CN117422936A - 一种遥感图像分类方法及系统 - Google Patents

一种遥感图像分类方法及系统 Download PDF

Info

Publication number
CN117422936A
CN117422936A CN202311722766.6A CN202311722766A CN117422936A CN 117422936 A CN117422936 A CN 117422936A CN 202311722766 A CN202311722766 A CN 202311722766A CN 117422936 A CN117422936 A CN 117422936A
Authority
CN
China
Prior art keywords
data
module
remote sensing
feature
sub
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202311722766.6A
Other languages
English (en)
Other versions
CN117422936B (zh
Inventor
陈广亮
刘禹麒
高金顶
谢运广
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Lantu Geographic Information Technology Co ltd
Original Assignee
Guangzhou Lantu Geographic Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Lantu Geographic Information Technology Co ltd filed Critical Guangzhou Lantu Geographic Information Technology Co ltd
Priority to CN202311722766.6A priority Critical patent/CN117422936B/zh
Publication of CN117422936A publication Critical patent/CN117422936A/zh
Application granted granted Critical
Publication of CN117422936B publication Critical patent/CN117422936B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/098—Distributed learning, e.g. federated learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及遥感图像技术领域，具体为一种遥感图像分类方法及系统，包括以下步骤：通过自适应图像预处理技术处理遥感数据，使用高级灰度共生矩阵和深度卷积神经网络提取特征，应用多模态数据融合技术分析这些特征，生成时空分析特征数据集，利用集成学习算法和增强BP神经网络训练优化分类模型，实现遥感图像的高效分类。本发明中，自适应图像预处理显著提升数据质量，高级灰度共生矩阵与深度卷积神经网络深入提取纹理和特征，多模态数据融合丰富信息源，助力全面分析，时空分析方法捕捉动态变化，为环境预测提供关键依据，集成学习和增强BP神经网络优化模型训练，提高遥感图像分类的准确性和效率，实现强大的特征表达和高效的数据处理。

Description

一种遥感图像分类方法及系统
技术领域
本发明涉及遥感图像技术领域，尤其涉及一种遥感图像分类方法及系统。
背景技术
遥感图像处理是在获取来自卫星、飞机或其他远距离传感器的图像数据后，利用计算机技术进行处理、分析和提取信息的一门技术。涉及到遥感、地理信息系统（GIS）、图像处理和模式识别等多个学科领域。
一种遥感图像分类方法，通过图像处理和模式识别，旨在对遥感图像中的地物进行分类和识别。其目的在于实现地物的精确分类，包括建筑物、植被、水体等，从而达到地物识别、资源管理与规划、灾害监测等多方面的效果。通过利用图像处理算法，特别是深度学习方法如卷积神经网络，该方法能够学习并提取复杂的地物特征，提高分类精度。整个过程包括特征提取、训练与验证，通过处理遥感图像数据，为环境监测、资源管理和地理信息系统等领域提供了有力支持。
现有的遥感图像分类方法在预处理阶段，无法有效处理噪声和光照变化，导致最终数据集质量不佳。其次，现有方法在特征提取上依赖于简单的技术，无法全面捕捉复杂的纹理和形状特征，限制分类的准确性。在特征融合方面，缺乏多模态数据整合能力，导致重要信息的丢失。此外，传统方法在捕捉时空变化特征方面通常不灵敏，难以精确反映环境的动态变化。最后，在模型训练和分类执行方面。这些不足限制了遥感图像分类的整体性能，降低了其在实际应用中的有效性。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的一种遥感图像分类方法及系统。
为了实现上述目的，本发明采用了如下技术方案：一种遥感图像分类方法，包括以下步骤：
S1：基于预处理需求，采用自适应图像预处理技术，进行噪声滤除、云层遮挡处理和光照条件校正，生成预处理后遥感数据集；
S2：基于所述预处理后遥感数据集，采用高级灰度共生矩阵和深度卷积神经网络，提取纹理和高级特征，生成特征提取数据集；
S3：基于所述特征提取数据集，采用多模态数据融合技术，分析特征相互关系，生成融合特征数据集；
S4：基于所述融合特征数据集，采用时间序列分析和基于时间窗口的特征提取方法，捕捉动态变化特征，生成时空分析特征数据集；
S5：基于所述时空分析特征数据集，采用集成学习算法和增强BP神经网络，进行模型训练，生成优化分类模型；
S6：基于所述优化分类模型，采用数据适应性策略，对遥感图像进行分类，生成遥感图像分类结果；
