-
题名基于半监督学习的多标签遥感图像分类方法
- 1
-
-
作者
杨秋勇
杨春
-
机构
华南理工大学计算机科学与工程学院
中国南方电网有限责任公司数字化部
南方电网能源发展研究院大数据中心
-
出处
《沈阳工业大学学报》
北大核心
2025年第3期355-361,共7页
-
基金
国家重点研发计划项目(2018YFB1700202)
南方电网公司信息专题研究项目(000000HY41220007,000000HY41220003)。
-
文摘
【目的】遥感图像作为观测地球的重要工具,被广泛应用于环境监测、资源勘探、灾害预警等多个领域。然而,遥感图像在采集过程中容易受到传感器噪声、大气干扰等因素的影响,导致图像质量下降,细节信息模糊,给后续的图像分析和目标分类带来了巨大挑战。在多标签遥感图像分类任务中,由于图像中往往包含多个类别的目标,且这些目标之间可能存在复杂的关联和依赖关系,传统的监督学习方法在处理这类问题时显得力不从心,分类误差较大。【方法】为有效应对遥感图像噪声影响、准确捕捉图像特征、提高分类精度,提出一种半监督学习的多标签遥感图像分类方法。利用感知损失函数对遥感图像进行预处理,通过查找图像中存在细节丢失和模糊的像素点位置,计算原始图像和缺陷图像的信噪比残差值,确定遥感图像质量下降程度。设计了一种基于残差映射的图像去噪算法,按照残差映射值调整含噪位置的频谱值,通过调节像素的高低频关系提高信噪比,恢复图像中的细节信息。采用半监督学习方法对图像分类器进行更新改进,提高遥感图像的处理效率和分类准确性,以此实现多标签遥感图像的分类。【结果】为了验证方法的有效性,在不同分辨率、不同主成分数情况下进行了图像分类实验,同时,设计了针对不同类型遥感图像的分类实验。测试结果表明,方法在去噪效果和图像细节还原方面表现出色,能够清晰地区分每个区域的色块,恢复了图像中的关键细节信息。在地貌特征提取方面,结果与实际地貌分布的吻合度较高,误差较小,证明了其在遥感图像特征提取方面的优势。在图像分类精度方面,方法在图像分辨率为70像素×80像素、主成分数为12时,分类精度达到0.88,表现出了较高的分类精度。同时,在对不同类型的遥感图像进行分类时,方法的分类精度也保持在0.9以上,最高达到0.98,充分验证了其广泛的适用性和高分类精度。【结论】实验结果表明,方法利用结合感知损失函数、残差映射的图像去噪算法和半监督学习方法,实现了多标签遥感图像分类。不仅提高了遥感图像的处理效率和分类精度,还为遥感图像处理领域提供了新的思路和技术支持,具有较高的理论意义和实际应用价值。
-
关键词
图像去噪
感知损失函数
信噪比
残差映射
半监督学习
图像分类器
多标签遥感图像
特征提取
-
Keywords
image denoising
perceptual loss function
signal to noise ratio
residual mapping
semi-supervised learning
image classifier
multi-label remote sensing image
feature extraction
-
分类号
TP147
[自动化与计算机技术—控制理论与控制工程]
-
-
题名多标签遥感图像分类研究现状与展望
- 2
-
-
作者
林聃
李秋岑
陈志奎
钟芳明
李丽方
-
机构
大连理工大学软件学院
大连理工大学辽宁省泛在网络与服务软件重点实验室
-
出处
《自然资源遥感》
CSCD
北大核心
2024年第2期10-20,共11页
-
基金
国家自然科学基金项目“面向土地利用现状判读的小样本跨模态学习模型”(编号:62076047)资助。
-
文摘
多标签遥感图像分类是遥感分析领域的基础研究任务之一,解析给定的遥感图像并识别其中的类别语义,可以为下游计算机视觉任务提供重要的技术基础;由于遥感图像空间分辨率不断提升,众多遥感对象以不同规模、颜色、形状分布于图像的各个区域,为遥感图像多标签分类任务带来了严峻挑战。该文聚焦于遥感领域的多标签图像分类研究,对该问题的前沿研究进展进行总结分析。首先,阐述多标签遥感图像分类任务的问题定义,并对该研究问题中常用的多标签图像数据集和模型评估指标进行归纳介绍;进而,对该领域的前沿进展进行系统性的介绍,深入剖析多标签遥感图像分类过程中的2个关键任务——遥感图像特征提取和标签特征提取;最后,针对遥感图像特性,分析了该任务当前存在的挑战和问题,并对未来研究方向进行展望。
-
关键词
遥感图像
多标签遥感图像分类
多标签分类
遥感
-
Keywords
remote sensing image
multi-label classification of remote sensing images
multi-label classification
remote sensing
-
分类号
TP79
[自动化与计算机技术—检测技术与自动化装置]
-
