1 西南林业大学 大数据与人工智能研究院，云南 昆明 650224
2 西南林业大学 森林生态大数据国家林业与草原局重点实验室，云南 昆明 650224
3 西南林业大学 林学院，云南 昆明 650224
4 西南林业大学 艺术与设计学院，云南 昆明 650224
5 河南大学 数学与统计学院，河南 开封 475004
6 昆明理工大学 国土资源工程学院，云南 昆明 650093
为有效利用高光谱影像与LiDAR数据的互补性信息，解决单一融合策略造成的场景解译地物边界不准确和分类精度低的问题，提出了一种光谱-空间-高度特征融合、并顾及场景地物类别共生特性的条件随机场分类方法。首先，对两种数据分别提取光谱及形态学特征，对特征集采用图模型进行特征融合，将特征输入概率支持向量机分类器，得到初始分类结果。然后，基于融合特征计算反映像素间类别本质差异的局部光谱-空间-高度协同的异质性值，并统计类别间的空间共生关系。最后，在条件随机场框架内，整合初始分类结果、局部异质性信息及类别共生关系，通过目标函数的迭代求解获得最终分类结果。通过将像素间的权重定义为对应像素位置融合特征的归一化欧式距离的单调减函数，对标记不同但特征差异较大的类别间给予较小的权重，以达到地物边界空间规整化的目的。通过对标记不同但共生概率较大的类别对给予较小的权重，达到保留空间关系稳定的类别对的目的。采用城区场景的美国休斯顿地区数据集和林区场景的中国广西高峰林场两组数据集对提出方法进行了验证。实验结果表明：休斯顿和高峰林场数据集精度分别达到94.00%和92.84%，分类结果的“胡椒盐”现象明显减少，证明了该方法的有效性。
高光谱 LiDAR 条件随机场 图模型特征融合 局部异质性 空间共生关系 hyperspectral LiDAR condition random field feature fusion based on graph model local heterogeneity spatial co-occurrence 红外与激光工程
2021, 50(12): 20210112
华侨大学信息科学与工程学院, 福建 厦门 361021
光学字符识别(OCR)难以针对图像中某些特定文本进行识别,尤其在实际场景中,识别结果通常会包含大量噪声文本。针对这一问题,提出一种基于循环神经网络的双向长短时记忆-条件随机场(BLSTM-CRF)模型。首先利用BLSTM网络捕获OCR识别结果中序列的上下文信息,得到特征序列;然后结合CRF建立模型特征与标签的关系,进行标签预测,通过标签即可得到特定文本。实验结果表明,该方法在场景图像数据集YNIDREAL上可以达到88.52%的准确率,相较于CRF模型,准确率提高了16.39个百分点,证明了本方法的可行性和稳健性。
机器视觉 特定文本抽取 光学字符识别 双向长短时记忆网络 条件随机场 激光与光电子学进展
2019, 56(24): 241501
1 合肥工业大学计算机与信息学院，安徽合肥 230009
2 工业安全与应急技术安徽省重点实验室，安徽合肥 230009
本文针对传统车道识别方法在复杂路面中自适应能力差的特点，基于图像分割技术提出了一种基于全卷积神经网络与条件随机场的车道识别方法。该方法通过大量数据的训练，使神经网络模型可以识别出车道，并且再通过条件随机场使得分割出来的车道覆盖面积及车道边缘的处理更加完善。同时，本文为了解决高速公路中对检测实时性的高要求，设计了一个全卷积神经网络，该网络结构简单，只有 13万个参数，并且做出如下三点改进：采用 BN算法提高网络的泛化能力及收敛速度；采用了 LeakyReLU激活函数取代了一般使用的 relu或者 sigmoid激活函数，并且采用 Nadam作为网络的优化器使得该网络具有更好的鲁棒性；采用条件随机场作为后端处理解决车道边缘处分割不足并且加大了车道覆盖面积。最后本文为了解决城市道路检测中道路环境复杂的问题，利用 FCN-16s网络模型加条件随机场的后端处理实现了复杂城市道路的识别。实验证明，在面对高速公路的高速及车道简单环境下，本文设计的网络模型更具有实时性且足够胜任车道的识别。在面对城市道路的复杂环境下， FCN-16s模型加条件随机场更能精确地识别出车道，并在 KITTI道路检测基准上取得不错的结果。
车道检测 全卷积神经网络 条件随机场 网络优化 lane detection image segmentation full convolution neural network condition random field network optimization
1 长光卫星技术有限公司, 吉林省卫星遥感应用技术重点实验室, 吉林 长春 130000
2 中国科学院长春光学精密机械与物理研究所, 吉林 长春 130033
3 吉林省国土资源调查规划研究院, 吉林 长春 130061
高光谱遥感影像分类通常基于地物光谱特征,但影像中同时还存在丰富的空间信息。空间信息的有效利用能显著提高图像分类效果。因其具有的特殊结构,卷积神经网络(CNN)已成功地应用在图像分类领域,对二维图像分类具有很好的效果。如何通过深度学习并结合空间光谱信息来提高分类性能是一个关键问题。结合高光谱影像中的空间特征与光谱信息,提出一种适合于高光谱像素级分类的深度学习三维卷积神经网络模型(3D-CNN),并在初始分类的基础上利用多标签条件随机场进行优化。选取三个通用公开高光谱数据集(Indian Pines数据集、Pavia University数据集、Pavia Center数据集)进行测试,结果表明分类优化后精度得到很大提升,总体精度可达98%,Kappa系数达到97.2%。
遥感 高光谱影像 空间-光谱信息 三维卷积神经网络 条件随机场