所述预处理后遥感数据集具体为清晰度、对比度调整后的图像，所述特征提取数据集具体为提取纹理、边缘、形状特征的数据，所述融合特征数据集具体为多遥感数据源特征的综合数据集，所述时空分析特征数据集包括季节性变化、城市发展时间特征，所述优化分类模型具体为用于遥感图像分类的机器学习模型。
作为本发明的进一步方案，基于预处理需求，采用自适应图像预处理技术，进行噪声滤除、云层遮挡处理和光照条件校正，生成预处理后遥感数据集的具体步骤如下：
S101：基于原始遥感数据，采用自适应滤波算法，动态调整滤波器参数，生成噪声滤除数据；
S102：基于所述噪声滤除数据，采用云层检测与遮挡处理技术，分析特征差异，生成云层处理数据；
S103：基于所述云层处理数据，采用光照均衡化技术，分析调整光照条件，生成光照条件调整数据；
S104：基于所述光照条件调整数据，进行色彩校正和清晰度增强处理，生成预处理后遥感数据集。
作为本发明的进一步方案，基于所述预处理后遥感数据集，采用高级灰度共生矩阵和深度卷积神经网络，提取纹理和高级特征，生成特征提取数据集的具体步骤如下：
S201：基于所述预处理后遥感数据集，采用灰度共生矩阵技术，分析图像的纹理特征，生成纹理特征数据；
S202：基于所述纹理特征数据，采用小波变换方法，对图像进行多尺度分解，生成多尺度纹理分析数据；
S203：基于所述多尺度纹理分析数据，采用深度卷积神经网络，提取深层次特征，生成高级特征提取数据；
S204：基于所述高级特征提取数据，进行特征融合、优化，生成特征提取数据集。
作为本发明的进一步方案，基于所述特征提取数据集，采用多模态数据融合技术，分析特征相互关系，生成融合特征数据集的具体步骤如下：
S301：基于所述特征提取数据集，采用数据标准化方法，生成标准化特征数据；
S302：基于所述标准化特征数据，采用主成分分析，降低数据维度，生成降维特征数据；
S303：基于所述降维特征数据，采用多模态融合技术，生成初步融合特征数据；
S304：基于所述初步融合特征数据，进行相关性分析和特征优化，生成融合特征数据集。
作为本发明的进一步方案，基于所述融合特征数据集，采用时间序列分析和基于时间窗口的特征提取方法，捕捉动态变化特征，生成时空分析特征数据集的具体步骤如下：
S401：基于所述融合特征数据集，采用时间序列分解方法，生成时间序列分解数据；
S402：基于所述时间序列分解数据，采用移动平均和平滑技术，生成平滑处理数据；
S403：基于所述平滑处理数据，采用时间窗口特征提取方法，生成动态特征提取数据；
S404：基于所述动态特征提取数据，进行时空特征优化，生成时空分析特征数据集。
作为本发明的进一步方案，基于所述时空分析特征数据集，采用集成学习算法和增强BP神经网络，进行模型训练，生成优化分类模型的具体步骤如下：
S501：基于所述时空分析特征数据集，进行数据预处理，生成预处理后的特征数据；
S502：基于所述预处理后的特征数据，采用梯度提升决策树，生成初步训练模型；
S503：基于所述初步训练模型，采用增强BP神经网络，添加隐藏层和优化学习算法，生成增强BP神经网络模型；
S504：基于所述增强BP神经网络模型，进行交叉验证、参数调优，生成优化分类模型。
作为本发明的进一步方案，基于所述优化分类模型，采用数据适应性策略，对遥感图像进行分类，生成遥感图像分类结果的具体步骤如下：
S601：基于所述优化分类模型，进行遥感图像预处理，生成初步遥感图像数据；
S602：基于所述初步遥感图像数据，采用卷积神经网络，生成遥感图像特征数据；
S603：基于所述遥感图像特征数据，应用数据适应性策略，生成适应性调整模型；
S604：基于所述适应性调整模型，进行遥感图像分类，生成遥感图像分类结果。
一种遥感图像分类系统，所述系统包括图像预处理模块、特征提取模块、特征融合模块、时空分析模块、模型训练模块、分类执行模块、结果评估模块。
作为本发明的进一步方案，所述图像预处理模块基于原始遥感数据，采用自适应滤波算法、云层检测与遮挡处理技术、光照均衡化技术，生成预处理后遥感数据集；
所述特征提取模块基于预处理后的数据，运用灰度共生矩阵提取纹理特征，通过小波变换进行多尺度分析，利用深度卷积神经网络提取高级特征，生成特征提取数据集；
所述特征融合模块基于特征提取结果，实施数据标准化，应用主成分分析进行降维，执行多模态融合技术，生成融合特征数据集；
所述时空分析模块利用融合特征数据，采用时间序列分解，实施移动平均和平滑技术，提取时间窗口特征，生成时空分析特征数据集；
所述模型训练模块基于时空分析特征数据集，进行数据预处理，构建梯度提升决策树模型，增强BP神经网络，进行交叉验证和参数调优，生成优化分类模型；
所述分类执行模块基于优化分类模型，对遥感图像进行处理，通过卷积神经网络提取特征，应用数据适应性策略调整模型，执行分类，生成遥感图像分类结果；
所述结果评估模块基于遥感图像分类结果，采用精度分析、错误分析、性能评估方法，生成评估报告。
作为本发明的进一步方案，所述图像预处理模块包括噪声滤除子模块、云层处理子模块、光照调整子模块、色彩校正子模块；
所述特征提取模块包括纹理特征子模块、多尺度分解子模块、深度特征提取子模块、第一特征优化子模块；
所述特征融合模块包括数据标准化子模块、主成分分析子模块、多模态融合子模块、第二特征优化子模块；
所述时空分析模块包括时间序列分解子模块、数据平滑子模块、特征提取子模块、第三特征优化子模块；
所述模型训练模块包括数据预处理子模块、初步训练子模块、BP神经网络增强子模块、模型验证子模块；
所述分类执行模块包括图像预处理子模块、特征提取子模块、适应性调整子模块、分类执行子模块；
所述结果评估模块包括精度分析子模块、错误分析子模块、性能评估子模块。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，通过自适应图像预处理技术显著提高了数据的质量和准确性，尤其是在噪声滤除、云层处理和光照条件校正方面。使用高级灰度共生矩阵和深度卷积神经网络提取的纹理和高级特征更全面和细致，增强特征的代表性和辨识力。多模态数据融合技术有效地整合不同来源的数据，提供更丰富的信息用于分析。时空分析方法捕捉到的动态变化特征，为理解和预测环境变化提供重要依据。集成学习算法和增强BP神经网络的应用使模型训练更加高效和精准，优化分类模型能够更准确地进行遥感图像分类。提供更高的分类准确性、更强的特征表达能力和更好的数据处理效率。
