别提供了技术支撑。