研究目的
通过结合微调卷积神经网络(CNN)、光谱特征、数字表面模型(DSM)与支持向量机(SVM),并采用全连接条件随机?。‵C-CRF)的方法,提高高分辨率遥感图像的分类精度。
研究成果
基于FC-CRF和微调CNN提出的分类框架通过利用光谱和空间信息,有效提升了高分辨率遥感图像的土地利用/覆盖分类效果。该方法实现了约85%的分类精度,并消除了椒盐噪声效应。
研究不足
该研究受限于训练卷积神经网络参数所需的计算资源以及对大量标注遥感数据的需求。此外,该方法性能可能因不同数据集及训练/测试集而异。
1:实验设计与方法选择:
该方法包括微调预训练的CNN模型进行LULC分类,结合光谱特征和DSM与SVM分类器,并使用FC-CRF进行后处理。
2:样本选择与数据来源:
研究采用中国武汉市某农村地区的高分辨率航拍图像和DSM数据。
3:实验设备与材料清单:
研究使用配备Intel?Core? i7-6500U CPU @ 2.50 GHz 2.50 GHz、NVIDIA Quadro M500M(2 GB)、16 GB RAM、512 GB SSD的计算机及MATLAB 2016a。
4:50 GHz 50 GHz、NVIDIA Quadro M500M(2 GB)、16 GB RAM、512 GB SSD的计算机及MATLAB 2016a。
实验流程与操作步骤:
4. 实验流程与操作步骤:过程包括微调CNN参数、计算图像像素属于各类别的概率、结合光谱特征和DSM与SVM分类器,以及应用FC-CRF进行分类。
5:数据分析方法:
研究采用混淆矩阵和总体精度评估分类结果。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容