附图说明
图1为本发明的工作流程示意图；
图2为本发明的S1细化流程图；
图3为本发明的S2细化流程图；
图4为本发明的S3细化流程图；
图5为本发明的S4细化流程图；
图6为本发明的S5细化流程图；
图7为本发明的S6细化流程图；
图8为本发明的系统流程图；
图9为本发明的系统框架示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一
请参阅图1，本发明提供一种技术方案：一种遥感图像分类方法，包括以下步骤：
S1：基于预处理需求，采用自适应图像预处理技术，进行噪声滤除、云层遮挡处理和光照条件校正，生成预处理后遥感数据集；
S2：基于预处理后遥感数据集，采用高级灰度共生矩阵和深度卷积神经网络，提取纹理和高级特征，生成特征提取数据集；
S3：基于特征提取数据集，采用多模态数据融合技术，分析特征相互关系，生成融合特征数据集；
S4：基于融合特征数据集，采用时间序列分析和基于时间窗口的特征提取方法，捕捉动态变化特征，生成时空分析特征数据集；
S5：基于时空分析特征数据集，采用集成学习算法和增强BP神经网络，进行模型训练，生成优化分类模型；
S6：基于优化分类模型，采用数据适应性策略，对遥感图像进行分类，生成遥感图像分类结果；
预处理后遥感数据集具体为清晰度、对比度调整后的图像，特征提取数据集具体为提取纹理、边缘、形状特征的数据，融合特征数据集具体为多遥感数据源特征的综合数据集，时空分析特征数据集包括季节性变化、城市发展时间特征，优化分类模型具体为用于遥感图像分类的机器学习模型。
首先，该方法采用了自适应图像预处理技术，可以有效地滤除噪声、处理云层遮挡和校正光照条件，从而提高了遥感图像的质量和准确性。其次，该方法利用高级灰度共生矩阵和深度卷积神经网络提取纹理和高级特征，能够更好地捕捉遥感图像中的细节信息，提高了分类的准确性和可靠性。
此外，该方法还采用了多模态数据融合技术，通过分析不同遥感数据源的特征相互关系，生成了融合特征数据集。这样可以充分利用多种遥感数据的优势，提高分类结果的全面性和稳定性。同时，该方法还结合时间序列分析和基于时间窗口的特征提取方法，能够捕捉遥感图像中的动态变化特征，进一步提高了分类模型的适应性和灵活性。
最后，该方法采用了集成学习算法和增强BP神经网络进行模型训练，生成了优化分类模型。集成学习算法能够综合利用多个分类器的结果，提高分类的准确性和鲁棒性；而增强BP神经网络则能够自动调整网络结构和参数，进一步提高分类模型的性能。
综上所述，该遥感图像分类方法通过采用自适应图像预处理、高级灰度共生矩阵和深度卷积神经网络、多模态数据融合、时间序列分析和基于时间窗口的特征提取、集成学习算法和增强BP神经网络等先进技术手段，能够有效地提高遥感图像的分类准确性、可靠性和稳定性。
请参阅图2，基于预处理需求，采用自适应图像预处理技术，进行噪声滤除、云层遮挡处理和光照条件校正，生成预处理后遥感数据集的具体步骤如下：
S101：基于原始遥感数据，采用自适应滤波算法，动态调整滤波器参数，生成噪声滤除数据；
S102：基于噪声滤除数据，采用云层检测与遮挡处理技术，分析特征差异，生成云层处理数据；
S103：基于云层处理数据，采用光照均衡化技术，分析调整光照条件，生成光照条件调整数据；
S104：基于光照条件调整数据，进行色彩校正和清晰度增强处理，生成预处理后遥感数据集。
S101中：根据原始遥感数据的特点和噪声分布情况，选择合适的自适应滤波算法。该算法可以根据图像的局部统计信息动态调整滤波器参数，以最大程度地保留图像的细节信息并去除噪声。具体操作包括选择合适的滤波器类型（如高斯滤波器、中值滤波器等），确定滤波器的大小和形状，并根据图像的局部标准差或像素值范围来调整滤波器的参数。
S102中：在完成噪声滤除后，需要对云层进行检测和遮挡处理。首先，利用原始遥感数据中的云层特征，如亮度、颜色、纹理等，设计合适的云层检测算法。该算法可以识别出云层区域并提取出云层的边界信息。然后，根据云层的边界信息，采用合适的方法进行遮挡处理。常用的遮挡处理方法包括插值填充、复制边缘像素等。
S103中：在完成云层遮挡处理后，需要对光照条件进行调整。由于不同传感器或不同时间的遥感数据可能存在光照不均衡的问题，需要进行光照均衡化处理。光照均衡化可以通过直方图均衡化、Retinex理论等方法实现。首先，计算图像的直方图分布情况，然后根据直方图的分布特点，调整图像的亮度和对比度，使得图像的像素值在整个动态范围内均匀分布。
S104中：在完成光照条件调整后，可以进行色彩校正和清晰度增强处理。色彩校正的目的是使图像的颜色更加真实和准确。常见的色彩校正方法包括白平衡调整、颜色通道增益调整等。清晰度增强处理旨在提高图像的清晰度和细节表现能力。可以使用高通滤波器进行边缘增强，或者使用基于小波变换的方法进行细节增强。
综上所述，预处理后遥感数据集的具体步骤包括自适应滤波、云层检测与遮挡处理、光照条件调整以及色彩校正和清晰度增强处理。
请参阅图3，基于预处理后遥感数据集，采用高级灰度共生矩阵和深度卷积神经网络，提取纹理和高级特征，生成特征提取数据集的具体步骤如下：
S201：基于预处理后遥感数据集，采用灰度共生矩阵技术，分析图像的纹理特征，生成纹理特征数据；
S202：基于纹理特征数据，采用小波变换方法，对图像进行多尺度分解，生成多尺度纹理分析数据；
S203：基于多尺度纹理分析数据，采用深度卷积神经网络，提取深层次特征，生成高级特征提取数据；
S204：基于高级特征提取数据，进行特征融合、优化，生成特征提取数据集。
