摘要：针对现有融合方法所用的多尺度变换模型均使用的通过手工设计的固定框架具有很强的人为先验性,提出了一种基于深度卷积自编码网络的图像融合方法。首先,通过构建一种深度卷积自编码网络来学习图像的有效分解与表示;然后,在该网络框架下通过设计基于红外图像显著性的融合规则进行图像融合。仿真实验表明,提出的算法在主观和客观评价上均具有明显优势。

摘要：目前,高光谱植被精细分类存在三个问题:单纯利用光谱信息得到的分类精度较低;光谱数据存在噪声影响了最终的分类结果;缺少针对具体应用场景而设计的分类方法。为此,提出了一种基于高光谱影像多维特征的植被精细分类方法,通过光谱数据降维、纹理特征提取以及植被指数选择三个方面对高光谱影像数据进行分析与利用,依靠前期现场调查得到的地面植被分布情况,选择训练样本并进行支持向量机(Support vector machine,SVM)监督分类,完成地面植被的精细分类,对分类结果进行验证,总体精度可达99.6%。结果表明,基于高光谱影像多维特征的植被分类方法能够有效地减小数据噪声、提高信息利用率,为植被生态监测提供更为准确的数据支撑。