卷积神经网络模型的遥感反演水质参数COD

化学需氧量(COD)是水体污染监测的常用水质指标之一,传统采集手段耗时耗力;利用遥感反演COD浓度能够快速获取整个水域的COD浓度空间分布状况,对于水污染治理和水环境保护具有重要意义。目前利用多光谱遥感数据反演COD浓度精度较低,主要原因是目前的反演模型多是以皮尔逊相关系数大小为指标选取建模波段的经验方法,对于多光谱遥感数据而言,其光谱波段范围较宽,波段的组合数量有限,难以找到有效的变量作为建模变量。针对这一问题,以郑州市天德湖为例,基于Planet多光谱高分辨率遥感影像,对遥感影像进行预处理和分析水样的高光谱数据,利用卷积神经网络对天德湖COD浓度进行反演;同时选取单变量回归模型、多变量回归模型进行精度对比。主要研究结论有：(1)相比于以皮尔逊相关系数为衡量标准选择不同波段组合的反演方式,卷积神经网络反演具有更高的空间反演精度,其决定系数为0.89, RMSE为2.22 mg·L^-1,这是因为卷积神经网络不仅充分利用了遥感影像的光谱特征,而且能够提取目标像元周围的领域空间信息,学习到图像深层的抽象特征以及水质参数浓度和遥感数据之间的“内在规律”,可以在一定程度上...     

三维Gabor滤波器与支持向量机的高光谱遥感图像分类

根据高光谱遥感图像的特点及二维Gabor滤波器纹理分割的原理,提出了一种基于三维Gabor滤波器的高光谱遥感图像分类方法。三维Gabor滤波器能够对高光谱遥感图像所有波段同时进行滤波,将大量的图像信息抽取为少量的不同尺寸、方向和波谱的响应,极大减少了高光谱遥感图像纹理信息提取的计算量。利用不同方向和尺寸的三维Gabor滤波器对祁连山黑河流域上游地区的Hyperion影像全波段进行滤波处理,获取26个纹理响应特征,并分析不同纹理对不同地物的区分度。利用自动子空间划分的波段指数(BI)进行波段选择,选取不同的波段组合进行试验,寻找最佳降维幅度。按照纹理对不同地物响应的区分度逐一加入三维Gabor纹理特征,利用三维Gabor纹理辅助光谱信息,运用支持向量机(SVM)的方法进行监督分类。结果表明,基于三维Gabor纹理和自动子空间BI波段选择的SVM分类方法能够在有效降低光谱维数的同时,提高高光谱遥感图像分类的精度和效率。     

基于HSI高光谱和TM图像的土地盐渍化信息提取方法

选择黄河三角洲垦利县代表性盐碱化区域为研究区,以2011年3月15日HJ-1A卫星HSI高光谱影像和2011年3月22日TM影像为信息源,经几何纠正、图像裁剪、大气校正等预处理,分析不同盐渍化程度土地、水体、滩涂等主要地类的光谱特征,确定地类信息提取特征波段。结合土壤盐分含量,采用定量与定性相结合规则,构建地类信息提取模型,以决策树分类方法进行图像分类,提取土地盐渍化信息。利用地表点位土壤含盐量数据对地表土地盐渍化程度的化学分析结果,对遥感解译数据进行精度验证,并对高光谱和多光谱影像的分类精度进行比较分析。结果表明：HSI图像的总体分类精度达96.43%,Kappa系数为95.59%,而TM图像的总体分类精度为89.17%,Kappa系数为86.74%,说明相比多光谱TM数据,基于高光谱图像可以更为准确有效地提取土地盐渍化信息;由分类结果图可以看出,高光谱影像土地盐渍化的区分度高于多光谱影像。该研究探索了高光谱图像土地盐渍化信息的提取技术方法,提供了不同盐渍化土地的分布比例数据,可为黄河三角洲滨海盐碱土地资源的科学利用与管理提供决策依据。     

基于ICA与SVM算法的高光谱遥感影像分类

提出了一种利用独立分量分析(ICA)与支撑向量机(SVM)算法进行高光谱遥感影像分类的新方法。采用ICA算法对高光谱遥感影像(PHI传感器获取,80波段)进行了特征提取,并以提取出的影像数据(光谱维数为20)构建SVM分类器。对SVM算法进行核函数删选与参数寻优后,发现采用RBF核的SVM算法(C=103,γ=0.05)分类结果最佳,分类精度与Kappa系数分别达94.5127%与0.935 1,优于BP-神经网络(分类精度39.4758%,Kappa系数0.315 5)、波谱角分类(分类精度80.282 6,Kappa系数0.770 9)、最小距离分类(分类精度85.462 7%,Kappa系数0.827 7)以及最大似然分类(分类精度86.015 6%,Kappa系数0.835 1)4种方法。针对分类结果常出现的"椒盐"现象,利用形态学算子对SVM(RBF核)分类结果进行了类别集群处理,将分类精度与Kappa系数分别提高至94.758 4%与0.938 0,获得了更接近实况的分类图像。结果表明:ICA结合SVM算法准确率高,是高光谱遥感影像分类的优选方法,且类别集群是优化影像分类的有效方法之一。     