S201中：从预处理后遥感数据集中选择一个图像作为输入。然后，将图像转换为灰度图像，以便进行纹理特征的分析。接下来，根据灰度共生矩阵的计算方法，设置合适的参数，如灰度级别、步长和偏移量等。然后，计算灰度共生矩阵，并对其进行归一化处理，以消除不同图像之间的亮度差异。最后，根据灰度共生矩阵的特征值或对比度等指标，提取出纹理特征数据。
S202中：在完成纹理特征提取后，需要对图像进行多尺度分解，以捕捉不同尺度下的纹理信息。首先，选择合适的小波基函数和分解层数。然后，使用小波变换方法对图像进行多尺度分解，得到不同尺度下的子带图像。接下来，对每个子带图像进行纹理特征提取操作，生成多尺度纹理分析数据。
S203中：在完成多尺度纹理分析后，需要利用深度卷积神经网络来提取深层次的特征。首先，构建一个深度卷积神经网络模型，包括多个卷积层、池化层和全连接层等。然后，根据实际需求设置网络的结构和参数，如卷积核大小、步长、池化层大小等。接下来，将多尺度纹理分析数据输入到卷积神经网络中进行训练，以学习图像的高级特征表示。最后，通过前向传播算法获取网络输出的高级特征提取数据。
S204中：在完成高级特征提取后，需要对提取的特征进行融合和优化处理。首先，将不同尺度下的纹理特征和高级特征进行融合，以综合利用不同层次的信息。可以使用简单的加权求和或者更复杂的融合方法，如乘积融合或最大池化融合等。然后，根据实际应用的需求，对融合后的特征进行进一步的优化处理，如降维、正则化或增强等操作。最后，将所有优化后的特征整合起来，生成最终的特征提取数据集。
综上所述，基于预处理后遥感数据集的特征提取过程包括纹理特征提取、多尺度纹理分析、高级特征提取和特征融合优化等步骤。
请参阅图4，基于特征提取数据集，采用多模态数据融合技术，分析特征相互关系，生成融合特征数据集的具体步骤如下：
S301：基于特征提取数据集，采用数据标准化方法，生成标准化特征数据；
S302：基于标准化特征数据，采用主成分分析，降低数据维度，生成降维特征数据；
S303：基于降维特征数据，采用多模态融合技术，生成初步融合特征数据；
S304：基于初步融合特征数据，进行相关性分析和特征优化，生成融合特征数据集。
S301中：首先从特征提取数据集中选择一个或多个特征作为输入。然后，根据数据标准化方法，对每个特征进行标准化处理，以消除不同特征之间的量纲差异和数值范围的影响。常见的数据标准化方法包括z-score标准化、min-max标准化等。接下来，根据所选的特征数量和数据集的大小，计算每个特征的均值和标准差，并进行标准化处理。最后，将标准化后的特征整合在一起，生成标准化特征数据集。
S302中：在完成特征标准化后，需要降低数据的维度，以减少冗余信息和计算复杂度。常用的降维方法有主成分分析（PCA）、线性判别分析（LDA）等。首先，选择合适的降维方法，并设置合适的参数，如主成分个数或判别分析的类别数等。然后，使用所选的降维方法对标准化特征数据进行降维操作，得到降维后的特征数据。接下来，可以根据需要进行进一步的处理，如去除异常值或填补缺失值等。
S303中：在完成降维后，需要采用多模态融合技术来生成初步融合特征数据。多模态融合技术可以将来自不同模态的数据有效地结合起来，提高特征的表达能力和分类性能。常用的多模态融合方法有加权融合、投票融合、拼接融合等。首先，根据特征的重要性或相关性，为每个特征分配权重或得分。然后，根据所选的融合方法，将不同模态的特征进行加权求和、投票决策或拼接操作，生成初步融合特征数据。
S304中：在完成初步融合后，需要进一步分析特征之间的相关性并进行特征优化。首先，可以使用相关系数、协方差矩阵等统计方法来分析特征之间的相关性。然后，根据相关性分析的结果，可以删除冗余或高度相关的特征，以减少特征的维度和冗余性。接下来，可以根据实际应用的需求，对融合后的特征进行进一步的优化处理，如归一化、正则化或增强等操作。最后，将所有优化后的特征整合起来，生成最终的融合特征数据集。
综上所述，基于特征提取数据集的多模态数据融合过程包括数据标准化、降维、多模态融合和特征优化等步骤。
请参阅图5，基于融合特征数据集，采用时间序列分析和基于时间窗口的特征提取方法，捕捉动态变化特征，生成时空分析特征数据集的具体步骤如下：
S401：基于融合特征数据集，采用时间序列分解方法，生成时间序列分解数据；
S402：基于时间序列分解数据，采用移动平均和平滑技术，生成平滑处理数据；
S403：基于平滑处理数据，采用时间窗口特征提取方法，生成动态特征提取数据；
S404：基于动态特征提取数据，进行时空特征优化，生成时空分析特征数据集。
S401中：首先从融合特征数据集中选择一个或多个特征作为输入。然后，根据时间序列分解方法，将每个特征的时间序列进行分解，以捕捉不同频率的动态变化信息。常见的时间序列分解方法有经典分解、小波变换等。接下来，根据所选的特征数量和数据集的大小，设置合适的参数，如分解层数、移动平均窗口大小等。然后，使用所选的时间序列分解方法对融合特征数据进行分解操作，得到时间序列分解数据。
S402中：在完成时间序列分解后，需要对分解后的数据进行平滑处理，以减少噪声和波动的影响。常用的平滑技术包括简单移动平均、指数平滑等。首先，选择合适的平滑方法和参数，如移动平均窗口大小或平滑系数等。然后，使用所选的平滑方法对时间序列分解数据进行平滑处理，得到平滑处理数据。接下来，可以根据需要进行进一步的处理，如填补缺失值或异常值处理等。
S403中：在完成平滑处理后，需要采用时间窗口特征提取方法来捕捉动态变化特征。时间窗口特征提取方法可以将连续的时间序列数据划分为多个时间窗口，并在每个窗口内提取特征。常用的时间窗口特征提取方法有统计特征、频域分析等。首先，根据实际应用的需求，确定时间窗口的大小和滑动步长。然后，将平滑处理后的数据按照时间顺序划分为多个时间窗口。接下来，在每个时间窗口内提取所需的特征，如均值、方差、最大值、最小值等。最后，将所有时间窗口的特征整合在一起，生成动态特征提取数据。
