基于人类群体粒子群优化算法与 LSTM 分类器的混合预处理遥感图像土地利用与土地覆盖分类
图像与视频处理
2020-11-10 v2 计算机视觉与模式识别
摘要
利用遥感影像进行土地利用与土地覆盖（LULC）分类在许多环境建模与土地清查中起着至关重要的作用。在本研究中，提出一种混合特征优化算法与深度学习分类器以提升 LULC 分类性能，有助于预测野生动物栖息地、环境品质恶化、无序发展等。使用 Sat 4、Sat 6 与 Eurosat 数据集评估 LULC 分类。选定遥感影像后，采用归一化与直方图均衡化方法改善图像质量。随后，利用局部 Gabor 二值模式直方图序列（LGBPHS）、方向梯度直方图（HOG）与 Haralick 纹理特征进行混合优化，从选定图像中提取特征。该混合优化的优势在于高判别力以及对彩色与灰度图像的不变量性。接着，应用基于人类群体的粒子群优化（PSO）算法选取最优特征，其优势为收敛速度快且易于实现。选取最优特征值后，利用长短期记忆（LSTM）网络对 LULC 类别进行分类。实验结果表明，基于人类群体的 PSO 算法结合 LSTM 分类器在分类准确率、召回率与精确率方面有效区分了土地利用与土地覆盖类别。与现有模型 GoogleNet、VGG、AlexNet、ConvNet 相比，所提方法准确率提升了 2.56%。
引用
@article{arxiv.2008.01635,
title = {Land Use and Land Cover Classification using a Human Group based Particle Swarm Optimization Algorithm with a LSTM classifier on hybrid-pre-processing Remote Sensing Images},
author = {R. Ganesh Babu and K. Uma Maheswari and C. Zarro and B. D. Parameshachari and S. L. Ullo},
journal= {arXiv preprint arXiv:2008.01635},
year = {2020}
}
备注
21 pages, 11 figures, submitted to the Special Issue Multimedia Vision and Machine Learning for Remote Sensing di MDPI Remote Sensing (in review)