文摘

现有的遥感数据分类方法不能实现遥感影像光谱的共享,导致可怜的融合和遥感数据的分类。因此,高空间分辨率遥感数据分类方法提出了基于频谱共享。页面恢复算法(PFRA)介绍了在低频波段无线频谱资源分配,和动态频谱共享机制设计主要和次要用户之间的遥感图像。在此基础上,采用d - s证据理论融合高空间分辨率遥感数据和正确的融合多光谱图像的像素亮度。初始数据规范化,光谱图像的特征提取,卷积神经网络分类模型,以及遥感图像分割。实验结果表明,该方法需要短时间和高空间分辨率图像分割精度高。高空间分辨率遥感数据分类更为高效,数据分类的准确性和遥感图像融合更理想。

1。介绍

遥感图像的空间分辨率和高空间分辨率大大提高,充分体现在明显的内部分化的特性,增加了纹理,丰富的细节,突出边缘(1]。遥感图像,特别是高分辨率遥感图像,有广阔的应用前景在土地利用和土地覆盖变化2]。然而,由于不确定性的高空间分辨率遥感信息的采集和处理,遥感数据的分类精度很难满足土地覆盖变化的需要,环境监测和专题信息提取。

为了改善这一问题,国内外学者在相关领域也提出了一些研究成果。文献[3)提出了一种遥感图像分类算法结合IFCM改进的FCM聚类和变分推理。在特征提取阶段,空间像素模板方法用于提取像素特征点,和参数的后验分布是基于变分近似推理方法在贝叶斯统计获得的影像分类结果。在文献[4),提出了一种基于机器学习的分类融合算法。的分类融合结果排名级别和测量输出,和陆地卫星的典型地区8在北京用于遥感图像分类预测。提出了一种新的面向对象分类方法在文献[5),它使用分割算法执行最初的原始图像的分割。分割单元具有良好的均匀性。分割单元作为处理对象;重力自组织映射(SOM)用于集群分割对象,获得的聚类结果,和一致性函数用于集成不同的聚类结果至少成本,从而实现快速和自动分类的决定。在文献[6),多传感器分类策略基于深度学习一体化进程和决策融合框架进行了研究。随机特征选择用于生成两个独立CNN-SVM集成系统,一个用于激光雷达,活力和其他海关数据克服相似性匹配。

然而,以上研究可以实现遥感图像的频谱共享,导致穷人的影响遥感数据融合和分类。因此,高空间分辨率遥感数据分类方法提出了基于频谱共享。首先,遥感图像的低频无线频谱资源共享。d - s证据理论融合方法用于实现高空间分辨率遥感数据融合。卷积神经网络分类模型实现高空间分辨率遥感数据的分类基于频谱共享。实验结果表明,提出的图像分割时间短,高空间分辨率遥感分类方法可以将遥感影像分割准确,遥感图像的数据融合效果更好。上述实验结果表明,提出的高空间分辨率遥感数据分类方法基于频谱共享是可行的,可以为这一领域提供可靠的理论依据。

2。方法

2.1。遥感图像动态频谱共享方法

PFRA-based无线电频谱资源分配优化方法用于遥感图像在低频带(7,8)提高频谱资源短缺的问题。如果可用频道的数量 ,subtransmitter的渠道获得 ,subreceiver ,subtransmitter ,主要接收器 ,主要发射机 ,和subreceiver在通道被描述为 , ,和 。其中,信道增益是由大规模的衰减和小规模的衰减。在通道 ,二次发射机的发射功率和主发射机是 , ,和分别是二级遥感链接。每个遥感链接通道请求 ,所以信道分配矩阵的请求收敛条件应当符合sub-remote传感链接通道,和每个sub-remote传感链接通道请求应当设置为固定值相同,即

无线频谱共享的过程中遥感图像,可以共享相同的光谱与主用户只有当二次用户对主用户造成的干扰小于一个固定的限制(9]。与此同时,二次发射机的最大发射功率,和二次发射机的发射功率的总和在每个频带不得超过最大传输功率,即

