摘要：针对高分遥感图像中的目标识别问题,提出了一种新的目标识别算法。本文首先对深度神经网络进行了理论分析,并对卷积神经网络、循环神经网络以及图神经网络进行了分析。在此基础上,对高分遥感图像的前处理技术进行了研究。包括辐射校正、几何校正、图像融合和特征提取。接下来设计了高分遥感图像对地目标识别的试验研究,主要内容有:样本选取与预处理,模型建立与培训,模型评价与分析。最后,给出了高分辨率遥感图像地物分类的应用案例,包括城市用地分类、农作物分类和植被覆盖度估算。

摘要：为了提取高光谱图像中的深度鉴别特征,往往需要大量标记样本,但是高光谱图像样本标定困难,基于高光谱图像的“图谱合一”特性提出一种基于深度-流形学习的半监督双流网络。该网络用卷积网络和神经网络分别提取少量标记样本以及大量无标记样本中的空-谱联合特征,然后分别构建基于监督图和非监督图的流形重构图模型,以挖掘其中的本征流形结构。在此基础上设计了基于均方误差和流形学习的联合损失函数,以协同度量流形边界和空-谱概率残差,实现双流网络的一体化反馈和优化,进而实现地物分类。在WHU-Hi龙口和黑河高光谱数据集上实验的总体分类精度分别达到97.53%和96.79%,有效提升了地物分类能力。

摘要：作为遥感领域的新兴技术,高光谱成像为遥感影像处理分析和计算机视觉提供了海量内容。高光谱图像的优势在于电磁波谱的范围广度与高分辨率,能够将地物目标的光谱反射特性和差异特征更全面地表现出来,广泛地应用于地物分类、目标识别、异常检测等领域。但是,高光谱图像由于数据量繁重、信息重叠冗杂等问题,给图像处理、存储和传输带来一定挑战。选择合适的光谱波段可以在不改变原图像物理信息的情况下,达到较好的图像处理成果。为设计适合数据降维和目标地物分类的波段选择方法,提出将视觉显著性模型应用到波段选择方法中。首先引入基于图像空间分布的目标显著性算法进行波段图像处理得到目标显著图;其次,利用目标显著图分析地物之间在每一波段图像中的可分离程度定义为波段显著性。为避免波段信息重叠,在波段选择之前利用谱聚类算法将波段划分为若干子空间。然后在子空间内依据波段显著性降序排列,选择各子空间中目标显著性表现较好的波段组成波段子集;最后,在GF-5采集的高光谱图像数据进行方法验证,筛选有效的目标显著性算法,与常用的波段选择算法进行分类精度比较。结果表明,基于LC目标显著性算法的波段选择子集,在SVM分类器中具有优异分类结果,总体分类精度和Kappa系数达87.7800%和0.8053,优于应用全波段和其他三种波段选择方法的结果子集。

摘要：针对一般流形学习算法在学习高光谱数据的多流形结构时存在的不足,提出一种基于线性局部与全局保持嵌入(LLGPE)的多流形学习算法.对于分布在不同流形上的高维观测数据,利用LLGPE算法学习每类分组数据的内蕴特征;然后通过遗传算法搜索每类数据的本质维数;最后根据重构误差最小化准则确定样本所属的类别.在HYDICE高光谱数据集上的分类识别实验结果表明,文中算法能够有效地揭示高维空间中数据的内蕴几何结构;在每类随机选取2,4,6个训练样本的情况下,该算法的总体分类精度比其他流形学习算法分别提高了约3.5%,6.9%和7.2%,且分类精度也有明显的提高.

摘要：遥感图像分类是模式识别技术在遥感领域的具体应用,针对遥感图像处理中的分类问题,提出了一种基于卷积神经网络(convolutional neural networks,CNN)的遥感图像分类方法,并针对单源特征无法提供有效信息的问题,设计了一种多源多特征融合的方法,将遥感图像的光谱特征、纹理特征、空间结构特征等按空间维度以向量或矩阵的形式进行有效融合,以此训练CNN模型。实验表明,多源多特征相融合能够加快模型收敛速度,有效提高遥感图像的分类精度;与其他分类方法相比,CNN能够取得更高的分类精度,获得更优的分类效果。

摘要：基于无人机载平台的轻小型激光雷达系统是当今研究的热点,该系统具有价格低廉、方便携带和使用灵活的特点,近年来发展十分迅速。针对轻小型无人机载激光雷达系统研制所涉及的时间同步与结构集成设计、安置角误差消除等开展研究,提出了一种适用于复杂地形工况环境下的轻小型无人机载激光雷达数据采集与处理分析的完整解决方案,并利用集成后的系统开展了电力巡线巡检应用,试验数据分析结果充分展示了该系统在电力巡线上的优势,验证了其功能与性能。

摘要：地物分类是PolSAR(极化合成孔径雷达)的重要应用方向。传统算法需要基于特定数据人工选取特征和设计分类器,而深度学习算法能够自行从海量数据中提取层次化特征。在深度学习算法总结的基础上,结合深度学习和PolSAR大数据,提出了一种高效率、高精度的通用分类器设计方法。使用人工标记的数据训练CNN(深度卷积网络),自动化地进行特征学习和提取,并实现高精度的地物自动分类。在具有不同分辨率的机载和星载PolSAR数据上对通用分类器进行测试,都能快速、准确地分类。研究成果可快速将PolSAR数据转译为更直观的地物分类结果,对海量数据,特别是GF-3卫星PolSAR图像的利用有一定的辅助价值。

摘要：遥感影像分类是遥感信息提取的重要手段,是目前遥感技术中的热点研究内容,随着无人机技术的快速发展,无人机可以很方便地搭载光谱采集仪进行低空遥感数据采集,较星载光谱采集仪更快捷、成本更低、时效性强等等优点。无人机低空遥感影像地物分类识别在环境监测、地质调查、植物分类等领域都有着广阔的应用前景。对遥感影像进行光谱特征和纹理特征提取,并进行地物分类是遥感影像地物识别的一种常用的方法,文章详细介绍了该方法的理论、思路及实现过程,具有良好的研究和学习意义。

摘要：为了让本科生充分理解和掌握遥感影像处理技术,结合吉林大学大学生创新创业训练计划,设计了基于高分辨率卫星遥感影像的校园土地分类实验项目。以2015年9月20日高分二号(GF-2)卫星拍摄的吉林大学中心校区卫星影像为实验数据,通过使用不同的光谱指数以及支持向量机(SVM:Support Vector Machine)分别对影像中的建筑物、植被、水体、平地和操场等地物进行提取,进而得到基于高分辨率遥感影像的校园地物分类图,并对分类结果中各种地物信息进行统计分析,将统计结果与真实的地物参数进行对比,近而改善该方法的分类精度与可靠性。实践结果表明,该实验可以有效的帮助学生对知识的理解和掌握,达到了预期的教学效果。

摘要：以地理国情普查数据与第三次全国国土调查数据为基础,对比分析两者的地物分类指标,构建地物分类的对应关系。通过数据分析地理国情普查与“国土三调”的差异性与重叠性,对造成两者差异的原因进一步分析。结果表明:由于地理国情普查数据与“国土三调”数据的采集要求、地物定义与分类标准的不同,导致数据的图斑可共享占比难以用准确的比例表达,但是2份数据可以相互验证及补充,为科学规划与政府决策提供可靠的数据支撑。