基于rmrmr增强视觉词袋的高分辨率遥感图像分类

摘要

提出了一种基于ReliefF改进的mRMR (RmRMR)判据的视觉词袋(BoVW)算法，对产生的具有高信息冗余的视觉词进行过滤，用于遥感图像分类。首先，每个词对分类的贡献程度由其权重参数表示，权重参数使用ReliefF算法分配。然后，根据mRMR准则计算每个词的相关性和冗余度，并加入字典平衡系数。最后，建立了新的字典判别函数，并对全局判别的小尺度字典子集进行了筛选。实验结果表明，该算法有效地减少了字典中冗余信息的数量，更好地平衡了单词的相关性和冗余度，提高了字典子集的特征描述能力，显著提高了高分辨率遥感图像的分类精度。

1.简介

遥感分类是根据遥感图像中的空间特征、光谱特征和时间特征对地物进行识别，为图像中的每个元素分配标识符的过程。近年来，随着高分辨率遥感技术的发展，遥感图像包含丰富的地物信息和复杂的空间关系，具有高维、高分辨率和大数据量的特点[1］．因此，如何有效地从海量遥感图像数据中提取所需信息并进行分类是当前研究的热点。

传统基于统计模式的分类算法考虑独立像素，无法利用高分辨率遥感图像的纹理、尺度不变性、形状等空间结构特征，不符合目标空间的分布规律，导致出现多个离散孤立点，即“椒盐现象”[2］．这使得后续的分类困难，无法达到令人满意的分类精度。针对这些问题，面向对象的高分辨率遥感图像分类方法引起了广泛的关注和研究兴趣。在这些方法中，BoVW是一种具有代表性的方法，它是基于将底层特征聚类为视觉词，并通过其分布将这些视觉词与图像语义相关联来表示图像内容的概念[3.］．该算法有效地解决了特征描述单一和高低特征之间的“语义鸿沟”问题。但是，由于经典BoVW算法提取的视觉词存在冗余，必须对视觉词典进行优化，以获得最佳的图像分类结果。杨等。[4]将视觉词典的构建与分类器训练结合起来，并同步更新分类器的单词和参数。这种方法的优点是学习到的可视化字典会更适合分类器，但泛化能力较弱，分类性能较差。爱泼斯坦和乌尔曼[5]通过计算单词与图像的互信息，删除与类互信息较少的单词;金等人。[6]提出了一种基于熵的视觉词过滤算法，以保留类间熵较低的词。这种方法只考虑词与类之间的相关性，而忽略了词与类之间的冗余。因此，以词与类之间的最大相关性为基础的词典不一定是最好的词典，但应该考虑到整个词典与类之间的最大相关性。

针对上述问题，本文根据mRMR准则，提出了一种基于ReliefF改进的mRMR (RmRMR)准则的BoVW算法[7]和ReliefF算法[8］．此外，本文通过筛选词与词之间冗余度较小、词与类之间相关性较大的词，构建全局判别小尺度字典，利用图像丰富的数据资源，降低计算复杂度，快速准确地实现高分辨率遥感图像分类。为了验证所提算法的有效性，在一幅高分辨率遥感图像上进行了评价实验。

2.rmrmr增强视觉词汇袋

2.1.总体框架

如图所示1，对图像进行预处理，增强边缘细节，并采用各向异性扩散滤波去除噪声。然后，利用基于分水岭的图像分割算法对图像进行分割，得到图像上的物体。提取物体的纹理、形状、KAZE等多特征。接下来，我们使用k -均值聚类来整合特定对象的特征。其次，构建视觉词，并利用ReliefF计算词的特征权值进行选词。下面，根据加权mRMR准则提取全局判别小尺度字典子集。最后一步，将得到的高级图像语义特征向量作为SVM多分类器的输入，完成分类训练。

2.2.基于rmrmr的BoVW模型

本文引入BoVW模型，将纹理、形状和KAZE融合到底层特征中，取代传统的单特征表示方法进行特征提取。此外，将mRMR准则(词与类之间的最大相关性，词与类之间的最小冗余度)应用于遥感图像分类，并全局考虑视觉字典中的相关性和冗余度。此外，该方法利用ReliefF添加视觉单词的权重参数，并提出了新的字典判别力评价函数，以寻找具有较强判别力和较少冗余信息的字典子集。以此对可视化字典进行优化，算法的处理流程如图所示2．

