基于U-net的"高分五号"卫星高光谱图像土地类型分类

"高分五号"卫星是世界首颗实现对大气和陆地综合观测的全谱段高光谱卫星,对于土地利用类型分类具有重要的应用价值,如何利用深度学习技术开展高光谱图像分类是当前研究的热点问题。深度学习中的语义分割方法在地面场景的图像中已经获得较好的应用,但是对于高光谱遥感图像的精度和适用性较差,无法准确获得精确的分类结果。文章采用U-net模型开展高光谱土地利用类型分类研究,首先基于"高分五号"卫星高光谱数据,构建样本数据集,然后训练分类模型,进行土地利用类型分类,探讨语义分割方法在高分五号高光谱数据上的应用能力。结果表明,采用深度学习中的语义分割方法能够有效提高精度水平,U-net模型的整体分类精度为0.9357,Kappa系数达到0.92,均高于SVM方法和CNN方法。采用深度学习中的语义分割方法,可以为"高分五号"高光谱数据的土地利用分类提供技术支撑,有效提升"高分五号"卫星的应用能力。     

基于多个前向神经网络和遗传算法的边界检测法

本文提出了一种基于前向神经网络和遗传算法的图象边界检测方法,这种方法由多个三层子前向神经网络并置连接加一个ＭＡＸＮＥＴ子神经网络形成,每个前向神经子网络的隐含层神经元个数和所有人权重系数由遗传算法优化确定,实验结果表明,本文提出了这咱边界检测方法抗噪声能力强,检测到的这界位置更为准确。     

基于单应性变换的可见光与毫米波雷达数据标定方法

针对现有的传感器标定方法存在操作步骤繁琐、标定精度低等问题,本文基于雷达扫描平面与地面平行的特点,利用雷达扫描平面和可见光图像平面之间的单应性变换关系,提出了一种基于单应性变换的毫米波雷达与可见光传感器标定方法.首先,在标定场中放置六块金属面板,同时获取标定场中金属面板的毫米波雷达数据与可见光图像,基于点对齐方法获取六...