面向高分辨率遥感图像分类的空间像元模板构建方法研究的中期报告.docxVIP

面向高分辨率遥感图像分类的空间像元模板构建方法研究的中期报告 本文旨在介绍面向高分辨率遥感图像分类的空间像元模板构建方法的中期报告。为了解决遥感图像分类中存在的空间信息和局部信息的缺失问题，本文提出了一种基于多尺度卷积神经网络（MSCNN）的空间像元模板构建方法。 具体来说，本文首先对高分辨率遥感图像进行预处理，包括数据增强和图像分割等步骤，以提高分类的准确性和鲁棒性。然后，针对遥感图像分类中存在的空间信息和局部信息的缺失问题，本文提出了一种基于MSCNN的空间像元模板构建方法。 在本方法中，MSCNN用于对遥感图像中的多个尺度特征进行提取，从而获取更全面的图像信息。接下来，基于MSCNN提取的特征，本文使用无监督聚类方法将图像分成若干个区域，每个区域代表一个空间像元。然后，通过对每个空间像元内的像素进行统计分析，构建空间像元模板。最后，将空间像元模板与MSCNN提取的特征一起输入分类器进行分类。 本文还在公开数据集上进行了实验，结果表明，本方法在高分辨率遥感图像分类中具有良好的效果，可以有效提高分类的准确性和鲁棒性。 未来，本文将继续优化空间像元模板的构建方法，并将其应用于更多遥感图像分类场景中。