本文与邓等人之前发表的“基于大规模图像实例检索的多级图像表示”的研究和模型的不同之处在于增加了“计算单词和单词之间的冗余度”的步骤。

2.3.多特征BoVW模型

为了消除低级语义特征和高级语义特征之间的差距，将使用中级语义特征对低级语义特征进行计数和聚类，从而与高级语义特征建立联系[9］．视觉词袋(Bag of visual words, BoVW)是一种中层特征表示法，作为一种通用的、精确的图像特征表示法被广泛应用于图像分析和处理。本文引入BoVW来表示高分辨率遥感图像的特征，以弥补低特征和高特征之间的差距。基于bovw的图像对象表达可分为以下步骤:步骤1．对图像进行空间分割我需要进行处理，并假设图像被分割成米级别，以及米Th层被划分为4^米−1亚区步骤2．从子空间中的子区域中提取纹理、形状和KAZE:本文采用串行方法进行多特征融合，并将融合后的底层图像特征作为构建视觉词的对象步骤3．构建可视化字典:将提取的底层特征作为待聚类的集合 使用k均值聚类算法。它选择k点作为聚类中心，设置为 ，计算每个特征向量与聚类中心之间的欧氏距离。它根据以下公式将最近的距离分类为一组:

因为每个类都是一个可视的单词，一个可视的大小字典k构造。聚类参数k会影响视觉字典的性能，这需要根据分类后的图像特征进行实验比较来获得。

单一特征会造成图像内容不全面、不准确的问题。多特征方法集成了图像纹理特征、形状特征、KAZE特征等作为底层特征，取代了传统的单特征描述方法，弥补了单特征描述方法在独立表达高分辨率遥感图像时不能充分表达图像信息的不足。

2.4.RmRMR的选词方法

在BoVW中，通过学习训练图像的分布来获得视觉字典。值得注意的是，该字典的质量在图像分类结果中起着重要作用。例如，字典中过多的内容或过多的相似词会增加计算复杂度和数据冗余，而字典中稀疏的内容会将不同的目标错误地分类为一组，从而降低图像分类精度。具体来说，优化BoVW的视觉字典可以获得较大的图像分类结果。一般来说，一部优秀的视觉词典应该具备两个特点:(1)每个视觉词都与一个图像类高度相关;(2)词与词之间的冗余最小;也就是说，冗余字越少，算法的计算复杂度越低。视觉词筛选是优化视觉词典的一种有效方法，它的目的是从初始字典中选择少量具有全局识别能力的词构成一个词典子集。

对于太小的视觉字典，mRMR算法不能充分描述图像的内容，导致不同的图像对象被归为一类，从而降低了分类精度。未改进算法的使用在于冗余特征始终存在且不被删除，冗余特征可能会映射到其他单词上，这可能导致单词和特征之间的映射出现错误。视觉词汇无法准确描述图像信息，导致分类结果不理想。

通过K-means算法改进的mRMR视觉残差选择算法可以对单词进行加权，保留对分类有帮助的权重高的单词，同时充分考虑单词之间的冗余性以及单词与类别之间的相关性，从而提高了图像分类的准确性。使用K-means算法可以正确地对图像的不同特征进行分类，取得了很好的效果。

本文通过词过滤对视觉字典进行优化，选择对分类性能贡献最大的视觉字典子集。ReliefF是一种特征加权算法，它会给对分类贡献大的单词赋予较高的权重，但这种方法不能消除单词之间的冗余。mRMR准则可以筛选出词与类之间相关性最大、词与类之间冗余度最小的字典子集;但是，不会得到单个词的权重系数，也不会反映词典子集中不同词对分类的影响。综合上述两种算法的优缺点，我们通过RmRMR实现单词过滤，具体步骤如下:步骤1．视觉词权重:算法定义 作为初始的可视化字典和V作为一个大小矩阵K×D,在那里K表示字典和中的单词数D是图像特征的维数。相关性权重使用ReliefF计算初始可视化字典中的每个单词和图像类之间的距离。方程描述如下: 在哪里米表示迭代次数，k是最近的样本的数量，表示随机抽样词的距离而且相对于这个词一个,P（c的概率c第一类目标;这个词一个= 1，…d是循环的，set= 0。小权重词删除:字典子集V_n用权重矩阵是通过计算相关权重得到的吗在每个单词和图像类之间，并去除最小特征的权重。对字典子集进行加权得到 ．步骤2。相关度和冗余度计算:表示单词之间相关度的方程这门课c是 根据上面的等式，字典之间的相关性V图像类c是 在哪里我为互信息函数: 互信息[10]作为词与类之间相关性的标准，可以使算法更准确地选择有区别的词。当视觉词随机或统一出现在不同类别的图像中时，互信息的值接近于0;当不同类别图像中出现的视觉词的频率差异较大时，互信息的值就会较高。字典中所有词和类之间的相关性的平均值可以用公式计算4．——顶部N选择具有最大相关性的单词，以确保它们组成的可视化字典子集的平均值是最优的。然而，由于这样一个集合中的单词之间确实存在冗余，因此这里的降维是必要的。然后，将单词的冗余度纳入字典判别函数中。单词之间的冗余， ，计算公式如下: 由上式可知，可视化字典中单词之间的冗余为 步骤3．融合平衡系数:设置阈值d，即字典的大小。与这个类最相关的单词由等式(4)并添加到字典子集V，然后根据mRMR标准选择下一个单词，直到d文字已被选择。判别函数如下:

初始可视化字典中的单词由上面的等式加权。具体来说，选择对分类贡献最大的单词，并使用mRMR算法提取单词与类之间相关度最大且冗余度最小的可视字典子集。为了平衡字典中的相关性和冗余度，获得更好的字典子集，即权重系数 ，将上式转化为:

的值越大α，算法越关注词与图像类之间的相关性;当α更小，算法限制单词之间的相关性，并尽可能地将其最小化。的选择α与图像类别有关，需要通过实验比较或经验选择进行优化。

3.分类模型的实现

在该模型中，图像块分割的目的是获取感兴趣的图像区域，常用的方法包括随机采样、均匀网格和显著性检测。在BoVW算法中，底层目标特征的提取是算法的第一步，这对算法的性能有很大的影响。从这个意义上说，选择一个鲁棒性强、特征的一般表示和精度高的特征描述符是至关重要的;可选功能包括纹理、形状和KAZE [11］．在定量聚类阶段，通常使用K-means聚类方法生成视觉字典，但其大小取决于聚类参数(聚类中心的数量)，因为不同的值可能对后续图像分类有显著不同的影响。因此，有必要通过实验选择最优的参数值。BoVW方法的最后一个阶段是计算物体与视觉词之间的相似度，一般采用欧几里得距离，将每个物体映射到一个单词，得到直方图表示中的所有单词。

在获得视觉字典的子集后，需要实现图像对象的表达式。根据池化功能z=F（年代)，将聚类后生成的高维特征向量聚合为独立的向量，并将不同特征向量的长度统一，用于线性支持向量机分类，以增强算法的抗噪声特性和鲁棒性。选择平均池化函数: 在哪里米特征向量的个数和年代是编码后的矩阵。

这里通过K-means聚类构造一组无序的视觉词汇表来表示图像，但底层特征中的空间布局信息丢失，可能导致同一物体在不同顺序下的误分类。因此，由Lazebnik等人提出的空间金字塔匹配(SPM) [12]，加入图像空间布局信息，有效解决了BoVW中空间信息缺失的问题[13］．

SPM在空间上将图像分割成金字塔形式。在本文中，l= 2作为图像空间金字塔的构造层，和 作为水平的权重值l．如果l= 0，不对图像进行分割，提取图像的全局特征直方图，权重值为1/4;如果l= 1时，将图像分割为4个块，提取每个子块的特征直方图，每个子区域的权重值为1/2;如果l= 2时，将图像分割为16个块，提取每个子块的特征直方图，权重值为1/4。然后，对三个层次的空间特征直方图进行加权并组合成图像的空间金字塔表示。基于spm的BoVW方程描述如下: 在哪里直方图表示的是我第Th字在每个子区域米th水平,d表示子区域号^， 是每个图像的权重级别，和V表示可视单词的数量，即聚类中心的数量k．

最后一步，将得到的空间布局信息与图像特征编码的高级特征融合为分类器的最终输入，通过以下线性分类函数[14]:

4.实验

4.1.实现细节

为了验证算法的有效性，选择美国GeoEye-1遥感影像作为实验数据集的来源，该数据集的空间分辨率为0.4 m。“地眼一号”高分辨率卫星具有大规模精确测绘、快速探测、地物解析等优势，为全球用户提供高质量服务。所选实验图像大小为2500 × 2100像素，经过几何校正，包含5种主要地物类型:水、农田、建筑物、道路和裸地。此外，从遥感实验图像中每种类型的物体中随机抽取150个patch来训练分类算法并评估分类性能。实验图像如下图所示。我们的模型是使用PyTorch v1.0实现的，并在一个具有12 GB内存的NVIDIA Titan X GPU、CUDA 10.0和cuDNN 7.4.1 (https://pytorch.org/）.

