-
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]
-