S404中：在完成动态特征提取后，需要对提取的特征进行时空特征优化。时空特征优化可以进一步提高特征的表达能力和分类性能。常用的时空特征优化方法有特征选择、特征组合等。首先，可以使用相关性分析、主成分分析等方法来评估每个特征的重要性和相关性。然后，根据评估结果，可以选择保留最相关或最重要的特征，或者通过特征组合来生成新的特征。接下来，可以根据需要进行进一步的处理，如归一化、正则化或增强等操作。最后，将所有优化后的特征整合起来，生成最终的时空分析特征数据集。
综上所述，基于融合特征数据集的时空分析过程包括时间序列分解、平滑处理、时间窗口特征提取和时空特征优化等步骤。
请参阅图6，基于时空分析特征数据集，采用集成学习算法和增强BP神经网络，进行模型训练，生成优化分类模型的具体步骤如下：
S501：基于时空分析特征数据集，进行数据预处理，生成预处理后的特征数据；
S502：基于预处理后的特征数据，采用梯度提升决策树，生成初步训练模型；
S503：基于初步训练模型，采用增强BP神经网络，添加隐藏层和优化学习算法，生成增强BP神经网络模型；
S504：基于增强BP神经网络模型，进行交叉验证、参数调优，生成优化分类模型。
S501中：首先从时空分析特征数据集中选择一个或多个特征作为输入。然后，根据数据预处理方法，对每个特征进行预处理，以消除异常值、填补缺失值或进行标准化处理等。常见的数据预处理方法有离群值检测和处理、缺失值填充和标准化等。接下来，根据所选的特征数量和数据集的大小，设置合适的参数，如离群值处理方法、缺失值填充方法和标准化方法等。然后，使用所选的数据预处理方法对时空分析特征数据进行预处理操作，生成预处理后的特征数据。
S502中：在完成数据预处理后，需要采用梯度提升决策树算法来生成初步训练模型。梯度提升决策树是一种集成学习方法，通过迭代地添加弱学习器来构建强学习器。首先，根据实际应用的需求，确定决策树的数量和深度等参数。然后，使用梯度提升决策树算法对预处理后的特征数据进行训练，生成初步训练模型。接下来，可以根据需要进行进一步的处理，如剪枝、调整学习率等。
S503中：在完成初步训练后，需要采用增强BP神经网络来进一步优化模型性能。增强BP神经网络是一种改进的反向传播神经网络，通过添加隐藏层和优化学习算法来提高模型的表达能力和泛化能力。首先，根据实际应用的需求，确定隐藏层的数量和神经元个数等参数。然后，使用增强BP神经网络算法对初步训练模型进行训练，生成增强BP神经网络模型。接下来，可以根据需要进行进一步的处理，如调整学习率、正则化参数等。
S504中：在完成增强BP神经网络模型的训练后，需要进行交叉验证和参数调优来生成优化分类模型。交叉验证是一种评估模型性能的方法，通过将数据集划分为训练集和验证集，并多次随机划分来评估模型的稳定性和泛化能力。首先，根据实际应用的需求，选择合适的交叉验证方法和参数，如K折交叉验证或留一交叉验证等。然后，使用交叉验证方法对增强BP神经网络模型进行评估和调优。接下来，根据交叉验证的结果，可以调整模型的超参数、网络结构或正则化参数等。最后，根据调优后的模型进行最终的训练和测试，生成优化分类模型。
综上所述，基于时空分析特征数据集的模型训练过程包括数据预处理、梯度提升决策树算法训练、增强BP神经网络模型训练和交叉验证与参数调优等步骤。
请参阅图7，基于优化分类模型，采用数据适应性策略，对遥感图像进行分类，生成遥感图像分类结果的具体步骤如下：
S601：基于优化分类模型，进行遥感图像预处理，生成初步遥感图像数据；
S602：基于初步遥感图像数据，采用卷积神经网络，生成遥感图像特征数据；
S603：基于遥感图像特征数据，应用数据适应性策略，生成适应性调整模型；
S604：基于适应性调整模型，进行遥感图像分类，生成遥感图像分类结果。
S601中：首先从优化分类模型中获取预处理方法。根据遥感图像的特点和预处理需求，选择合适的预处理方法，如辐射校正、大气校正、云处理等。然后，对遥感图像进行预处理操作，生成初步遥感图像数据。预处理的目的是消除图像中的噪声、纠正图像误差和增强图像的可分性。
S602中：在完成遥感图像预处理后，需要采用卷积神经网络来提取遥感图像的特征。卷积神经网络是一种深度学习模型，具有局部感知、权值共享和平移不变性等特点，适用于图像分类任务。首先，根据实际应用的需求，确定卷积神经网络的结构和参数，如层数、卷积核大小和步长等。然后，使用训练好的卷积神经网络对初步遥感图像数据进行特征提取操作，生成遥感图像特征数据。
S603中：在完成遥感图像特征提取后，需要应用数据适应性策略来调整模型的参数和结构，以提高模型的泛化能力和适应性。数据适应性策略可以根据不同遥感图像的特点和分布情况，对模型进行个性化的调整。常见的数据适应性策略有迁移学习、领域自适应和数据增强等。首先，根据实际应用的需求和遥感图像的特点，选择合适的数据适应性策略。然后，根据所选的策略，对模型的参数和结构进行调整，生成适应性调整模型。
S604中：在完成适应性调整模型的生成后，可以使用该模型对遥感图像进行分类。首先，将待分类的遥感图像输入到适应性调整模型中，得到预测结果。然后，根据预测结果和实际标签，计算分类准确率、召回率等评价指标，评估模型的性能。最后，根据评价指标的结果，可以进一步优化模型或应用模型进行遥感图像分类任务。
综上所述，基于优化分类模型的遥感图像分类过程包括遥感图像预处理、卷积神经网络特征提取、数据适应性策略调整和遥感图像分类等步骤。
请参阅图8，一种遥感图像分类系统，系统包括图像预处理模块、特征提取模块、特征融合模块、时空分析模块、模型训练模块、分类执行模块、结果评估模块。
图像预处理模块基于原始遥感数据，采用自适应滤波算法、云层检测与遮挡处理技术、光照均衡化技术，生成预处理后遥感数据集；
特征提取模块基于预处理后的数据，运用灰度共生矩阵提取纹理特征，通过小波变换进行多尺度分析，利用深度卷积神经网络提取高级特征，生成特征提取数据集；
特征融合模块基于特征提取结果，实施数据标准化，应用主成分分析进行降维，执行多模态融合技术，生成融合特征数据集；
时空分析模块利用融合特征数据，采用时间序列分解，实施移动平均和平滑技术，提取时间窗口特征，生成时空分析特征数据集；