4.2.Hyperparameters优化

为了获得本文算法中出现的关键可调参数，包括视觉字典的尺度、训练样本的数量以及RmRMR准则的权重因子，我们在训练过程中经验地选择了模型配置的不同超参数，并在实验中使用这些最优超参数进行对比推理。

可视字典的规模由聚类参数决定k，这将影响本文算法的分类能力。此外，为了验证本文提出的RmRMR标准在视觉词选择上的有效性，本节比较了RmRMR算法和K-means聚类算法的分类精度，并检验了不同视觉词典尺度对这两种算法分类的有效性。K-means算法中的聚类超参数k以及RmRMR算法中字典子集的大小d赋值范围为200 ~ 1200，其他超参数保持不变，以20次实验的平均分类精度作为评价结果。

从图3.，当视觉词典规模较小时，两种算法的平均分类准确率都相对较低。这是因为在视觉字典不完整的情况下，图像内容描述不充分，容易将图像中的不同物体归为一组，从而降低了分类精度。随着视觉字典规模的增加，算法的分类准确率急剧提高，RmRMR算法中的增长速度更高。这表明，当视觉字典中的单词数大于约600时，所提出的算法具有独特的优势。这是因为字典的大小是用K-means算法控制的，所以冗余的特征总是包含在字典中，可能会映射到其他单词。此外，词汇与特征之间的映射可能存在偏差，视觉词汇无法准确描述图像信息，从而导致分类结果不理想。但RmRMR视觉选词算法对单词进行加权，保留权重最高、对分类贡献最大的单词，同时全局考虑单词与类之间的冗余性和相关性。从而提高图像的分类精度。此外，当视觉字典包含1400个以上条目时，由于视觉字典过大，两种算法的分类精度往往会降低，将相似的图像对象分为两类，从而增加了计算负荷，降低了分类精度。采用该算法的字典子集参数可以获得最佳的算法效果d设置为800。

在本节中，我们从实验区的遥感图像中选取图像补丁:选取了五个类别的150张图像。目的是训练所提出的分类算法并评估其分类精度。通过实验比较了不同训练样本数量对分类精度的影响。为了进行实验，每个图像类别分别选择40、60、80、100和120个训练样本;其他数据保持不变。选取20次实验的平均分类准确率作为评价结果。此外，为了验证所提算法的有效性，选取经典的BoVW算法作为参考，使用不同数量的训练样本对图像进行分类。

实验结果如图所示4．随着训练样本数量的增加，两种算法的分类精度不断提高。当训练样本数量大于40时，本文算法的平均分类准确率高于经典BoVW算法，且具有更明显的倾向。分析表明，当训练样本数量较少时，模型学习不足以全局描述图像信息，导致分类效果较差。另一方面，训练样本越多，分类准确率越高。然而，随着样本数量的增加，数据冗余度不断增加，分类精度趋于平稳。本文提出的分类算法优化了遥感图像的特征提取过程。具体来说，它提取了图像的多特征，捕捉了不同物体的空间结构信息。结果表明，该算法在特征表示方面表现出了更强的能力，即使在样本较小的情况下，其分类精度也优于经典的BoVW算法。在本实验中，如果将训练样本数量设置为800个，将会达到最好的效果。

部分3.引入一个权重因子α引入所提出的字典判别函数，以平衡词与词之间的冗余和词与类之间的相关性。本节考察了权重因子对分类性能的影响。在实验中，α选取= 0、0.2、0.4、0.6、0.8、1作为实验超参数，保持其他参数不变，比较不同值下的分类精度。

实验结果如图所示5．时，分类准确率最高α= 0.6，时最小α= 0。分析表明，对于高分辨率遥感图像，词与类之间的相关性对分类结果的影响大于词与类之间的冗余性对分类结果的影响。时，分类准确率最低α= 0，即不考虑词与类的相关性。该算法通过计算互信息来选择视觉词α^{= 1,}也就是说，当忽略单词之间的冗余时。该算法平衡了相关性和冗余度α= 0.5，但分类结果不是最好的。最佳的分类结果是在α高分辨率遥感影像=0.6。因此，RmRMR算法将选择更多的词与类之间相关性高的词来获得全局判别的字典子集，并且字典中允许有少量冗余词。