无线频谱资源的分配在遥感图像的低频带,应考虑网络收入。干比subreceiver接收的信号在通道描述如下: 在哪里代表了在sub-remote传感信号可用的链接,代表了扰动起源于其余sub-remote传感链接,代表了扰动起源于主要遥感链接,和代表了噪声功率。因此,访问速度的比较

有一定相关性的可达性sub-remote传感链接通道和信道分配的结果,因此信道分配矩阵可以表示为

的公式, 代表的分配渠道sub-remote传感链接和 代表的分配渠道sub-remote传感链接 。只有当通道分配给sub-remote感应链接,可以获得相对可及的速度。因此,RS的总和链接速度表示为

更大的速度和sub-remote传感链接,频谱利用率就越好。

无线频谱共享的问题在低频波段遥感影像是解决信道分配矩阵 。在每个通道微扰元素之和作为信道的扰动系数(10),表示如下:

公式(9)确保扰动系数的均值是最小化的,每个二级用户之间的干扰分配给相同的频谱是最小化。此外,在遥感图像频谱的分配资源,干扰主用户应该最小化。通过最小化干扰,干扰主用户可以控制。因此,干扰主用户获得的在频谱可以表示为

在公式(11), 表明对初级用户干扰的大小造成的二次发射机在光谱中 。

由于遥感图像的光谱是动态变化的,遥感图像的动态频谱共享的问题可以描述如下:根据可获得的有限的频谱资源,动态频谱共享机制之间的遥感图像的主要和次要用户可以模仿11]分享免费频段二级用户优化利用。

图1描述了动态频谱共享链接之间的关系的遥感图像。

遥感影像的光谱估算值是如下: 在哪里用于描述频谱的通道带宽 , 是用来表示空闲频道二级用户的需求 ,和是一个常数,这是受到传动功率等因素的影响,噪音,和天线增益,所以通道值估计矩阵表示在吗 。

假设一个通道只有一个次要用户,和所有二级用户可以选择一次只有一个免费频道。 是用来描述共享矩阵;的元素 ,频谱持有者将共享免费频道第二层次的用户吗 ,在的情况下 ,频谱持有者不会分享免费频道二级用户 。因此,一个合理的共享矩阵必须满足下列条件:

在公式(13),代表每个频谱持有者可以共享免费频道二级用户最多。最优动态频谱共享最大化频谱效率,可以通过使用以下线性优化方程:

约束表示为

2.2。高空间分辨率遥感数据的标准化

为了达到理想的图像处理的效果,需要规范化的初始数据分类。在基于卷积神经网络分类模型12,13),使用标准化的方法来输入数据到不同的分类空间,操作过程将产生很大的区别不同的图像分类结果。光谱反射率差异每单像素的初始图像很大,和数值跨度相对较大的分离过程,会增加计算的困难。首先,每个轨迹段的高空间分辨率遥感数据规范化。这个操作可以使每一个像素的光谱曲线的轨迹更明显,更容易判断和增加的变化轨迹,降低复杂性,提高训练速度和分类的准确性。假设所有像素列向量 ,公式如下: 在哪里代表了初始图像的像素的平均值代表像素图像的标准差 th曲线乐队。

2.3。高空间分辨率遥感数据分类方法基于频谱共享

高空间分辨率遥感监测是指利用高空间分辨率遥感技术为目标监测以达到定量分析和决心的表面变化的特点和过程监控数据(14]。到目前为止,高空间分辨率遥感技术已广泛应用于气象、土地、海洋、农业、地质、军事等领域。

分类是一种高空间分辨率遥感监测的主要目标,这是一个方法,将每个像素或地区划分为某种类型的地形基于功能收集的机载激光雷达和高光谱技术(15]。基本原理如下:因为不同的对象和不同的反应电磁波,高空间分辨率遥感数据收集的机载激光雷达和高空间分辨率高光谱遥感技术是不同的,从而导致不同的特征参数。数据分类是通过使用这个特性区分目标对象与其他对象(16]。

