遥感影像分类

基于新一代GPU并行计算和人工智能（AI）技术去解决光谱分析中的重点难点问题，从高光谱高维、复杂、大数据中挖掘提炼出微弱、精细、不宜被捕捉到的指纹信息，用于拓展和提高高光谱遥感在农业、林业、土壤、水体、矿产、环境监测等领域的应用范围和效率，构建新一代高效率高精度高光谱智能处理平台和系统，为客户提供数据处理服务、帮客户打造代码平台、定制化应用解决方案、软件产品和咨询服务。

高精度、高效率的高光谱图像分类与检测软件算法，可以识别弱指纹信息、精细区分相似地物、检测识别弱目标、生成分类专题图，支持大部分环境监测（比如病虫害分布图）和资源探测应用（比如岩性分类图）。然而，目前遥感软件仅仅局限于传统分类算法（比如SVM和随机森林等），效率低，不能处理稍大高光谱数据、精度低，不能捕捉弱指纹信息造成误分误判等缺点，已经成为高光谱分类应用的障碍。AZAI-Spec开发基于GPU和AI算法的新一代高光谱分类功能模块，（1）效率高，能够快速处理大范围海量高光谱图像数据、（2）提取弱指纹信息强，能够有效捕捉到相似地类的细微差异用于精细分类和识别、（3）半监督学习能力强，能够利用图像中非平稳空间相关性降低对训练样本数量要求，极大减少地面采样和训练样本标注工作量，（4）精度高，能够生成像素级精细地物分类专题图和弱目标分布专题图，用于支撑农业、林业、土壤、水体、矿产、环境监测等领域的分类制图应用。

基于 K6多光谱数据的机器视觉自动分类研究 

飞行参数：

飞行高度：400 m                          飞行速度：20 m/s；

拍照方式：等距触发                        GSD：10 cm；

飞行面积：3平方公里                      波段选取：490、550 、615、 685、 725、 940

1 处理结果 ：

真彩色RGB（R：650 nm 、G：550nm 、B：450nm ）

2  训练样本

使用训练样本采集工具对RGB图像进行显示，并且标注出训练样本进行模型训练和测试，一共标注五个类别（植被、道路、房屋、裸地和水体）。整个过程需要约半个小时。本次实验从原图上标注了约27000个像素作为训练样本，约27000个像素作为测试样本。

3  模型训练

使用训练样本去训练卷积神经（CNN）网络分类模型，用于捕捉不同地类之间的光谱差异和空间特征差异。训练使用了1块RTX 2080显卡加速计算，训练整个训练过程约一个小时。

4  训练出图

用训练得到的CNN模型进行整个18043×11483，5波段图的预测出图。训练使用了1块RTX 2080显卡加速计算，训练整个预测过程约30分钟。

5  精度分析

本次实验确定了5个类别：建筑物、裸地、道路、植被和水体。测试平均精度87.4%，逐类测试精度如下：建筑物85.7%，裸地98.3%，道路63.0%，植被95.9%，水体93.9%。