微分算法的艾比湖湿地自然保护区土壤有机质多光谱建模

针对以往利用高光谱数据来来反演土壤有机质（SOM）的可行性与可靠性,结合微分处理对光谱数据信息提取的高效性,提出了直接对多光谱遥感影像进行微分处理就可得出SOM建模研究,旨在为今后SOM速测提供参考。采用Landsat 8_OLI 多光谱遥感影像数据,对多光谱遥感影像进行辐射定标、几何校正、大气校正、镶嵌和裁剪,运用IDL软件对影像进行一阶微分处理和二阶微分处理,发现一阶微分图像能够更好地表达地物的真实情况,更好地区别水体与土壤。原始遥感影像包含大量的信息其中还包括噪声,通过微分处理后的遥感影像剔出了原始影像中反射率值突兀变化的部分。在研究区采用五点法采集土壤样品。室内实验用重铬酸钾氧化-容量法测得SOM数据。多光谱数据结合地面实测SOM数据,分析SOM与多光谱数据反射率的关系,发现一阶微分处理后的遥感数据与SOM含量的相关性存在敏感波段,说明一阶微分处理可以将原始遥感图像数据在多光谱范围内的一些隐含的土壤有机质信息释放出来。选取相关性高的数据建立基于原始遥感数据、一阶微分数据、二阶微分数据的单波段多光谱线性模型和多波段多光谱线性模型,选取最优模型来估算和反演土壤有机质含量。结论如下：（1）通过对原始影像进行微分处理发现,微分处理后的影像变化明显,一阶微分处理的影像噪声降低,更加突出了影像中土壤有机质隐藏的信息。二阶微分处理的影像抑制了土壤有机质信息。（2）原始遥感影像各波段数据对土壤有机质含量的相关性较低,一阶微分处理后的遥感影像数据反映出土壤有机质敏感波段即部分波段数据相关性明显高于原始数据,二阶微分处理后的遥感影像各波段数据对土壤有机质含量的相关性较弱。（3）多波段建模效果要优于单波段建模;一阶微分多波段模型预测精度最优,其模型的决定系数和模型拟合的决定系数分别为0.898和0.854,该模型对估算研究区内的SOM含量效果较好;综合比较了单波段模型和多波段模型的拟合精度,发现无论在单波段模型还是多波段模型一阶微分处理后的模型都具有更好的预测能力。（4）基于一阶微分多波段模型对研究区SOM进行反演,反演结果与实际情况相符合,对干旱区SOM含量制图提供了切实可行的方法和参考。     

基于核映射多光谱特征融合的高光谱遥感图像分类法

多光谱遥感图像的波段设定在理论和实践上都极具地物针对性,在更有效的数据挖掘方法帮助下可以提取足够的光谱特征以区分地物,本文将光谱匹配技术用于相似性度量,以提高分类准确度.首先选定光谱角制图、光谱相关制图、Mahalanobis距离、光谱相似度和光谱信息差异做为光谱度量;随后选择高斯核函数,在选定核函数之后,得到了核映射下的光谱特征度量来挖掘高光谱遥感数据的光谱特征.最后采用核映射多光谱特征融合法对多光谱遥感图像光谱特征的相似性进行描述,得到基于核映射多光谱特征融合的高光谱遥感图像分类算法.使用MATLAB中的LIBSVM工具箱对AVIRIS高光谱遥感数据进行分类实验,并与已有算法进行对比,结果表明本文提出的算法具有较高的分类准确度和性能.     