4.3.定性结果

为了验证所提算法的有效性和复杂性，本节对同一幅高分辨率遥感影像进行了不同方法的分类实验:基于像素的分类[15]，经典BoVW分类[16]，基于对象的分类[17]，基于特征的分类[18]，以及建议的分类。

采用上述方法进行分类实验。该算法采用灰度协同出现矩阵(GLCM)提取纹理特征，选取熵、同质性、不相似性和角秒矩4个特征，相邻窗口大小为5×5，步长为1。经典BoVW算法采用SIFT和谱特征提取底层特征，训练样本数量为120个，字典大小为800个，SVM分类器中选择RBF核函数。基于目标特征的SVM算法也选择SIFT和光谱特征，核函数为RBF。其他实验参数保持不变。

对比结果如图所示6其中，基于像素的最大似然分类方法容易出现误分类和琐碎的盐和胡椒噪声，而其他四种面向对象的分类方法得到的结果更完整清晰，更符合人类的视觉体验，几乎没有盐和胡椒噪声。基于像素的分类算法(图6(a))因为它使用个别的光谱特征，并以像素为单位进行分类，所以对面积较大的地物保持均匀性;但是，它不能准确、全面地表示高分辨率遥感图像的信息。面向对象的分类算法有效地克服了这些不足。图之间的比较6(c)和6(f)表示经典BoVW分类算法的结果存在误分类和遗漏对象，因为如果视觉词与类之间的相关性不足或词与类之间的冗余度较本文算法高，则单词无法映射到正确的类。图之间的比较6(e)和6(f)表示基于特征的分类与本文算法的分类结果相似。基于特征的分类生成一组视觉词，通过N-Gram模型对图像特征进行编码，融合感知到的形状特征和空间分布特征，取得了满意的结果。相比之下，该算法在图像预处理阶段使用了各向异性扩散滤波，分类结果边缘和细节更加清晰，能够准确区分地物。此外，在特征提取阶段选择KAZE作为底层特征之一，突出图像边缘轮廓，有效克服了边界模糊和细节丢失的问题。

4.4.定量结果

本节介绍了精度评价准则，计算了Kappa系数和总体分类精度，比较了上述五种算法的性能，并给出了本文算法的混淆矩阵。

数字7给出了该算法的混淆矩阵。结果表明，该算法容易混淆“农田”和“裸地”，因为它们包含许多相似的特征点。此外，“建筑”中包含的图像内容复杂多变，个体分类准确率仅为80%;因此，它很容易被误认为是“裸地”。相比之下，“路”和“水”中包含的地物信息相对简单，分类准确率达到92%。

为了进一步证明所提算法的有效性和复杂性，表中给出了不同算法的总体分类精度、Kappa系数和总运行时间1．从整体分类精度和Kappa系数来看，本文算法的分类效果最好，而基于像素的最大似然算法的分类效果最差。该算法是一种面向对象的分类方法。在图像特征提取和表示阶段，对bov算法进行了优化，实现了多特征提取和融合，提高了分类精度。但是，该算法的总运行时间比经典bov算法慢了约300s，计算量增加。另一方面，其总体分类精度比基于方法特征的分类算法提高2.1%，比基于像素的最大似然分类算法提高33.3%。

5.结论

提出了基于bovw的高分辨率遥感图像分类方法。利用RmRMR算法，建立字典行列式函数来筛选词与词之间冗余度最小、词与类之间相关性最大的字典子集。实验结果表明，该算法能够全面准确地描述图像内容，弥补高、低特征之间的差距。与传统分类算法相比，该算法提高了字典的识别能力，减少了冗余信息。最终遥感图像的平均分类准确率为88%。该方法为高分辨率遥感图像分类提供了一种新的方法。未来的工作将把提出的算法应用到航空视频场景分类任务中，我们将利用循环神经网络(RNN)在处理动态定时问题方面的优势来改进算法。