基于上述描述,高空间分辨率遥感监测数据的分类一般分为六个步骤,如图2。

从图可以看出2,高空间分辨率遥感监测数据的分类包括数据采集;预处理的高空间分辨率遥感监测数据来提高数据的质量;特征提取选择和反映目标对象的特征;实现基于特征分类,使用分类算法来实现分类;评估和分析分析方法的有效性和可行性,通过仿真实验;和输出显示测试结果的图片、统计表等。17,18]。

2.3.1。图像融合

d - s证据理论融合方法用于实现高空间分辨率遥感数据融合(19]。d - s证据理论构造信任结构如下。

基本的概率分布函数:集代表一个有限集和代表的概率分布函数集 ,满足下列条件(20.]: ;对于任何 , ; 。

基本的概率函数 上面提到的一定程度的信心,这通常是主观的定义。

信任是由函数

信任函数的任何子集在集合是基本的和所有子集的概率函数,和信任函数描述了全球信任程度的证据吗是真的。

似然函数的表达式21)是

在这个表达式,代表的补充 。证据理论可以结合不同类型的证据,这是相互关联的,融合不同类型的证据,得到最后的结论。融合规则如下:假设和 基本概率函数在不同的证据吗 ,以下组合规则的证据理论可以应用:

在融合的过程中,如果信任程度为0,会被丢弃,如果没有补偿丢弃后,总信任值会小于1,和参数将,可以补偿一部分被丢弃,融合后的总信任程度将1。融合后的表达式 , 正交和 ;同样的,假设有多个并行融合相关证据,然后 。

操作的d - s证据理论,证据不断积累可以减少假设集,时间和信息的复杂性较低,并且有很好的效果在处理模糊造成的不稳定因素。

尽管初步的数据处理,然而,协调器接收到的数据量为每个数据采集仍然是非常大的,包括环境参数采集节点的传输(22]。d - s证据理论用于实现各种环境参数的融合分析,每组数据和支持程度的各种假设给出指导控制决策。在图所示的数据融合方法3。

2.3.2。像素亮度值修正

由于饱和的问题在不同的图像像素亮度HS-2卫星数据集,有必要正确融合多光谱图像的像素亮度(23,24]。累积像素亮度值的上限范围内(63)为标准,以标准的多光谱相机的像素的亮度值作为参考数据,构造一个一元二次方程模型:

在(19),D_问代表纠正像素的亮度值,D校正前代表像素的亮度值,δ,γ,λ都是回归参数。一个变量的二次模型中描述公式(19)是用来消除不稳定的高空间分辨率遥感图像的像素HS-2 [25,26]。

3所示。高空间分辨率遥感数据分类算法设计

3.1。光谱图像特征提取

高空间分辨率遥感数据的特征提取主要是通过二维变换函数调制正弦高斯函数和公式的表达式(27- - - - - -29日]

在公式(20.),和代表的值横向坐标系统,的正弦的波长因素,指定的并行函数的方向之间的角度,空间相位函数的椭圆率的比例,正弦2 d转换函数的标准偏差由空间和波长,和复合函数的默认值和虚部的转换。

为了提高空间分辨率遥感数据分类的准确性,提出了一种光谱特征提取模型。给出了计算公式

公式,特征提取的关键是抓住中央像素的位置,设计和提取隧道集中中央像素的位置在 ,转换后的光谱特征向量输入和卷积数据输出到一维向量,然后随着半径的输入数据,然后点和以像素为中心 作为初始数据的输入特征提取隧道设计,然后实现光谱特征提取在该地区与中央像素作为目标(30.]。设计公式如下:

当二维变换函数的梯度达到饱和,当 ,函数的梯度是1,所以梯度的问题分散被提取过程中减轻。因此,隧道基于2 d变换函数的提取方法不仅准确而且迅速。

3.2。建设卷积神经网络分类模型

不同的卷积神经网络分类模型可以由不同的训练方法(31日,32]。图4显示了分类模型的结构。将训练样本系数 ,这 ,和层之间的权益系数吗和 。

高空间分辨率遥感数据矩阵,建立了与每个像素样本矩阵结合成一个,列数设置为1时,数量的行数是每个高空间分辨率遥感数据的片段,以构造卷积神经网络的分类处理器模式。因此,输入层是 ,和是碎片的数量的高空间分辨率遥感数据,隐藏的卷积层由20卷积核的大小是什么 ,包括 节点和 ,所以有 培训卷积系数之间的层和输入层,和游泳池在卷积隐藏层,第二层的功能大小 ,还有 节点没有系数。

3.3。遥感图像分割

预处理后的高空间分辨率遥感图像,高空间分辨率遥感影像分割根据图割理论获得大量的遥感图像块(33,34]。在高空间分辨率遥感图像边界像素和颜色波动的关键特性是高空间分辨率遥感图像。基于这一特性,在高空间分辨率遥感图像目标边界可以由能量函数描述。能量函数映射到s - t网络,高空间分辨率遥感图像的边界可分为根据最低成本。RGB的距离与上述两个节点之间的特性可以通过以下公式: 在哪里和 ,分别代表任何两个节点的高空间分辨率遥感图像,及其对应的像素的RGB值和 ,分别。

边缘的重量的s - t网络可以由以下公式: 在哪里和代表了s - t网络边界和节点细分成本,分别。

当最初的环形区域包含土地类边界的高空间分辨率遥感图像,为了减少图像切割的成本,它是必要的,以确保活动轮廓的s - t网络包括遥感图像的土地类边界。

酒可以表示为 ,并与最小的曲线最优分割曲线的陆地边界的高空间分辨率遥感图像35]:

在s - t网络,由于边界厚度的大小的影响 ,对应的像素的RGB值的节点两侧的高空间分辨率遥感图像的边界将大幅波动,和越小值,累计重量值越小的像素边界的高空间分辨率遥感图像36]。s - t网络分割得到戒指 ,其中包含的累积重量边缘的细分成本。

4所示。实验结果分析

4.1。遥感图像融合效果的比较

为了准确判断的变化前后的光谱信息和空间信息融合、统计量化指标用于评价遥感图像融合的效果。在实验过程中,相关系数方法用于评价高空间分辨率遥感图像融合的效果。相关系数的计算过程如下:

在上面的公式中,和多光谱图像和全色图像分别代表代表图像的行数,代表图像的列数。计算公式如下:

由于大型植被面积在这项研究中,使用这个方法来提取办公室信息时,全色波段图像和多光谱图像的2 - 4波段的遥感数据研究区域选择。为了验证该方法的效果和可行性,提高实验结果的可行性,基于IFCM聚类的遥感影像分类方法和变分推理提出了文献[3)和遥感图像分类方法基于异构机器学习算法融合提出了文献[4)被用作实验对比方法。三种方法的遥感图像融合结果如图所示5。

据图分析5与两个实验比较方法相比,基于IFCM聚类的遥感图像分类方法和变分推理提出了文献[3)和遥感图像分类方法基于异构机器学习算法融合提出了文献[4),遥感图像融合方法具有高清晰度,可以有效地提高遥感图像的详细特征空间。

基于IFCM聚类的遥感影像分类方法和变分推理提出了文献[3)与遥感图像分类方法相比,基于异构机器学习算法融合提出了文献[4),该方法的图像融合效果。不同波段的多光谱图像的相关系数结果如表所示1。

通过分析表1与两个实验比较方法相比,基于IFCM聚类的遥感图像分类方法和变分推理提出了文献[3)和遥感图像分类方法基于异构机器学习算法融合提出了文献[4),遥感影像融合的相关系数高,此方法表明该方法具有最强的保留光谱信息的能力。

4.2。比较的准确性和Kappa系数

以整体的准确度和kappa系数测试指标,两个系数越高,城市环境的布局效果就越好。总体精度的计算公式和kappa系数如下: 在哪里代表的数量用于交错区景观布局;代表的数量误差矩阵的风景;和和代表的风景和列 ,分别。