三维卷积神经网络模型联合条件随机场优化的高光谱遥感影像分类

高光谱遥感影像分类通常基于地物光谱特征,但影像中同时还存在丰富的空间信息。空间信息的有效利用能显著提高图像分类效果。因其具有的特殊结构,卷积神经网络(CNN)已成功地应用在图像分类领域,对二维图像分类具有很好的效果。如何通过深度学习并结合空间光谱信息来提高分类性能是一个关键问题。结合高光谱影像中的空间特征与光谱信息,提出一种适合于高光谱像素级分类的深度学习三维卷积神经网络模型(3D-CNN),并在初始分类的基础上利用多标签条件随机场进行优化。选取三个通用公开高光谱数据集(Indian Pines数据集、Pavia University数据集、Pavia Center数据集)进行测试,结果表明分类优化后精度得到很大提升,总体精度可达98%,Kappa系数达到97.2%。     

基于分类器集成的高光谱遥感图像分类方法

高光谱遥感图像为地物的精确分类带来了机遇,但也面临着一些挑战,高光谱遥感图像分类中所面临的一个挑战是如何处理高的光谱维数和小的样本数目之间的矛盾,目前几乎全部采用降维方法来缓解这一矛盾。集成学习的出现和选择性集成概念的提出为解决这一问题提供了新的研究思路,基于这一思想提出了基于波段分组和分类器集成的方法。在高光谱遥感图像的原始光谱空间根据波段之间的相似性信息对光谱波段进行分类,从每类中随机抽取一个波段形成新的光谱组,并依靠限制不同光谱组中相同波段的数目增加不同光谱组之间的差异程度,将新的光谱组作为训练分类器的特征子集,在特征子集训练最大似然分类器,使用简单的多数投票法合成得到最终的集成分类器。实验结果表明,使用基于波段分组和分类器集成的方法可以得到更高的分类精度。     

小波包变换与遥感图像融合

探讨了遥感多光谱与全色波段图像的融合问题.分析了多光谱与全色波段成像机理,提出了一种基于小波包变换的遥感图像融合方法,实验结果表明,该方法可有效综合多光谱与全色波段图像的优点,从而获得具有较高空间分辨率的多谱图像.     

基于三维卷积神经网络与超像素分割的高光谱分类

高光谱遥感数据具有详细的地物光谱与空间信息.针对高光谱数据空间信息在以往分类方法中未得到充分利用而导致鲁棒性与分类精度较低的问题,提出了一种改进的超像素分割与三维卷积神经网络分类方法.该方法首先通过超像素分割与模糊聚类对高光谱遥感数据进行区域分割,再使用三维卷积神经网络对得到的区域分割结果与高光谱数据形成的空-谱联合数据进行训练与分类.通过对空间区域进行划分融合,所提方法提升空间信息在分类中的作用,减小"同物异谱"现象对分类的影响,同时引入三维卷积神经网络对空-谱联合数据进行训练与分类,提升了高光谱分类精度.所提方法在Pavia University和Salinas数据集的总体准确率为97.53％和98.48％,与各对照实验相比,具有更为良好的分类效果,验证了所提方法的有效性.     

Segmentation of acoustic images by neural network processing

A segmentation method for biomedical acoustic images is reported which efficiently classifies the groups of similar image elements (pixels) and separates them into particular characteristic regions. As the input data, the method uses the pixel intensities of the source image. The classification is performed by learning vector quantization neural networks, which separate the main classes (structures, tissues, artifacts, etc.) present in the image. Because this type of neural network implies that the number of the classes is known and that the network should be trained by instruction, an expert must participate in the process of generating the input data. Results obtained by processing test acoustic (ultrasonic) images demonstrate that the method is capable of effectively solving sonography classification problems. The accuracy of the method is estimated by comparison with the segmentation performed manually.     

Dual-Domain Fusion Convolutional Neural Network for Contrast Enhancement Forensics

Contrast enhancement forensics techniques have always been of great interest for the image forensics community, as they can be an effective tool for recovering image history and identifying tampered images. Although several contrast enhancement forensic algorithms have been proposed, their accuracy and robustness against some kinds of processing are still unsatisfactory. In order to attenuate such deficiency, in this paper, we propose a new framework based on dual-domain fusion convolutional neural network to fuse the features of pixel and histogram domains for contrast enhancement forensics. Specifically, we first present a pixel-domain convolutional neural network to automatically capture the patterns of contrast-enhanced images in the pixel domain. Then, we present a histogram-domain convolutional neural network to extract the features in the histogram domain. The feature representations of pixel and histogram domains are fused and fed into two fully connected layers for the classification of contrast-enhanced images. Experimental results show that the proposed method achieves better performance and is robust against pre-JPEG compression and antiforensics attacks, obtaining over 99% detection accuracy for JPEG-compressed images with different QFs and antiforensics attack. In addition, a strategy for performance improvements of CNN-based forensics is explored, which could provide guidance for the design of CNN-based forensics tools.     

