遥感图像分类

摘要： 针对遥感图像分类问题,首先采用了ResNet模型和EfficientNet模型进行训练,其中,前者采用18层网络结构,并在测试集得到了59.8%的准确度;后者采用了EfficientNet-B0和EfficientNet-B1模型,最高分类精度为92.6%。在此基础上,使用Ranger优化器替换了SGD方法,虽然测试集精度与原方法近似,但使用Ranger优化器训练EfficientNet模型具有更强的稳定性和更快的训练速度。最后,对测试的结果进行了分析,列举出每一类场景的分类精度,分析并总结了改进方法。

摘要： 遥感图像的分类是遥感图像处理的重要步骤。随着科技快速发展,遥感平台的多样化,遥感图像特征维数不断提高,遥感技术运用领域不断扩展。为提高图像分析有效性和准确性,更好地服务于测绘、导航、军事、生态等战略领域。阐述当前遥感图像分类的原理和方法,算法适用的条件和范围,利用人工智能研究PCA-SVM分类方法,提高遥感图像的分析精度,并针对一些实际情况对数据分类方法进行了全面的论述及验证。

摘要： 为改善传统分类算法在小样本遥感图像分类上效果差的缺陷,提升模型的快速学习能力,提出融合迁移学习和元学习的小样本分类算法。设计基于长短期记忆网络的元学习器,通过门控结构拟合网络参数更新方式最下化损失下界,具有自动学习分类器参数更新方式的机制,相比于传统方法,能够有效扩展优化算法的搜索空间;考虑样本的跨类别知识转移和训练时间,利用迁移学习的思想,将不同类别的数据映射到同一特征空间上,对经过表征训练的分类器进行元训练,使分类器更好把握类别的整体特征,加速元学习的训练过程。实验结果验证了该算法的优秀性,为罕见小样本遥感图像分类提供解决思路。

摘要： 为了提高遥感图像场景分类的准确率,提出层次型非线性子空间字典学习(HNSDL)方法.用所提方法训练多层网络模型学习多层非线性变换.将遥感图像投影到子空间中,构建稀疏编码和投影编码的局部信息保持项,在保持局部结构信息的同时最小化样本的类内差异,增强模型的分类识别能力.在模型目标式求解中,使用交替学习算法求解子空间和字典的联合学习任务,使所有参数同时达到最优解.在Ucmerced、Google和WHU-RS数据集上进行实验设计和测试,结果表明所提方法在遥感图像的多种场景分类上均表现出较高的分类准确率.

摘要： 针对遥感场景图像中背景复杂、类内差异大以及类间相似度高问题所导致的分类效果欠佳情况,提出一种基于有监督对比学习的注意力机制和残差收缩单元算法。首先对有效通道注意力机制(ECA)进行改进,优化对待识别图像特征的提取;然后提出一种协同残差收缩单元算法,利用算法对图像进行冗余信息的筛选消除;再用有监督对比学习算法,增强算法的泛化能力。最后在遥感图像数据集进行实验,并与最新算法如增强注意算法、尺度注意力机制算法进行对比。实验表明,该算法在20%训练比例的AID数据集中分类精度提高了1.75%和2.5%。

摘要： 针对高分辨率遥感图像地形复杂、标注困难等问题,本文提出一种基于半监督学习的高分辨率遥感图像分类算法。首先借助卷积神经网络作为分类模型;然后对高分辨率遥感数据集部分图像分类标注,有监督训练卷积网络;最后对其余数据分别进行弱增强和强增强,得到训练图像伪标签,实现模型有监督训练。实验表明:所提半监督分类模型准确率比有监督模型平均准确率仅降低0.03左右,训练集标注耗时节约一半以上,表明该方法具有较好的识别效果和较快的训练速度。

摘要： 地理距离越相近的空间单元其相似性越高,但传统遥感影像分类常忽略像素空间坐标信息的重要性。该文提出一种将传统空谱信息与像素坐标耦合的遥感影像分类方法,为避免数据过拟合现象,采用随机森林模型对特征进行重要性评估,选取具有代表性的特征。利用不同分辨率的卫星与航空遥感影像数据,基于随机森林、支持向量机和人工神经网络3种模型对该方法进行验证,结果显示:相比传统仅使用光谱和纹理信息,耦合像素坐标信息的遥感影像分类可在一定程度上关注全局地理空间位置信息,利用地理单元越相近则性质越相似规律,提高遥感影像分类效果,在不同样本量、不同模型下的分类精度均有所提升。

摘要： 遥感图像由于数据集小,有标签数据少,因此其分类精度往往不高。为了提高遥感图像的分类精度,结合生成对抗网络与VGGNet-16设计了一个针对遥感图像的半监督分类方法,并分别在NWPU-RESISC45数据集与UC-Merced数据集上进行了验证。实验结果表明,该方法不仅能生成大量质量较好的遥感图像,增广了遥感图像数据集,解决了原始数据集样本不足的问题,同时能充分利用这些数据达到提高分类精度的效果,缓解有监督分类需要用到大量有标签数据的问题。

