1 中国矿业大学环境与测绘学院, 江苏 徐州 221116
2 北星空间信息技术研究院, 江苏 南京 210000
3 皇家墨尔本理工大学空间研究中心, 维多利亚 墨尔本, 澳大利亚 3001
随着计算机深度学习技术的不断发展,卷积神经网络(Convolutional Neural Network,CNN)作为代表算法,为高光谱图像分类提供了新的解决方案。但是,因为数据量迅速膨胀,复杂模型的分类精度和速度并不令人满意。因此提出了一种面向高光谱图像分类的轻量级融合CNN算法3D-2D-1D CNN。该算法融合不同维度的CNN,联合空间信息和光谱信息进行高光谱遥感图像分类。利用Indian Pines、Pavia University、Salinas Scene和WHU-Hi-Han Chuan数据集对该算法进行测试,结果显示,总体分类精度分别达到99.65%、99.95%、100%和99.85%;与3D CNN算法和3D-2D CNN算法相比,训练时间和测试时间都明显降低。研究表明,所提算法能够在保证高分类精度的前提下有效地提高数据的分析速度。所提算法综合利用三种CNN对高光谱空-谱联合信息的抽象表达能力,有效促进了CNN在高光谱遥感图像分类领域中的应用。
遥感 高光谱图像分类 3D-2D-1D 卷积神经网络 深度学习 中国激光
2021, 48(16): 1610003
中国矿业大学国土环境与灾害检测国家测绘地理信息局重点实验室， 江苏 徐州 221008
利用中低分辨率合成孔径雷达(SAR)影像，通过灰度共生矩阵提取不同纹理窗口大小的纹理特征来构造差异影像，并结合Otsu阈值分割方法来获取变化图像。实验结果表明，当检测地物单一、变化较明显的区域时，通过选用均值纹理特征并结合相应纹理窗口，中低分辨率SAR影像能够满足变化检测精度的要求。
传感器 合成孔径雷达 图像处理 变化检测 灰度共生矩阵 纹理特征 激光与光电子学进展
2017, 54(6): 062804