基于BP神经网络的复杂彩色图像文本定位

针对复杂彩色图像中文本的特征,提出了基于小波变换和BP神经网络甄别文本区域的算法.该算法首先利用文本块的边缘特征遴选出备选图像块,而后采用小波变换提取备选图像块的纹理特征,把这些纹理特征参量连同图像块的颜色特征和笔画特征参量输入训练好的BP神经网络,判断备选图像块是否包含文本.该方法运算简单,定位时间短.采用专用的文本定位比赛用图进行实验的结果表明,定位准确率可达到92%,召回率为87.4%.     

基于BP神经网络的复杂彩色图像文本定位*

针对复杂彩色图像中文本的特征,提出了基于小波变换和BP神经网络甄别文本区域的算法.该算法首先利用文本块的边缘特征遴选出备选图像块,而后采用小波变换提取备选图像块的纹理特征,把这些纹理特征参量连同图像块的颜色特征和笔画特征参量输入训练好的BP神经网络,判断备选图像块是否包含文本.该方法运算简单,定位时间短.采用专用的文本定位比赛用图进行实验的结果表明,定位准确率可达到92％,召回率为87.4%.     

Deep-learning-based prediction of living cells mitosis via quantitative phase microscopy

We present a deep learning approach for living cells mitosis classification based on label-free quantitative phase imaging with transport of intensity equation methods. In the approach, we applied a pretrained deep convolutional neural network using transfer learning for binary classification of mitosis and non-mitosis. As a validation, we demonstrated the performances of the network trained by phase images and intensity images, respectively. The convolutional neural network trained by phase images achieved an average accuracy of 98.9% on the validation data, which outperforms the average accuracy 89.6% obtained by the network trained by intensity images. We believe that the quantitative phase microscopy in combination with deep learning enables researchers to predict the mitotic status of living cells noninvasively and efficiently.     

一种基于2D-CNN的激光超声表面缺陷检测方法

激光超声表面缺陷检测的过程中,缺陷的定量表征通常依赖于操作者的判断,易受到人为因素干扰,致使检测结果不稳定。针对这一问题,提出一种基于图像识别的二维卷积神经网络（2D-CNN）的缺陷自动分类检测方法。利用有限元方法模拟激光超声检测过程,并采集超声信号数据用于训练分类模型;使用连续小变换（CWT）处理超声信号得到小波时频图,以小波时频图作为输入训练卷积神经网络（CNN）分类模型,实现对表面缺陷深度的自动分类。验证结果表明:提出的检测方法能够对不同深度的缺陷准确分类,测试的平均准确率达到97.3%;构建的CNN分类模型能够自主学习输入图像的缺陷特征并完成分类,提高了检测结果稳定性,为激光超声缺陷检测的自动化分析处理提供了新的思路。     

基于DBN,SVM和BP神经网络的光谱分类比较

恒星的分类对了解恒星和星系形成与演化历史具有重要的研究价值。面对大型巡天计划及由此产生的海量数据,如何迅速准确地将天体自动分类显得尤为重要。通过对SDSS DR9的恒星光谱数据进行深度置信神经网络(DBN)、神经网络和支持向量机(SVM)等算法分类的对比,分析三种自动光谱分类方法在恒星分类上的适用性。首先利用上述三种方法对K,F恒星进行识别分类,然后再分别对K1,K3和K5次型和F2,F5,F9次型识别,最后基于SVM支持向量机的二次分类模型,利用K次型的数据,构建剔除不属于K次型的模型。结果表明:深度置信网络对K,F型恒星分类效果较好,但是对K,F次型的分类效果不佳;SVM支持向量机在K,F型恒星分类以及相应的次型分类都具有较好的识别率,对K,F型分类效果要好于K,F次型的分类效果;BP神经网络对K,F型恒星以及其次型的识别一般;在剔除不属于K次型实验中,剔除率高达100%,可知SVM能够对未知的光谱数据进行筛选与分类。     