模型训练模块基于时空分析特征数据集，进行数据预处理，构建梯度提升决策树模型，增强BP神经网络，进行交叉验证和参数调优，生成优化分类模型；
分类执行模块基于优化分类模型，对遥感图像进行处理，通过卷积神经网络提取特征，应用数据适应性策略调整模型，执行分类，生成遥感图像分类结果；
结果评估模块基于遥感图像分类结果，采用精度分析、错误分析、性能评估方法，生成评估报告。
该系统通过自适应滤波、云层检测与遮挡处理以及光照均衡化等操作，图像预处理模块可以有效去除噪声、优化图像质量，提高后续特征提取的准确性和稳定性。其次，特征提取模块采用了灰度共生矩阵提取纹理特征、小波变换进行多尺度分析和深度卷积神经网络提取高级特征等多种技术手段，充分挖掘遥感图像中的各种信息，提高了特征的表达能力和分类的准确性。特征融合模块通过对特征进行标准化、降维和多模态融合等操作，消除了特征之间的冗余性和相关性，增强了模型的分类性能。此外，时空分析模块利用时间序列分解、移动平均和平滑技术提取遥感图像的时间窗口特征，捕捉到地物的变化趋势和周期性变化，进一步提高了分类模型的精度和鲁棒性。在模型训练模块中，采用梯度提升决策树模型和增强BP神经网络进行训练，并通过交叉验证和参数调优来优化模型的性能，确保模型具备较高的泛化能力和适应性。最后，分类执行模块通过卷积神经网络提取特征并应用数据适应性策略调整模型，实现对遥感图像的准确分类。同时，结果评估模块采用精度分析、错误分析和性能评估方法对分类结果进行评估，生成详细的评估报告，为决策者提供科学依据。
综上所述，该遥感图像分类系统综合利用多种技术和方法，实现了对遥感图像的全面处理和精确分类，具有较高的准确性、稳定性和可靠性，对于地理信息系统、环境监测、城市规划等领域具有重要的应用价值。
请参阅图9，图像预处理模块包括噪声滤除子模块、云层处理子模块、光照调整子模块、色彩校正子模块；
特征提取模块包括纹理特征子模块、多尺度分解子模块、深度特征提取子模块、第一特征优化子模块；
特征融合模块包括数据标准化子模块、主成分分析子模块、多模态融合子模块、第二特征优化子模块；
时空分析模块包括时间序列分解子模块、数据平滑子模块、特征提取子模块、第三特征优化子模块；
模型训练模块包括数据预处理子模块、初步训练子模块、BP神经网络增强子模块、模型验证子模块；
分类执行模块包括图像预处理子模块、特征提取子模块、适应性调整子模块、分类执行子模块；
结果评估模块包括精度分析子模块、错误分析子模块、性能评估子模块。
图像预处理模块中，噪声滤除子模块进行遥感图像的噪声滤除操作，云层处理子模块进行云层的检测与遮挡处理，光照调整子模块进行光照均衡化处理，色彩校正子模块进行遥感图像的色彩校正。
特征提取模块中，纹理特征子模块利用灰度共生矩阵提取遥感图像的纹理特征，多尺度分解子模块通过小波变换对预处理后的数据进行多尺度分析，深度特征提取子模块利用深度卷积神经网络提取高级特征，第一特征优化子模块对提取的特征进行优化。
特征融合模块中，数据标准化子模块对特征提取结果进行数据标准化处理，主成分分析子模块应用主成分分析进行降维操作，多模态融合子模块执行多模态融合技术，第二特征优化子模块对融合后的特征进行优化。
时空分析模块中，时间序列分解子模块利用融合特征数据进行时间序列分解，数据平滑子模块实施移动平均和平滑技术，特征提取子模块提取时间窗口特征，第三特征优化子模块对提取的时间窗口特征进行优化。
模型训练模块中，数据预处理子模块对时空分析特征数据集进行数据预处理，初步训练子模块构建梯度提升决策树模型并进行初步训练，BP神经网络增强子模块增强BP神经网络模型，模型验证子模块进行交叉验证和参数调优。
分类执行模块中，图像预处理子模块对遥感图像进行处理，特征提取子模块通过卷积神经网络提取特征，适应性调整子模块应用数据适应性策略调整模型，分类执行子模块执行遥感图像的分类。
结果评估模块中，精度分析子模块对遥感图像分类结果进行精度分析，错误分析子模块进行错误分析，性能评估子模块对整个系统的性能进行评估。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (10)

1.一种遥感图像分类方法，其特征在于，包括以下步骤：
基于预处理需求，采用自适应图像预处理技术，进行噪声滤除、云层遮挡处理和光照条件校正，生成预处理后遥感数据集；
基于所述预处理后遥感数据集，采用高级灰度共生矩阵和深度卷积神经网络，提取纹理和高级特征，生成特征提取数据集；
基于所述特征提取数据集，采用多模态数据融合技术，分析特征相互关系，生成融合特征数据集；
基于所述融合特征数据集，采用时间序列分析和基于时间窗口的特征提取方法，捕捉动态变化特征，生成时空分析特征数据集；
基于所述时空分析特征数据集，采用集成学习算法和增强BP神经网络，进行模型训练，生成优化分类模型；
基于所述优化分类模型，采用数据适应性策略，对遥感图像进行分类，生成遥感图像分类结果；
所述预处理后遥感数据集具体为清晰度、对比度调整后的图像，所述特征提取数据集具体为提取纹理、边缘、形状特征的数据，所述融合特征数据集具体为多遥感数据源特征的综合数据集，所述时空分析特征数据集包括季节性变化、城市发展时间特征，所述优化分类模型具体为用于遥感图像分类的机器学习模型。
2.根据权利要求1所述的遥感图像分类方法，其特征在于，基于预处理需求，采用自适应图像预处理技术，进行噪声滤除、云层遮挡处理和光照条件校正，生成预处理后遥感数据集的具体步骤如下：
基于原始遥感数据，采用自适应滤波算法，动态调整滤波器参数，生成噪声滤除数据；
基于所述噪声滤除数据，采用云层检测与遮挡处理技术，分析特征差异，生成云层处理数据；
基于所述云层处理数据，采用光照均衡化技术，分析调整光照条件，生成光照条件调整数据；
基于所述光照条件调整数据，进行色彩校正和清晰度增强处理，生成预处理后遥感数据集。
3.根据权利要求1所述的遥感图像分类方法，其特征在于，基于所述预处理后遥感数据集，采用高级灰度共生矩阵和深度卷积神经网络，提取纹理和高级特征，生成特征提取数据集的具体步骤如下：
基于所述预处理后遥感数据集，采用灰度共生矩阵技术，分析图像的纹理特征，生成纹理特征数据；
