遥感图像质量等级分类的深度卷积神经网络方法
遥感图像应用发展对图像质量的要求越来越高,不同质量的遥感图像往往需要不同的处理方法和参数.通过遥感图像质量等级分类研究,不仅能够为遥感图像的处理提供先验信息,还能够对遥感图像的客观质量评价和传感器的成像效果进行评估.为了克服现有的遥感图像质量等级分类方法计算参数获取困难、等级数量少的缺点,利用深度学习方法的分类机能,通过改进特征提取网络和等级分类设计,建立了一种基于深度卷积神经网络的遥感图像质量等级分类模型.通过质量等级分类预处理后,利用经典的深度学习方法进行目标检测实验.结果表明,所提方法在西北工业大学遥感图像数据集上质量等级分类的准确率、召回率、精确率和F1最高能达到0.976、0.972、0.974和0.973,优于传统算法.利用卷积神经网络实现遥感图像质量等级分类,既拓展了深度学习的应用领域,又为遥感图像质量评估提供了 一个新方法.
遥感图像、质量等级分类、客观质量评价、深度学习、卷积神经网络
47
P237;TP751.1(摄影测量学与测绘遥感)
国家自然科学基金41671409
2022-10-20（万方平台首次上网日期，不代表论文的发表时间）
共8页
1279-1286