摘要： 为了提高遥感图像场景分类中特征有效利用率,进而提高遥感影像分类精度,采用基于双通道深度密集特征融合的遥感影像分类方法,进行了理论分析和实验验证.首先通过构建复合密集网络模型,分别提取图像卷积层特征和全连接层特征;然后为挖掘、利用图像深层信息,通过视觉词袋模型将提取的深层卷积层特征进行重组编码,捕获图像深层局部特征;最后采用线性加权方式将局部和全局特征融合、分类.结果表明,选用数据集UC Merced Land-Use和NWPU-RESISC45进行实验,取得的分类精度分别为93.81％和92.62％.该方法充分利用局部特征和全局特征的互补性,能实现图像深层信息的充分利用和表达.

摘要： 准确、及时、有效的土地利用信息对城镇发展规划和资源开发利用具有重要意义.为研究不同遥感分类方法在获取苏南丘陵区土地利用信息时的适用性,以句容河流域为研究区域,基于多时相的Landsat 8影像,分别利用监督分类方法和基于时间序列特征指数的决策树分类方法获得研究区域的土地利用分类结果,比较分析了不同方法获取到的土地利用结果在总体分类精度和地物空间分布上的差异.结果表明,支持向量机的总体分类精度和Kappa系数最高,分别为96.4％和0.948,但从地物空间分布来看,基于时间序列特征指数的决策树分类方法的效果最好;最大似然法和决策树法在苏南丘陵区土地利用分类时适用性较好.

摘要： 随着对地观测技术的发展，各种各样的遥感卫星不断发射成功并源源不断地提供遥感信息。中国科学院上海技术物理研究所自主设计了高光谱传感器OMIS、PHI等并已经获取了大量航空高光谱影像数据。高光谱数据的维数高、数据量大、数据不确定性、小样本分类等特点，是高光谱数据处理的关键和难点，需要遥感信息科学、模式识别、计算智能等多学科理论和技术的交叉集成。本文论述了在介绍几种常用的支持向量机多类算法的基础上，深入研究了二叉树的多类分类算法，以高光谱遥感数据进行了实验，分析了算法的优越性和特点。实验结果表明这种分类器结构简单、容易训练、收敛速度快、具有很高的分类精度，与神经网络方法和最小距离分类方法相比具有一定的优势，是一种有效的遥感图像分类方法。

摘要： 遥感图像分类一直是遥感图像处理的热点.本文讨论了快速独立成分分析和核心独立成分算法及其在遥感图像分类预处理中的应用,并比较了二者的优缺点.实验数据来自北京顺义1996年的TM遥感影像,根据其植被信息丰富的特点选取其中的5、4、3波段进行独立成分分析处理.接着我们采用极大似然估计有监督分类结合ISODATA方法对原始图像和独立成分分析处理后的图像(独立成分图)进行分类.结果表明,采用独立成分分析方法预处理后的分类结果比原始图像直接参加分类的结果更加合理可靠.而对于快速和核心独立成分分析方法而言,两者都比较稳定,都能实现遥感图像的去相关;不过后者无论从独立成分图纹理信息的丰富程度,还是分类的精度都要优于前者.我们还对两者的收敛速度进行了研究,结果表明核心独立成分分析方法的收敛速度远大于快速独立成分分析方法.

摘要： 结合均值漂移及模糊C-均值两种聚类算法的优势,以改进后的均值漂移算法选取聚类中心,并以模糊C-均值算法来实现模糊聚类,进而实现一种完全非监督遥感图像分类方法。改进的均值漂移算法仅用两次均值漂移来选取聚类中心,减少了计算量,提高了运算速度。模糊聚类中运用均值漂移算法选取的初始聚类中心克服了模糊C-均值算法依赖于初始聚类中心的选取、收敛速度慢及难以确定合适类别数目的缺点。整个分类过程采用模糊分类,使得分类结果更具鲁棒性。以武汉市ETM+数据为例,验证了该方法的可行性,分类精度比常规非监督分类方法有较大提高。

摘要： 该文对结合纹理信息与光谱信息的遥感图像分类方法进行了研究。首先介绍了常规的遥感图像分类方法,监督分类法和非监督分类法,并结合ERDAS软件和试验数据进行分类实验；接着引出纹理信息的概念,并探讨其在遥感图像分类中的应用,提取原数据中的纹理信息参与分类；最后,比较分析分类的结果,论证了结构与光谱信息相结合的遥感图像分类方法可行性。

摘要： 根据遥感图像分类的特点,研究了灰度统计纹理和分形原理.分析了一种灰度加权分形维的计算方法.针对遥感图像几类典型地物的特征,设计了一种基于统计纹理特征和分形维的图像分类方法.通过特征比较、选择和仿真,结果表明,该方法在典型地物特征,尤其是云和水体的分类中是有效的.

