提出一种基于深度迁移学习的无人机高分影像树种分类与制图方法。利用ImageNet上训练的大型卷积神经网络提取树种影像特征,采用全局平均池化压缩树种影像特征,使用简单线性迭代聚类生成超像素,以超像素为最小分类单元,生成树种专题地图。实验结果表明,在类间差距小、类内差距大的情况下,与小型卷积神经网络相比,本文方法收敛更快,总体精度和Kappa系数分别提高了9.04%和0.1547,超像素树种制图边界更加精确。

提出一种基于深度对抗域适应的高分辨率遥感影像跨域分类方法。利用深度卷积神经网络VGG16(Visual Geometry Group)学习场景影像的深度特征,然后利用对抗学习方法最小化源域和目标域特征分布差异。利用RSI-CB256(Remote Sensing Image Classification Benchmark)、NWPU-RESISC45(Northwestern Polytechnical University Remote Sensing Image Scene Classification)和AID(Aerial Image data set)数据集构建源域数据集,并将UC-Merced(University of California, Merced)和WHU-RS 19(Wuhan University Remote Sensing)两个数据集作为目标域数据集进行实验,实验结果表明,所提方法在目标域数据集没有标签的情况下,能够提高模型对目标域数据集的泛化能力。

从高分辨率遥感影像中提取单木树冠信息能够有效提高森林资源的调查与管理水平;针对现有单木树冠提取方法对郁闭度较高的阔叶林提取精度低的问题,提出一种基于迭代H-minima改进分水岭算法的高分辨率遥感影像单木树冠提取方法;首先利用形态学开操作对图像进行平滑处理,采用Sobel算子提取梯度图像,并利用均值滤波进行去噪处理;然后利用一组h值在梯度图像上迭代识别树冠标记,利用虚假标记检测方法过滤无效标记;最后引入对称原则来限制分水岭算法的淹没过程,避免树冠标记过生长与无标记树冠合并;以高分辨率遥感影像作为数据源,同时采用传统的标记控制分水岭算法和所算法提取单木树冠,从单木位置和树冠轮廓两个方面,以及样地和单木两个尺度上对单木树冠提取的精度进行评价。结果表明:所提算法提取树冠的F测度为92.71%,比标记控制分水岭算法提高了31.99%;所提算法能够有效抑制过分割、减少欠分割,从而提高单木树冠的提取精度。