数据可用性

用于支持本研究结果的美国GeoEye-1遥感图像数据集可在https://www.satimagingcorp.com/gallery/geoeye-1/．

利益冲突

作者声明，本文的发表不存在任何利益冲突。

致谢

本文是国家自然科学基金项目(no . 61906097)和江苏省高等学校学术发展重点项目(PAPD)的资助项目。

参考文献

1. 杜平，夏杰，薛振等，“高光谱遥感影像分类研究进展”，遥感学报， vol. 02, pp. 236-256, 2016。视图:谷歌学者
2. D. Lu和Q. Weng，“提高分类性能的图像分类方法和技术综述”，国际遥感杂志，第28卷，no。5, pp. 823-870, 2007。视图:出版商的网站|谷歌学者
3. Y. Zhao和B. Li，“基于弱监督E2LSH和显著图加权的目标分类方法”，电子与信息技术杂志， vol. 38, pp. 38 - 46, 2016。视图:谷歌学者
4. L. Yang, R. Jin, R. Sukthankar等人，“统一区分可视码本生成与分类器训练的对象类别识别”，在IEEE计算机学会计算机视觉和模式识别会议， pp. 1 - 8,2008。视图:谷歌学者
5. B. Epshtein和S. Ullman，“对象分类的特征层次结构”，在第十届IEEE计算机视觉国际会议， pp. 220 - 227,2005。视图:谷歌学者
6. S. Kim, I. Kweon和C. Lee，“使用熵引导码本对大型类内变化具有鲁棒性的视觉分类”，在IEEE机器人与自动化国际会议， pp. 3793-3798, IEEE探索，2007。视图:谷歌学者
7. H. Peng, F. Long，和C. Ding，“基于互信息的特征选择:最大依赖，最大相关性和最小冗余的标准，”模式分析与机器智能汇刊，第27卷，no。8, pp. 1226-1238, 2005。视图:出版商的网站|谷歌学者
8. y太阳和j·李,“迭代救济功能权重,”第23届机器学习国际会议论文集，第913-920页，美国宾夕法尼亚州匹兹堡，2006年6月。视图:谷歌学者
9. R. Datta, D. Joshi, T. Li等人，“图像检索:新时代的思想、影响和趋势”，ACM计算调查，第40卷，no。5, 2008。视图:出版商的网站|谷歌学者
10. M. a . Hossain, X. Jia，和M. Pickering，“使用互信息度量进行高光谱图像分类的子空间检测，”IEEE地球科学与遥感通讯，第11卷，no。2，页424-428,2014。视图:出版商的网站|谷歌学者
11. 余杰，徐杰，张磊等，“基于改进KAZE特征的组合雷达匹配算法”，上海交通大学学报2018年，中国科学院学报，vol. 49, pp. 1288-1292。视图:谷歌学者
12. S. Lazebnik, C. Schmid和J. Ponce，“超越特征袋:识别自然场景类别的空间金字塔匹配”，在IEEE计算机学会计算机视觉和模式识别会议论文集，第2卷，第2169-2178页，美国加州洛斯阿拉米托斯，2006年6月。视图:谷歌学者
13. Q. Zhu, Y. Zhong, B. Zhao等人，“结合局部和全局特征的高空间分辨率图像的视觉词袋场景分类器”，在IEEE模糊系统与知识发现国际会议论文集，第717-721页，Los Alamitos, CA, USA, 2015年8月。视图:谷歌学者
14. 彭晓霞，闫睿，赵博，唐海华，易志强，“基于空间金字塔匹配的快速低秩表示图像分类，”以知识为基础的系统《中国科学》，2015年第3期，页14-22。视图:出版商的网站|谷歌学者
15. 周勇，刘晓霞，赵娟，马东东等，“基于旋转不变特征学习和联合决策的遥感场景分类，”图像和视频处理杂志， 2019年第1期。1, 2019。视图:谷歌学者
16. C. Zhang, X. Pan, H. Li等，“一种用于高分辨率遥感图像分类的混合MLP-CNN分类器，”摄影测量与遥感杂志2018年，中国科学院学报，vol. 140, pp. 133-144。视图:出版商的网站|谷歌学者
17. 杜培，李恩，夏杰，A. Samat，白X.，“基于特征和模型级融合的预训练CNN遥感场景分类，”IEEE应用地球观测与遥感专题杂志，第12卷，no。8，页2600 - 2611,2019。视图:出版商的网站|谷歌学者
18. E. Etemad, G. Hu，和Q. Gao，“一种基于形状特征的bovw方法，用于使用N-gram和空间金字塔编码方案的图像分类”，在IEEE图像处理国际会议论文集，页504-508，凤凰城，AZ，美国，2016年9月。视图:谷歌学者

betway赞助

betway赞助版权所有©2021陈苏婷等。这是一篇开放获取的文章，在创作共用署名许可协议它允许在任何媒介上不受限制地使用、传播和复制，前提是正确地引用原始作品。