摘要：卷积神经网络等深度学习模型已经在高光谱影像分类任务中取得了理想的结果。然而,由于传统神经元只能进行标量计算,现有的深度学习模型无法对高光谱影像特征的实例化参数进行建模,因此无法在邻域范围受限的条件下获得令人满意的分类效果。通过引入胶囊网络结构设计了一种新型网络模型,该模型利用胶囊神经元进行向量计算,并利用权重矩阵编码特征间的空间关系,能够进一步提高高光谱影像的分类精度。在帕维亚大学、印第安纳松树林和萨利纳斯山谷数据集上进行验证,实验结果表明,所提出的网络模型较传统算法和卷积神经网络分类模型而言具有更加优异的分类性能,且对训练样本数量和像素邻域范围具有更好的适应性。

摘要：卷积神经网络中的局部卷积运算无法对高光谱影像中的全局语义信息进行充分学习,因此,基于Transformer模型设计了一种新颖的深度网络模型,以进一步提高高光谱影像分类精度。首先,利用主成分分析方法对高光谱影像进行降维处理,并选取像素周围邻域数据作为输入样本,以充分利用影像中的空谱联合信息;然后,利用卷积层将输入样本转换为序列特征向量;最后,利用构建的深度Transformer网络进行分类。Transformer模型中的多头注意力机制能够充分利用丰富的判别性信息。试验表明,与现有卷积神经网络模型相比,文章方法能够获得更为优异的分类性能。

摘要：以无人机获取的视频数据为基础,利用VC++6.0编程软件,设计开发一套无人机视频数据定位处理系统。该系统的主要功能包括:利用无人机平台定位数据、姿态测量数据和视频图像数据,结合待测区域的数字高程模型(DEM)或数字表面模型(DSM),对实时传输或回放视频中地面运动物体进行目标定位,并将视频图像实时纠正为正射影像。

摘要：卷积神经网络(CNN)具有强大的特征提取能力,能够有效地提高高光谱图像的分类精度.然而CNN模型训练需要大量的训练样本参与,以防止过拟合,Gabor滤波器以非监督的方式提取图像的边缘和纹理等空间信息,能够减轻CNN模型对训练样本的依赖度及特征提取的压力.为了充分利用CNN和Gabor滤波器的优势,提出了一种双通道CNN和三维Gabor滤波器相结合的高光谱图像分类方法Gabor-DC-CNN.首先利用二维卷积神经网络(2D-CNN)模型处理原始高光谱图像数据,提取图像的深层空间特征;同时利用一维卷积神经网络(1D-CNN)模型处理三维Gabor特征数据,进一步提取图像的深层光谱-纹理特征.连接2个CNN模型的全连接层实现特征融合,并将融合特征输入到分类层中完成分类.实验结果表明,该方法能够有效地提高分类精度,在Indian Pines,Pavia University和Kennedy Space Center 3组数据上分别达到98.95%,99.56%和99.67%.

摘要：高光谱遥感影像较低的空间分辨率使得混合像元大量存在于影像中,不仅影响了基于高光谱影像的地物要素识别能力,而且还降低了高光谱影像的分类精度。本文提出了一种基于模糊混合像元分解的高光谱影像分类方法。该方法主要利用约束能量最小化法设计的FIR线性滤波器,使得影像通过滤波器后输出与每类地物类别相关的"丰度图",其维数等于类别数;最后利用类中心匹配分类法实现高光谱影像的分类。实验结果表明,提出的分类方法与直接利用类中心匹配分类法相比,提高了影像的分类精度。

摘要：卷积神经网络模型能够提取图像不同层次的分层特征,提取图像包含有大量的细节信息,然而,现有方法没有充分利用网络模型提取的所有分层特征。为了充分利用所有分层特征,增强特征重利用和信息连续传递,设计了适用于高光谱图像分类的残差密集网络模型。残差密集网络结合了残差网络和密集网络,包括浅层特征提取、残差密集单元和密集特征融合三部分。利用卷积操作提取原始图像的浅层特征,将浅层特征作为残差密集单元的输入,残差密集单元的输出与下一个单元中每个卷积层的输出建立短连接,实现了信息连续传递;将两个单元提取的密集特征与浅层特征相加形成全局残差学习,实现了所有分层特征的融合,最终的融合特征用于高光谱图像分类。实验表明,本文方法用于Indian Pines数据、University of Pavia数据及Salinas数据能够分别取得98.71%、99.31%及97.91%的分类精度,有效提高了高光谱图像的分类精度,增强了分类方法的稳定性。

摘要：针对高光谱影像数据量大、冗余度高、相关性强的特点,根据蚁群算法的生物学模型,设计了基于蚁群算法的波段选择方法。该方法在初始化参数的基础上,经过状态概率转移、信息素更新、迭代循环三个步骤,利用信息素的正反馈原理输出最优波段子集;在波段选择的基础上采用以径向基为核函数的支持向量机算法进行分类;利用IndianPines和PaviaUniversity两组影像进行分类实验。试验结果表明,与基于遗传算法的波段选择和基于粒子群算法的波段选择相比,该算法能有效提高影像的分类精度。

摘要：电视背景墙作为家庭装修的一道亮丽风景线,越来越受到人们的青睐,然而发展到现在更多的是在背景的造型上进行创意,缺乏时代潮流的“生态美”,而智能电视背景生态墙将电视背景墙与智能盆栽系统结合起来,则改变了这一现象。本产品设计以Andruio开源平台、手机智能终端或电脑网页、物联网云端网络及相关通讯与传感器模块为平台,设计一套具有远距离、多功能的电视背景盆栽墙智能控制系统。实践表明它不仅可以使房间充满生机让单一的电视背景墙不再单调,绿色植物还可以缓解眼部疲劳,而且也不用担心墙上的植物因没有时间照顾而枯萎。