購物車(0)
基于頻帶特征融合的GL-CNN遙感圖像場(chǎng)景分類
關(guān)鍵詞：非下采樣小波變換 頻帶特征融合 指導(dǎo)學(xué)習(xí) 樣本融合 場(chǎng)景分類
摘要：高分辨率衛(wèi)星遙感圖像場(chǎng)景信息的分類對(duì)影像分析和解譯具有重要意義,傳統(tǒng)的高分辨衛(wèi)星遙感圖像場(chǎng)景分類方法主要依賴于人工提取的中、低層特征且不能很好的利用圖像豐富的場(chǎng)景信息,針對(duì)這一問題,提出一種基于頻帶特征融合與GL-CNN(Guided Learning Convolutional Neural Network,指導(dǎo)學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò))的分類方法。首先通過NSWT(Non-Subsampled Wavelet Transform,非下采樣小波變換)提取出圖像的高低頻子帶,將高頻子帶進(jìn)行頻帶特征融合得到融合高頻子帶,然后聯(lián)合頻譜角向能量分布曲線的平穩(wěn)區(qū)間分析實(shí)現(xiàn)融合高頻子帶與低頻子帶的樣本融合,最后指導(dǎo)卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取圖像的高低頻子帶包含的高層特征來實(shí)現(xiàn)場(chǎng)景分類。通過對(duì)UCM_LandUse 21類數(shù)據(jù)進(jìn)行試驗(yàn)表明,本文方法的分類正確率達(dá)到94.52%,相比以往算法有顯著提高。
遙感技術(shù)與應(yīng)用雜志要求:
{1}來稿如獲得某種研究基金或課題資助，請(qǐng)?jiān)谡撐氖醉撟笙陆亲⒚髡n題的名稱和編號(hào)。
{2}本刊堅(jiān)決反對(duì)任何形式的論文署名“搭便車”現(xiàn)象，對(duì)多作者署名的文章將進(jìn)行更為嚴(yán)格的審核。
{3}文題應(yīng)以新穎獨(dú)特的邏輯文字組合準(zhǔn)確地反映研究工作的內(nèi)容實(shí)質(zhì)和特點(diǎn),文題要求簡(jiǎn)潔而信息量豐富。
{4}來稿在正文之外，請(qǐng)?zhí)峁╊}名、內(nèi)容摘要 (300-500字)、關(guān)鍵詞 (3-5條)及其英譯
{5}文稿首頁頁腳處注明投稿日期和通信作者簡(jiǎn)介（包括姓名、出生年、性別、職稱、學(xué)位、研究方向、E-mail）。
注：因版權(quán)方要求，不能公開全文，如需全文，請(qǐng)咨詢雜志社
