基于频带特征融合的GL-CNN遥感图像场景分类

作     者：崔先亮 陈立福 邢学敏 袁志辉 Cui Xianliang;Chen Lifu;Xing Xuemin;Yuan Zhihui

作者机构：长沙理工大学电气与信息工程学院 

出 版 物：《遥感技术与应用》 (Remote Sensing Technology and Application)

年 卷 期：2019年第34卷第4期

页      面：712-719页

核心收录：

学科分类：0810[工学-信息与通信工程] 08[工学] 081002[工学-信号与信息处理] 

基　　金：国家自然科学基金青年基金项目“基于机载双天线InSAR系统三维地形实时获取算法研究”(41201468) 国家自然科学基金青年基金项目“顾及流变参数的时序InSAR公路形变模型研究”(41701536),国家自然科学基金青年基金项目“面向复杂地形的多通道干涉SAR高精度DEM稳健反演研究”(61701047) 湖南省教育厅项目“高分辨率SAR图像复杂背景下高精度鲁棒的道路提取算法研究”(16B004) 

主　　题：非下采样小波变换 频带特征融合 指导学习 样本融合 场景分类 

摘      要：高分辨率卫星遥感图像场景信息的分类对影像分析和解译具有重要意义,传统的高分辨卫星遥感图像场景分类方法主要依赖于人工提取的中、低层特征且不能很好的利用图像丰富的场景信息,针对这一问题,提出一种基于频带特征融合与GL-CNN(Guided Learning Convolutional Neural Network,指导学习卷积神经网络)的分类方法。首先通过NSWT(Non-Subsampled Wavelet Transform,非下采样小波变换)提取出图像的高低频子带,将高频子带进行频带特征融合得到融合高频子带,然后联合频谱角向能量分布曲线的平稳区间分析实现融合高频子带与低频子带的样本融合,最后指导卷积神经网络自动提取图像的高低频子带包含的高层特征来实现场景分类。通过对UCM_LandUse 21类数据进行试验表明,本文方法的分类正确率达到94.52%,相比以往算法有显著提高。