残差网络分层融合的高光谱地物分类

高光谱图像具有较高的空间分辨率,蕴含着丰富的空间光谱信息,近年来被广泛用于城市地物分类中。在高光谱图像分类过程中,空间光谱特征的提取直接影响着分类精度;传统的高光谱图像特征提取方法只利用了4或8邻域的像素进行简单卷积处理,因而丢失了大量的复杂、有效信息;卷积神经网络（CNN）虽然可以自动提取空间光谱特征,在保留图像空间信息的同时,简化网络模型,但是,随着网络深度增加,网络分类产生退化现象,而且网络间缺乏相关信息的互补性,从而影响分类精度。该工作引入CNN自动提取空间光谱特征,并且针对CNN深度增加所导致的退化问题,设计了面向地物分类的高光谱特征融合残差网络。首先,为了降低高光谱图像的光谱冗余度,利用PCA提取主要光谱波段;然后,为了逐级提取光谱图像的空间光谱特征,定义了卷积核为16,32,64的低、中、高3层残差网络模块,并利用64个1×1的卷积核对3层特征输出进行卷积,完成维度匹配与特征图融合;接着,对融合后的特征图进行全局平均池化(GAP)生成用于分类的特征向量;最后,引入具有可调节机制的Large-Margin Softmax损失函数,监督模型完成训练过程,实现高光谱图像分类。实验采用Indian Pines,University of Pavia和Salinas地区的高光谱图像来验证方法有效性,设置批次训练的样本集为100,网络训练的初始学习率为0.1,当损失函数稳定后学习率降低为0.001,动量为0.9,权重延迟为0.000 1,最大训练迭代次数为2×104,当3个数据集的样本块像素分别设置为25×25,23×23,27×27,网络深度分别为28,32和28时,3个数据集的分类准确率最高,其平均总体准确率（OA）为98.75%、平均准确率（AA）的评价值为98.1%,平均Kappa系数为0.98。实验结果表明,基于残差网络的分类方法能够自动学习更丰富的空间光谱特征,残差网络层数的增加和不同网络层融合可以提高高光谱分类精度;Large-Margin Softmax实现了类内紧凑和类间分离,可以进一步提高高光谱图像分类精度。     

一种基于卷积神经网络的恒星光谱快速分类法

恒星光谱数据的分类是天体光谱自动识别的最基本任务之一,光谱分类的研究能够为恒星的演化提供线索。随着科技的发展,天文数据也向大数据时代迈进,需要处理的恒星光谱数量越来越多,如何对其进行自动而精准地分类成为了天文学家要解决的难题之一。当前恒星光谱自动分类问题的解决方法相对较少,为此本文使用了一种基于卷积神经网络的方法对恒星光谱MK系统进行分类。该网络由数据输入层、四个卷积层、四个池化层、全连接层、输出层构成,与传统网络相比具有局部感知、参数共享等优点实验。在Python3.5的环境下编程,利用Tensorflow构建了一个简单高效的具有四个卷积层的卷积神经网络,并将Dropout作用于全连接层之后以防止过度拟合。Dropout的基本思想：当网络模型进行训练时,把一些神经网络节点按一定的比例丢弃,使其暂时不发挥作用。Dropout可以理解成是一种十分高效的神经网络模型平均方法,由于它不依赖于某些局部特征所以能够让网络模型更加鲁棒。实验中使用的一维恒星光谱图是取自LAMOST DR3数据库,首先进行预处理截取光谱3 600~7 300 Å的部分,均匀采样后使用min-max标准化法对其进行初始化。实验包括两部分：第一部分为依据恒星光谱MK系统对光谱进行分类,每一类的训练样本包含1 000条光谱数据,测试样本为400条光谱数据,首先通过训练样本对CNN网络进行训练,进行3 000次的迭代,用训练后的网络将测试样本进行分类以验证网络的准确性;第二部分为相邻两类的恒星光谱的分类,其中O型星数据集样本为250条光谱,其余类别恒星样本数据集均为4 000条光谱,将数据5等分,每次选取当中的一份当作测试集,其余部分当作训练集,采用5折交叉验证法求得模型准确率,用BP神经网络进行对比实验。选择对网络模型进行评估的指标包括精确率P、召回率R、F-score、准确率A。实验结果显示CNN在对六类恒星光谱进行分类时其准确率都在95%以上,在对相邻类别的恒星进行分类时,由于O型星样本量较少,所以得到的分类结果不太理想,对其余类别的恒星分类准确率都高于98%,以上结果都证明了CNN算法能够很好地解决恒星光谱的分类问题。     

水下高分辨率声图中小目标的深度网络分类方法

针对声成像数据缺少条件下的水下沉底小目标分类问题,提出一种深度网络分类算法。首先,采用高斯混合模型对声影区统计特性进行建模并提取声图阴影,在此基础上构建仿真数据集和真实数据集。将仿真数据集输入卷积神经网络进行训练,保留其特征提取部分,用于对真实数据集进行特征提取.重建网络分类部分并采用真实数据集的特征向量进行训练。结果表明,所提出的方法分类正确率可达88.24%,与6种对照方法相比平均分类正确率分别提升8.67%,20.47%,19.78%,11.59%,9.01%,11.58%。验证了所提出方法在小样本条件下具有较好对水下沉底小目标的分类能力。其学习曲线收敛到96.25%,仅比验证曲线高5.14%,说明在一定程度上缓解了过拟合问题。将改进的卷积神经网络应用于融合分类器,通过与逻辑回归分类器、支持向量机对目标进行分类并融合决策,正确率为93.33%,可进一步提高算法的正确率和稳定性.