摘要： 遥感影像分类一直是遥感研究的重点、难点和热点之一。经典的主成分分析在分类中取得了较好的效果，但在源成分之间相互重叠时，由于所估计的成分是所有主成分的线性组合，这样在用PCA进行解译时，由于要使用所有变量来构建因子自身，增加了解译的难度。稀疏成分分析是一种新的工具，它不要求源成分之间互不相关，本文研究稀疏成分分析及其遥感图像处理与分类，实验结果表明，与主成分分析方法相比，基于稀疏成分分析的分类结果更加准确可靠和有效。

摘要： 主要应用IKONOS高分辨率卫星数据,依据城市建筑物、城市道路、植被的波谱特征,对城市绿化现状遥感调查分类进行了深入的探讨,通过非监督分类和监督分类,试图达到自动分类识别的目的.就石家庄市城市绿化现状遥感调查分类结果而言,分类效果令人满意.

摘要： 由于卫星空间分辨率低,像元对应的地物分辨率都具有一定的范围,在这个范围内可能包含两种或两种以上的类型,所以陆地范围内的像元基本为混合像元.传统的"像元为分割的最小单元"的思想不能满足实际应τ玫男枰?必须进行混合像元分解.本文的目的是介绍目前高光谱混合像元分解的几种主要方法,探讨各种方法的适用性,并阐明了其作用及意义,指出目前存在的问题,展望了遥感图像分类方法的发展与应用前景。

摘要： 本文引入辅助数据可以提高遥感图像的分类精度.基于知识的专家分类系统是引入辅助数据的有效途径之一,但是在知识的获取上存在一定的困难.采用空间数据挖掘方法中的决策树算法从遥感图像及其辅助数据中提取有用的信息,即知识来进行分类,有效提高了分类的智能化水平和精度.

摘要： 本文介绍了独立分量分析的快速算法FastICA,以及对FastICA算法M- FastICA,提出了大范围收敛的带松弛因子的改进算法.

摘要： 本发明涉及一种采用图像分类技术从遥感图像中进行滑坡检测的方法，首先采用基于重叠的面积均分法对预处理后的遥感图像进行分块，得到面积相等的正方形图像块，并将得到的图像块分成两个集合——训练集和测试集；其次，提取训练集和测试集中所有图像块的SIFT特征，对训练集中的SIFT特征采用k-means聚类方法得到单词和词典；然后，用BoVW模型表示训练集和测试集中的每个图像块；最后，利用pLSA模型提取每个图像块的主题，并用KNN分类器将测试集中的图像块分成滑坡和非滑坡两类，从而实现对遥感图像的滑坡检测。该方法运算量小、检测效率高，同时又具有很高的检测正确率。

摘要： 本发明涉及一种采用图像分类技术从遥感图像中进行滑坡检测的方法，首先采用基于重叠的面积均分法对预处理后的遥感图像进行分块，得到面积相等的正方形图像块，并将得到的图像块分成两个集合——训练集和测试集；其次，提取训练集和测试集中所有图像块的SIFT特征，对训练集中的SIFT特征采用k-means聚类方法得到单词和词典；然后，用BoVW模型表示训练集和测试集中的每个图像块；最后，利用pLSA模型提取每个图像块的主题，并用KNN分类器将测试集中的图像块分成滑坡和非滑坡两类，从而实现对遥感图像的滑坡检测。该方法运算量小、检测效率高，同时又具有很高的检测正确率。

摘要： 本发明公开了一种基于图像块主动学习的遥感图像分类方法，属于图像信息处理技术领域。本发明方法包括以下步骤：遥感图像的分块；初始样本的选择；分类器模型训练；主动学习样本选择；训练样本集及分类器模型更新；分类过程迭代；图像块分类预测；块分类结果到像素分类结果的转化。本发明以图像块为研究对象，和传统的基于像素点的主动学习的遥感图像分类方法相比，在相同的实验条件下，图像的分类结果更加准确，主动学习筛选出的块样本能够更加快速准确的进行人工标注，并且分类图的结构性更强，大大降低了直接由像素点分类所带来的“斑点”，给人更好的视觉效果。

摘要： 本发明公开了一种遥感图像分类方法及分类系统，获取待处理的遥感图像集，并将待处理的遥感图像集分为训练集和测试集；再将训练集和测试集分别转化为训练数据文件、测试数据文件；然后构建卷积神经网络模型；并进一步将上述训练数据文件作为所述卷积神经网络模型的输入进行训练，根据训练结果更新所述卷积神经网络模型；最后将测试数据作为根据所述训练结果更新后的卷积神经网络模型的输入进行测试，根据测试的准确率再次对更新后的卷积神经网络模型进行优化，得到最终卷积神经网络模型，并用于对所遥感图像集的分类。本发明可以实现根据具体的应用场景和图像特征进行卷积神经网络模型的选择及优化，提高了分类方法的准确率。

