11、遥感图像分类与地层边界智能检测方法研究

遥感图像分类与地层边界智能检测方法研究

1. 极化 SAR 图像分类的 Wishart Deeplab 网络

1.1 网络提出背景与优势

在极化 SAR 图像分类领域，为了进一步学习极化上下文信息和多尺度特征，提出了 Wishart Deeplab 网络。该网络能够增强复杂地形物体的平滑度，从而提升分类性能。实验结果和定量指标都证明，由于其独特的网络结构，该方法相较于其他方法具有更多优势。

1.2 未来工作展望

未来可开发一种多级深度特征融合方法，旨在抑制噪声并学习更稳健的极化特征。

2. 基于深度学习的地层边界智能检测

2.1 研究背景与意义

近年来，自主机器人技术与地质勘探相结合，产生了用于地质和地形调查的各类原型机器人。然而，机器人收集的地质信息在用于地质信息模型设计时，仍需重新处理。目前主流建模软件缺乏自动识别和校正能力，大多依赖人工处理，既耗时又难以保证数据准确性。因此，研究地质图像的智能识别方法，实现数据预处理自动化，对于加快从机器人勘探到地质建模的数据流动具有重要意义。

2.2 主要贡献

• 数据集构建 ：创建了包含超过 4100 个标注地质边界的地质报告地层边界数据集（GRSBD），以满足对地质报告地图更高分辨率和线段垂直对齐的检测需求。
• 算法提出 ：提出了一种智能地层边界识别算法，结合先进的 HT - LCNN 算法，能有效减少原始图像中的边缘间隙。

2.3 相关工作