夏梦
- 作品数：2 被引量：42H指数：2
- 供职机构：南京理工大学计算机科学与技术学院更多>>
- 发文基金：国家自然科学基金南京市科技发展计划项目江苏省科技支撑计划项目更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于水平集演化和支持向量机分类的高分辨率遥感图像自动变化检测被引量：10
- 2019年
- 提出了基于水平集演化和支持向量机(SVM)分类的高分辨率遥感图像变化检测方法,该方法将像素级的和对象级的变化检测方法相结合,运用了像素特征和对象特征以提高变化类和非变化类的准确率。在像素级上,变化检测问题转化为水平集演化的图像分割问题。在对象级上,本文可以从分割结果中为SVM分类器自动地选择潜在的训练样本。最终将基于像素级的变化和基于对象级的变化相结合得到最终的变化结果。所提出的方法的主要优势在于可以自动选择合适的样本进行SVM分类器训练。此外,提出的方法可以有效的提高精确度和自动化水平。通过SPOT5图像和航空图像进行实验,结果表明该方法是有效的。
- 严明曹国夏梦
- 关键词：变化检测多分辨率分析图像分割
- 结合深度学习与条件随机场的遥感图像分类被引量：32
- 2017年
- 目的为进一步提高遥感影像的分类精度,将卷积神经网络(CNN)与条件随机场(CRF)两个模型结合,提出一种新的分类方法。方法首先采用CNN对遥感图像进行预分类,并将其类成员概率定义为CRF模型的一阶势函数;然后利用高斯核函数的线性组合定义CRF模型的二阶势函数,用全连接的邻域结构代替常见的4邻域或8邻域;接着加入区域约束,使用Mean-shift分割方法得到超像素,通过计算超像素的后验概率均值修正各像素的分类结果,鼓励连通区域结果的一致性;最后采用平均场近似算法实现整个模型的推断。结果选用3组高分辨率遥感图像进行地物分类实验。本文方法不仅能抑制更多的分类噪声,同时还可以改善过平滑现象,保护各类地物的边缘信息。实验采用类精度、总体分类精度OA、平均分类精度AA,以及Kappa系数4个指标进行定量分析,与支持向量机(SVM)、CNN和全连接CRF相比,最终获得的各项精度均得到显著提升,其中,AA提高3.28个百分点,OA提高3.22个百分点,Kappa提高5.07个百分点。结论将CNN与CRF两种模型融合,不仅可以获得像元本质化的特征,而且同时还考虑了图像的空间上下文信息,使分类更加准确,后加入的约束条件还能进一步保留地物目标的局部信息。本文方法适用于遥感图像分类领域,是一种精确有效的分类方法。
- 夏梦曹国汪光亚尚岩峰
- 关键词：遥感图像分类卷积神经网络条件随机场势函数