基于所述纹理特征数据，采用小波变换方法，对图像进行多尺度分解，生成多尺度纹理分析数据；
基于所述多尺度纹理分析数据，采用深度卷积神经网络，提取深层次特征，生成高级特征提取数据；
基于所述高级特征提取数据，进行特征融合、优化，生成特征提取数据集。
4.根据权利要求1所述的遥感图像分类方法，其特征在于，基于所述特征提取数据集，采用多模态数据融合技术，分析特征相互关系，生成融合特征数据集的具体步骤如下：
基于所述特征提取数据集，采用数据标准化方法，生成标准化特征数据；
基于所述标准化特征数据，采用主成分分析，降低数据维度，生成降维特征数据；
基于所述降维特征数据，采用多模态融合技术，生成初步融合特征数据；
基于所述初步融合特征数据，进行相关性分析和特征优化，生成融合特征数据集。
5.根据权利要求1所述的遥感图像分类方法，其特征在于，基于所述融合特征数据集，采用时间序列分析和基于时间窗口的特征提取方法，捕捉动态变化特征，生成时空分析特征数据集的具体步骤如下：
基于所述融合特征数据集，采用时间序列分解方法，生成时间序列分解数据；
基于所述时间序列分解数据，采用移动平均和平滑技术，生成平滑处理数据；
基于所述平滑处理数据，采用时间窗口特征提取方法，生成动态特征提取数据；
基于所述动态特征提取数据，进行时空特征优化，生成时空分析特征数据集。
6.根据权利要求1所述的遥感图像分类方法，其特征在于，基于所述时空分析特征数据集，采用集成学习算法和增强BP神经网络，进行模型训练，生成优化分类模型的具体步骤如下：
基于所述时空分析特征数据集，进行数据预处理，生成预处理后的特征数据；
基于所述预处理后的特征数据，采用梯度提升决策树，生成初步训练模型；
基于所述初步训练模型，采用增强BP神经网络，添加隐藏层和优化学习算法，生成增强BP神经网络模型；
基于所述增强BP神经网络模型，进行交叉验证、参数调优，生成优化分类模型。
7.根据权利要求1所述的遥感图像分类方法，其特征在于，基于所述优化分类模型，采用数据适应性策略，对遥感图像进行分类，生成遥感图像分类结果的具体步骤如下：
基于所述优化分类模型，进行遥感图像预处理，生成初步遥感图像数据；
基于所述初步遥感图像数据，采用卷积神经网络，生成遥感图像特征数据；
基于所述遥感图像特征数据，应用数据适应性策略，生成适应性调整模型；
基于所述适应性调整模型，进行遥感图像分类，生成遥感图像分类结果。
8.一种遥感图像分类系统，其特征在于，根据权利要求1-7任一项所述的一种遥感图像分类方法，所述系统包括图像预处理模块、特征提取模块、特征融合模块、时空分析模块、模型训练模块、分类执行模块、结果评估模块。
9.根据权利要求8所述的一种遥感图像分类系统，其特征在于，所述图像预处理模块基于原始遥感数据，采用自适应滤波算法、云层检测与遮挡处理技术、光照均衡化技术，生成预处理后遥感数据集；
所述特征提取模块基于预处理后的数据，运用灰度共生矩阵提取纹理特征，通过小波变换进行多尺度分析，利用深度卷积神经网络提取高级特征，生成特征提取数据集；
所述特征融合模块基于特征提取结果，实施数据标准化，应用主成分分析进行降维，执行多模态融合技术，生成融合特征数据集；
所述时空分析模块利用融合特征数据，采用时间序列分解，实施移动平均和平滑技术，提取时间窗口特征，生成时空分析特征数据集；
所述模型训练模块基于时空分析特征数据集，进行数据预处理，构建梯度提升决策树模型，增强BP神经网络，进行交叉验证和参数调优，生成优化分类模型；
所述分类执行模块基于优化分类模型，对遥感图像进行处理，通过卷积神经网络提取特征，应用数据适应性策略调整模型，执行分类，生成遥感图像分类结果；
所述结果评估模块基于遥感图像分类结果，采用精度分析、错误分析、性能评估方法，生成评估报告。
10.根据权利要求8所述的一种遥感图像分类系统，其特征在于，所述图像预处理模块包括噪声滤除子模块、云层处理子模块、光照调整子模块、色彩校正子模块；
所述特征提取模块包括纹理特征子模块、多尺度分解子模块、深度特征提取子模块、第一特征优化子模块；
所述特征融合模块包括数据标准化子模块、主成分分析子模块、多模态融合子模块、第二特征优化子模块；
所述时空分析模块包括时间序列分解子模块、数据平滑子模块、特征提取子模块、第三特征优化子模块；
所述模型训练模块包括数据预处理子模块、初步训练子模块、BP神经网络增强子模块、模型验证子模块；
所述分类执行模块包括图像预处理子模块、特征提取子模块、适应性调整子模块、分类执行子模块；
所述结果评估模块包括精度分析子模块、错误分析子模块、性能评估子模块。
CN202311722766.6A 2023-12-15 2023-12-15 一种遥感图像分类方法及系统 Active CN117422936B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311722766.6A CN117422936B (zh) 2023-12-15 2023-12-15 一种遥感图像分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311722766.6A CN117422936B (zh) 2023-12-15 2023-12-15 一种遥感图像分类方法及系统

Publications (2)

Publication Number Publication Date
CN117422936A true CN117422936A (zh) 2024-01-19
CN117422936B CN117422936B (zh) 2024-04-02

Family

ID=89526938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311722766.6A Active CN117422936B (zh) 2023-12-15 2023-12-15 一种遥感图像分类方法及系统

Country Status (1)

