针对目前遥感影像分类应用中常用的浅层机器学习算法无法满足当前海量遥感影像数据环境下分类精度的问题,提出了一种将全卷积神经网络应用于遥感影像分类的方法;为了减少影像特征图在池化过程中自身特征的丢失,增加池化层与反卷积层的融合;为了提高融合的可靠性,增加尺度变换层;为了获得更精细的边缘分类结果,考虑像素之间的空间相关性,采用均值漂移聚类分割获取像素的空间关系,通过统计聚类区域像素概率的和最大、方差最小的方法确定该区域对象的类别;选取典型地区的影像进行分类实验,并将所提出的分类方法与全卷积神经网络、支持向量机、人工神经网络方法进行对比。结果表明,所提出的分类方法的精度明显高于传统机器学习方法的精度。

针对具有倾斜的遥感图像的自动配准问题,提出一种增强自动配准方法.该方法首先应用最大极值稳定区域(Maximally Stable Extremal Regions,MESR)特征的仿射不变性结合匹配能力较强的 SIFT(Scale Invariant Feature Transformation,SIFT)描述子进行粗匹配,初步校正倾斜图像的空间变换;然后利用 Harris-Laplace(H-L)在图像旋转、光照变化条件下能最稳定的提取 2维平面特征点和在 3维尺度空间中能最稳定高效地提取特征点的特性结合随机一致性检验(Random Sample Consensus,RANSAC)方法进行精匹配.通过实验分析证明,与 SIFT配准方法相比该方法能够对倾斜的遥感图像实现更精确的自动配准.

针对倾斜的遥感影像配准困难问题，提出一种基于集成最大极值稳定区域 (MSER)和尺度不变特征转换 (SIFT)的互补不变特征的自动影像配准算法。该算法首先应用目前公认的具有最佳仿射不变性的 MSER特征区域进行影像的粗匹配，初步校正影像的空间形变。然后在粗匹配基础上采用匹配能力较强的 SIFT描述子与仿射不变矩描述子相结合，进行精匹配。通过以上两步匹配，可以提高遥感影像配准精度，尤其对倾斜影像效果更明显。最后采用倾斜的无人机 (UAV)影像进行试验，并与 SIFT配准算法比较。结果表明，本文算法在仿射不变性和匹配正确率方面均优于 SIFT配准方法。