科研产出
基于改进河马优化算法的高光谱波段选择
《测绘地理信息 》 2025 CSCD
摘要：高光谱降维是农作物遥感分类的关键环节,通过去除冗余信息保留有效特征信息,从而提升分类准确率.波段选择作为高光谱降维的一种核心手段,通常依赖于特定的优化算法和遥感任务来定量评估波段的重要性,并据此挑选出最佳波段子集.然而,现有的波段选择算法存在收敛速度慢、易陷入局部最优等问题.为此,提出了一种基于改进河马算法的高光谱波段选择算法,旨在为具有相似光谱特征的农作物精细分类提供一种高效的波段选择方法.首先,提出了一种离散化策略,并据此对HO算法进行了修正,从而形成了适用于波段选择的DHO算法.其次,分析了HO算法在波段选择中全局搜索效率不高和局部精细搜索能力不足的问题,并针对这些问题提出了自适应防御策略和非线性逃离策略,同时将这些策略与离散化策略相结合,形成了ID-HO算法,以提升DHO算法在波段选择中的性能.最后,基于农作物精细分类的应用场景,以Jeffries-Matusita距离为核心变量创建适应度函数,并使用改进后的河马算法(DHO、IDHO)与其他元启发式优化算法(ACO、GA)进行波段选择,再将优选的波段子集输入到U-Net模型进行分割.结果表明,DHO和IDHO在收敛速度和精度方面均优于ACO和GA.特别是IDHO,在不显著增加计算成本的前提下,实现了比DHO更高的收敛精度,展现了其更强的优化能力.此外,由IDHO筛选出的波段子集在进行分类时也达到了更高的精度.
全文链接
请求原文
用于农作物种植信息提取的图像分割技术研究进展
《南方农业 》 2023
摘要：为了解农作物种植信息提取领域的图像分割技术研究现状,对常用的图像分割方法进行了系统性梳理.根据是否引入深度学习算法将图像分割技术分为传统方法和深度学习分割方法.简要概述了阈值分割、分水岭分割、聚类分割、边缘分割及多尺度分割等4种传统图像分割方法和FCN、Deep-Lab及SegNet等3种基于深度学习的图像分割方法,分析了各种方法在农作物种植信息提取中的优缺点,以及图像分割技术目前存在的难点,以期为提高图像分割技术在农作物种植信息提取中的应用水平提供参考.
全文链接
请求原文
首页上一页1下一页尾页
