摘要：面对实际的遥感影像分类任务,采用深度神经网络的方法存在的最大问题是缺乏充足的标注样本,如何使用较少的标注样本实现较高精度的遥感影像分类,是目前需要解决的问题。ImageNet作为世界上最大的图像识别数据集,在其上训练出的模型有着丰富的底层特征。对ImageNet预训练模型进行微调是最常见的迁移学习方法,能够一定程度利用其丰富的底层特征,提高分类精度。但ImageNet影像特征与遥感影像差距较大,对分类效果提升有限。为了解决上述问题,本文基于传递迁移学习思想,结合深度神经网络,提出一种基于深度传递迁移学习的遥感影像分类方法。该方法通过构建以开源遥感场景识别数据集为源域的中间域,并以ImageNet预训练权重为源域、待分类遥感影像为目标域进行迁移学习,提高遥感影像分类精度。首先,以ImageNet预训练VGG16网络为基础,为加速卷积层权重更新而将全连接层替换为全局平均池化层,构建GAP-VGG16,使用中间域数据集训练ImageNet预训练GAP-VGG16以获取权重;然后,以SegNet网络为基础,在SegNet中加入卷积层设计了T-SegNet,以对获取的权重进一步地提取。最后,将获取的权重迁移到T-SegNet中,使用目标域数据集训练,实现遥感影像分类。本文选取Aerial Image Dataset和UC Merced Land-Use DataSet作为中间域数据集的数据源,资源三号盘锦地区影像为目标域影像,并分别选取了50%和25%数量的训练样本进行实验。实验结果表明,在50%和25%数量的训练样本下,本文方法分类结果相比SegNet的Kappa系数分别提高了0.0459和0.0545,相比ImageNet预训练SegNet的Kappa系数分别提高了0.0377和0.0346,且在样本数较少的类别上,本文方法分类精度提升更明显。

摘要：提出了一种基于混合广义高斯密度模型(generalize Gaussian mixture model,GGMM),并顾及影像上下文信息的遥感影像分类方法。试验结果表明,该方法具有较强的鲁棒性,分类精度较传统的分类方法要好,在细节保持方面,较某些尺度上的面向对象的分类方法要好。

摘要：为提升影像分类准确性,提出基于改进卷积神经网络的高光谱遥感影像分类算法。对遥感影像的光谱与空间特征进行卷积核的融合,输入遥感影像的样本空间领域,对输入的样本点进行重采样处理,然后由编码器架构高光谱遥感影像半监督阶梯网络,对基于改进的卷积神经网络分析影像的分类结构融合多尺度聚合进行分析,最后联合注意力机制和残差网络完成细致分类。实验中设计算法的分类精度为97.62%,具有较为良好的应用性能。

摘要：针对先验知识未能有效指导智能分类、智能分类与样本采集相对独立的问题,提出遥感影像样本自动生成与智能迭代分类方法。首先利用遥感影像及对应的历史解译数据构建样本数据集;其次利用深度卷积神经网络模型进行训练,得到预训练模型;再次利用预训练模型对即时遥感影像进行智能分类,得到智能分类结果;最后将校正后分类结果反馈到样本数据集,完成样本数据集的更新,利用更新后的样本数据集对智能分类模型进行迭代优化,形成模型与样本的优化闭环。试验结果表明:该方法通过样本自动生成与更新,以及模型迭代训练,能够提升智能分类模型精度,为解决先验知识未充分利用、智能分类与样本采集相对独立、分类结果未实时反馈等问题提供思路。

摘要：遥感影像分类是遥感技术应用中的一个重要研究方向,而类准则是分类算法设计过程中的关键问题之一。现有高光谱分类方法很少考虑光谱的不确定性,而地物光谱在获取过程中,由于环境的复杂性,"同物异谱""同谱异物"现象时有发生,为此该文旨在将光谱特征不确定性分析用于高光谱影像的分类算法中。其主要思想是首先利用类半径进行定量描述光谱的不确定性;然后,通过特征加权的方式将光谱不确定性引入到特征相似性的度量中,并提出一种基于类半径不确定性度量的影像分类方法;最后通过高光谱影像进行分类实验,验证了本文所提算法的有效性。

摘要：针对BP神经网络在遥感影像分类中存在易陷入局部极值和单一影像特征缺乏有效地物判别信息的问题,该文提出了一种遗传算法(GA)结合指数粒子群算法(ExpPSO)优化BP神经网络的多特征融合遥感影像分类方法(GA-ExpPSO-BP)。该方法将设计的基于指数函数的ExpPSO与GA结合构建GA-ExpPSO算法,利用GA-ExpPSO算法对BP神经网络的权阈值进行初始寻优从而构建GA-ExpPSO-BP模型。以高分二号、资源三号遥感影像为实验数据,通过制作多特征融合数据集训练及实验验证。结果表明:该方法的类别精度、总体精度和Kappa系数均最高,且训练耗时和误差最小,能有效改善影像的分类效果,提高分类效率和精度。

摘要：科学准确的获取青海湖区域土地覆盖分类对于研究该区域生态环境变化有着重要的意义.本文使用30米分辨率的Land Sat 8 OLI青海湖区域遥感影像数据展开相关研究,30米分辨率属于中等分辨率,当前中分遥感影像的分类方法尚存在特征提取困难、分类精度不高等问题.本文借鉴Goog Le Net Inception结构,设计并提出了一种卷积神经网络模型进行特征提取及分类,分析了用于样本生成的邻域窗口尺寸对分类结果的影响,并与最大似然分类和SVM分类方法进行比较.结果表明,在窗口尺寸为9×9时,CNN模型的总体分类效果最好,且CNN的分类结果明显优于最大似然分类方法和SVM.

摘要：本文利用AdaBoost算法对K-means算法进行提升,提出了一种基于AdaBoost算法的K-means遥感影像分类方法。其中,针对数据集分布调整的具体实施问题,设计了一种有效的加权变值方法。实验结果表明,融合提升后的分类结果较基本K-means在孤立点的消除和细长目标的识别提取上效果更加显著。

摘要：以地处南亚热带季风气候区的佛山市高明区山地为研究区,探索利用无人机获取高光谱影像对森林可燃物类型进行划分的具体方法,将可燃物类型划分成针叶林、阔叶林、灌草地、竹林和非林地5个类型,采用无人机携带高光谱相机获取森林可燃物的高光谱影像设计针对森林可燃物的高光谱影像处理流程并进行遥感影像处理和分类。结果表明通过有监督的机器学习分类方法可以实现对试验区主要可燃物类型进行划分,经现场检验,分类准确度达到81.94%。研究表明基于无人机高光谱遥感的森林可燃物分类方法具备可行性。

摘要：高速公路是重要的基础建设项目,针对传统公路施工状态评估效率低下问题,本文提出一种基于深度学习的施工状态快速评估方法。选取高分辨率无人机影像进行实验,首先根据施工状态对目标进行标注与切分,制作深度学习数据集,输入DeepLabV3深度学习网络中进行训练,构建出施工状态分类模型,进而对研究区进行分类。两个研究区的实验证明,本文方法状态识别精度优于同类方法,基于本文方法能够实现公路施工宏观状态准确快速评估。