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。

双目立体匹配是计算机视觉中研究的重点，针对立体匹配在深度不连续、低纹理和场景重复区域容易匹配出错的问题，提出了一种基于图像分割和改进的自适应支撑权重的立体匹配算法。该方法首先根据颜色相似性、欧式距离相似性、梯度相似性和自定义颜色内相关相似性定义初始的匹配代价关系，然后利用mean shift算法分割出不同深度区域的匹配点，根据匹配点所在的深度区域进行匹配代价重定义。在代价聚合的过程中，为了消除光照和噪声的影响，对待匹配点进行rank变换后，再进行视差值的计算，从而得到一个更加准确的视差结果。最后在VS2010软件平台上对Middlebury标准图像进行测试，实验结果表明，该方法得到的视差结果要明显优于现有的局部区域立体匹配方法，且具有很强的稳健性和较高的准确匹配率。