基于机器学习的遥感图像识别算法(kNN/SVM/CNN/LSTM)（完整代码+数据集）

随着遥感卫星成像技术的提升和机器学习的蓬勃发展，越来越多的研究人员利用机器学习的方法来进行遥感图像识别，取得了很好的效果。在本次作业中，我将利用四种机器学习算法在 WHU-RS19 数据集上进行遥感图像识别的尝试，这其中既包括传统的 kNN 和 SVM，也包括近年来得到青睐的 CNN 和 LSTM 算法。本文的基本结构如下：

• 数据集
  • WHU-RS19 的简单介绍
  • 数据集的预处理与索引文档的生成
• kNN
  • kNN 的测试效果
  • 分析参数 k 对 kNN 的测试效果的影响
• SVM
  • SVM 的测试效果
  • 分析学习率和正则化参数对 SVM 的测试效果的影响
  • SVM 权值矩阵的可视化
• CNN
  • CNN 的测试效果
  • 不同网络结构对 CNN 的测试结果的影响
• LSTM
  • LSTM 的测试效果
  • 分析学习率和 dropout 值对 LSTM 的测试效果的影响
• 总结

数据集

WHU-RS19 的简单介绍

本次遥感图像识别算法采用的数据集是武汉大学提供的 WHU-RS19 数据集，该数据集包含了机场，海滩，桥，商业区，沙漠，农田，足球场，森林，工业区，草地，山，公园，停车场， 池塘， 港口， 火车站， 住宅区， 河流和高架桥总共 19 类遥感图像。图像的分辨率大都为 600×600&

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！