摘要： 本发明提供了一种基于模糊集合论的图像增强技术与遥感图像分类方法，所述基于模糊集合论的图像增强技术与遥感图像分类方法通过一集合装置实现，所述集合装置包括一模糊集合单元，所述集合装置还包括一图像增强单元，所述图像增强单元包括一模糊特征平面模块；所述图像增强单元还包括一模糊增强变换模块，所述集合装置还包括一遥感单元。本发明将基于模糊集合论的图像增强方法应用到图像处理中，克服了传统的图像增强技术没有考虑图像的模糊性，只是简单地对整个图像改变对比度或抑制噪声，在抑制噪声的同时也削弱了图像的细节部分的不足。

摘要： 本发明公开了一种基于图像块主动学习的遥感图像分类方法，属于图像信息处理技术领域。本发明方法包括以下步骤：遥感图像的分块；初始样本的选择；分类器模型训练；主动学习样本选择；训练样本集及分类器模型更新；分类过程迭代；图像块分类预测；块分类结果到像素分类结果的转化。本发明以图像块为研究对象，和传统的基于像素点的主动学习的遥感图像分类方法相比，在相同的实验条件下，图像的分类结果更加准确，主动学习筛选出的块样本能够更加快速准确的进行人工标注，并且分类图的结构性更强，大大降低了直接由像素点分类所带来的“斑点”，给人更好的视觉效果。

摘要： 本发明涉及一种基于注意力联合网络的高光谱遥感图像分类方法，与现有技术相比解决了训练样本有限的情况下导致分类性能不足的缺陷。本发明包括以下步骤：训练样本的获取和预处理；构建注意力联合网络；注意力联合网络的训练；分类样本的获取和预处理；高光谱遥感图像分类结果的获得。本发明从PCA降维后的高光谱图像中提取空间光谱特征和空间特征，引入了由通道注意和空间注意组成的注意力模块以细化特征，通过连接两个分支的输出，得到增强的空间光谱特征，最后利用Softmax分类器进行分类，在有限的训练样本情况下仍具有较好的分类性能。

摘要： 本发明公开了一种基于并行3D‑2D‑1D CNN的遥感图像分类算法及方法。所述算法将遥感图像的空‑谱特征、空间特征和光谱特征相结合，充分利用遥感图像的特征信息；采用并行3D CNN、2D CNN和1D CNN的方法，提高运算效率。所述算法包括以下步骤：首先，该算法利用不同维度CNN提取高光谱图像信息中的空‑谱特征、空间特征及光谱特征；之后，采用相同并行卷积层将组合后的空‑谱特征、空间特征及光谱特征进行特征融合；最后，通过线性分类器对高光谱图像信息进行精准分类。本发明利用3D CNN能够提取空‑谱特征、2D CNN能够提取空间特征同时提高运算效率、1D CNN能够提取深度光谱特征等特点，提取遥感图像的特征用于分类，有效的提高了分类精度和计算成本。

摘要： 本发明涉及一种基于自监督对比学习的小样本遥感图像分类方法，包括以下步骤：1、对原始高光谱遥感数据进行降维、分割等预处理；2、在少量标记样本组成的训练集中，随机挑选标记样本并进行二次组合，生成对比学习组；3、设计并构建深度特征提取网络，利用对比组更新网络参数；4、利用训练好的深度网络模型对所有未标记样本进行预测，生成伪标记，并提出置信度差异算法挑选部分具有较高置信度的伪标记样本；5、微调网络模型并预测所有未标记样本的类别标签：将原始标记样本和伪标记样本结合，进一步训练模型并输出测试集样本的预测标签。本发明可以在少量标记样本的情况下，实现对高光谱遥感图像的准确分类，其分类效果明显优于一些现有算法。

摘要： 本发明提供一种高光谱遥感图像分类方法及系统，属于图像处理技术领域，对高光谱遥感图像进行降维处理；提取降维处理后的图像的空间特征，得到空间特征图；提取空间特征图的光谱特征，得到空间光谱融合特征图；对空间光谱融合特征图进行光谱关键信息和空间关键信息提取；利用优化器对提取了光谱关键信息和空间关键信息后的图像进行处理，获得图像分类结果。本发明采用残差连接，可以有效减少梯度消失现象；结合光谱和空间注意力机制，提取了更加完整的空间特征和光谱特征，有效抑制了噪声影响；采用熵率超像素预处理高光谱图像，比传统的主成成分分析法更加注重不同波段之间的关系，提高了图像分类精度，分类结果更准确清晰。