的整体精度和kappa系数测试结果不同的方法如图6和7,分别。

通过分析数据中的数据6和7,可以看出整体精度和kappa系数通过多次迭代的方法得到高于获得的遥感影像分类方法基于IFCM集群和变分推理和遥感图像分类方法基于异构机器学习算法的融合,因为该方法介绍了页面恢复算法(PFRA)。低频无线频谱资源的分配完成后,主要和次要用户之间的动态频谱共享机制的遥感图像设计,整体精度和kappa系数改进,取得了良好的设计效果。

4.3。比较的时间系数指标

花时间系数的测试指标,该方法,基于IFCM聚类的遥感影像分类方法和变分推理,和遥感图像分类方法的基础上融合异构机器学习算法用于测试。时间系数越大,时间越长,消耗的方法。图8显示了测试结果的时间系数。

从图可以看出8该方法获得的,时间系数低于通过IFCM集群和变分推理和异构的机器学习算法,因为该方法使用d - s证据理论融合高空间分辨率遥感数据和正确的融合多光谱图像的像素亮度。光谱图像特征的提取初始数据规范化,减少使用的时间和提高了遥感数据的分类效率。

4.4。比较的时间消耗和遥感图像分割的准确性

该方法的分割结果,基于IFCM聚类分类方法和变分推理,基于异构机器学习算法和分类方法如表所示2。

表2表明,遥感图像分割的平均准确率为99.67%,高出2.24%的遥感图像分类基于IFCM集群和变分推理和11.37%高于基于异构机器学习的遥感图像分类算法融合。同时,遥感图像分割的消费平均时间是0.38,0.56年代低于基于IFCM聚类的遥感图像分类和变分推理和0.83 s低于基于异构融合机器学习算法。以上数据表明,该方法可以减少时间消耗的遥感图像分割的基础上确保分割精度高。

5。结论

为了优化数据融合和传统遥感数据的分类精度,高空间分辨率遥感数据分类方法提出了基于频谱共享。是得出以下结论:(1)遥感图像融合的方法具有高清晰度,可以有效地提高遥感图像的空间细节特征。遥感影像融合的相关系数很高,和高空间分辨率遥感数据分类方法基于频谱共享最强的保留光谱信息的能力。(2)总体精度通过多次迭代的方法高。根据分析结果,布局优化模型,实现城市交错群落布局优化,提高整体精度和kappa系数,获得一个良好的布局效果。(3)获得的时间系数低,此方法的测试过程提供相关信息的布局优化城市群落交错区,减少了优化时间,提高了效率优化的布局城市群落交错区。(4)遥感图像分割精度平均高达95.78%,该方法的平均时间消费的遥感图像分割方法是0.38秒,可以减少时间消耗的遥感图像分割的基础上确保分割精度高。

在未来的研究工作,研究将集中在以下两个方面:(1)在未来,我们可以研究深入学习网络自动化的建设。如何自动分析和决策对于遥感图像分析任务,建立一个深入学习网络适用于当前任务,和自适应调整网络结构和网络学习参数是一个非常实际的研究工作,它提供了一个坚实的基础为减少遥感图像分析和处理任务的难度,提高利用率和价值在未来的遥感图像。(2)如何联合使用多源遥感数据来改善高分遥感图像的分类效果目前是一个重要而困难的问题。因此,基于现有的研究基础上,构建一个高空间分辨率遥感数据分类方法基于频谱共享具有较高的研究价值和应用价值。

数据可用性

原始数据支持了本文的结论将从作者,没有过度的预订。

的利益冲突

作者声明,关于这项工作他们没有利益冲突。

确认

这项工作由教育部重点项目支持河北省“频谱共享技术研究的认知物联网”(没有。ZD2018064),市政软科学研究项目:研究频谱共享技术密集的无线异构网络(没有。2019029043),大学博士基金:密集的移动认知无线电频谱感知算法研究(没有。bky - 2017 - 05)。