Country Link
CN (1) CN117422936B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117743611A (zh) * 2024-02-19 2024-03-22 长春大学 一种数字媒体内容自动分类系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084294A (zh) * 2019-04-18 2019-08-02 北京师范大学 一种基于多尺度深度特征的遥感影像分类方法
WO2021226977A1 (zh) * 2020-05-15 2021-11-18 安徽中科智能感知产业技术研究院有限责任公司 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台
CN117095005A (zh) * 2023-10-20 2023-11-21 山东龙拓新材料有限公司 一种基于机器视觉的塑料母粒质检方法及系统
CN117115045A (zh) * 2023-10-24 2023-11-24 吉林大学 基于互联网生成式人工智能提升医学影像数据质量的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084294A (zh) * 2019-04-18 2019-08-02 北京师范大学 一种基于多尺度深度特征的遥感影像分类方法
WO2021226977A1 (zh) * 2020-05-15 2021-11-18 安徽中科智能感知产业技术研究院有限责任公司 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台
CN117095005A (zh) * 2023-10-20 2023-11-21 山东龙拓新材料有限公司 一种基于机器视觉的塑料母粒质检方法及系统
CN117115045A (zh) * 2023-10-24 2023-11-24 吉林大学 基于互联网生成式人工智能提升医学影像数据质量的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何婧媛;阿茹罕;: "基于卷积神经网络的遥感图像分类", 电子设计工程, no. 12, 15 June 2020 (2020-06-15), pages 115 - 119 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117743611A (zh) * 2024-02-19 2024-03-22 长春大学 一种数字媒体内容自动分类系统
CN117743611B (zh) * 2024-02-19 2024-04-26 长春大学 一种数字媒体内容自动分类系统

Also Published As

Publication number Publication date
CN117422936B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
CN111882002B (zh) 一种基于msf-am的低照度目标检测方法
CN110298321B (zh) 基于深度学习图像分类的道路阻断信息提取方法
Montazer et al. An improved radial basis function neural network for object image retrieval
CN117422936B (zh) 一种遥感图像分类方法及系统
CN110490265B (zh) 一种基于双路卷积和特征融合的图像隐写分析方法
CN110245620B (zh) 一种基于注意力的非最大化抑制方法
CN112861970B (zh) 一种基于特征融合的细粒度图像分类方法
CN112419202B (zh) 基于大数据及深度学习的野生动物图像自动识别系统
CN114283120B (zh) 一种基于领域自适应的端到端多源异质遥感影像变化检测方法
CN112950780B (zh) 一种基于遥感影像的网络地图智能生成方法及系统
CN110781970B (zh) 分类器的生成方法、装置、设备及存储介质
CN116740728B (zh) 一种用于晶圆读码器动态获取方法和系统
CN111881958A (zh) 车牌分类识别方法、装置、设备及存储介质
CN115294563A (zh) 一种基于Transformer的增强了局部语义学习能力的3D点云分析方法及装置
CN107423771B (zh) 一种两时相遥感图像变化检测方法
CN117612025A (zh) 基于扩散模型的遥感图像屋顶识别方法及系统
CN117371511A (zh) 图像分类模型的训练方法、装置、设备及存储介质
JP7225731B2 (ja) 多変数データシーケンスの画像化
CN109543716B (zh) 一种基于深度学习的k线形态图像识别方法
CN114898362A (zh) 一种基于神经网络的菌子图像分类方法
Sang et al. MoNET: no-reference image quality assessment based on a multi-depth output network
Benkuider et al. Content Based Image Retrieval using the Generalized Gamma Density to model BEMD's IMF.
CN117746079B (zh) 一种高光谱图像的聚类预测方法、系统、存储介质及设备
CN117372669B (zh) 一种基于自然资源图像的运动目标检测装置
CN113313179B (zh) 一种基于l2p范数鲁棒最小二乘法的噪声图像分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant