關鍵詞：非下采樣小波變換 頻帶特征融合 指導學習 樣本融合 場景分類 

摘要：高分辨率衛星遙感圖像場景信息的分類對影像分析和解譯具有重要意義,傳統的高分辨衛星遙感圖像場景分類方法主要依賴于人工提取的中、低層特征且不能很好的利用圖像豐富的場景信息,針對這一問題,提出一種基于頻帶特征融合與GL-CNN(Guided Learning Convolutional Neural Network,指導學習卷積神經網絡)的分類方法。首先通過NSWT(Non-Subsampled Wavelet Transform,非下采樣小波變換)提取出圖像的高低頻子帶,將高頻子帶進行頻帶特征融合得到融合高頻子帶,然后聯合頻譜角向能量分布曲線的平穩區間分析實現融合高頻子帶與低頻子帶的樣本融合,最后指導卷積神經網絡自動提取圖像的高低頻子帶包含的高層特征來實現場景分類。通過對UCM_LandUse 21類數據進行試驗表明,本文方法的分類正確率達到94.52%,相比以往算法有顯著提高。

遙感技術與應用雜志要求:

{1}來稿如獲得某種研究基金或課題資助，請在論文首頁左下角注明課題的名稱和編號。

{2}本刊堅決反對任何形式的論文署名“搭便車”現象，對多作者署名的文章將進行更為嚴格的審核。

{3}文題應以新穎獨特的邏輯文字組合準確地反映研究工作的內容實質和特點,文題要求簡潔而信息量豐富。

{4}來稿在正文之外，請提供題名、內容摘要  (300-500字)、關鍵詞  (3-5條)及其英譯

{5}文稿首頁頁腳處注明投稿日期和通信作者簡介（包括姓名、出生年、性別、職稱、學位、研究方向、E-mail）。

注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社