LIANG, Shujun; CHENG, Jing    ZHANG, Jianwei. Maximum likelihood classification of soil remote sensing image based on deep learning. []. , 24, 3, pp.357-365.   24--2021. ISSN 1794-6190.  https://doi.org/10.15446/esrj.v24n3.89750.

^a

Soil remote sensing image classification is the most difficult in the National Soil Census work. Current soil remote sensing image classification methods based on deep learning and maximum likelihood estimation are challenging to meet the actual needs. Therefore, this paper combines deep learning with maximum likelihood estimation and proposes a maximum likelihood classification method for soil remote sensing images based on deep learning. The method is divided into four parts. Firstly, the pretreatment of soil remote sensing image is carried out, including three processes: image gray, image denoising, and image correction; secondly, the target of soil remote sensing image is detected by deep learning algorithm; thirdly, the maximum likelihood algorithm is used to classify soil remote sensing image; finally, the classification performance is tested by an example. The results show that this method can effectively segment the remote sensing image of soil, and the segmentation accuracy is high, which proves the effectiveness and superiority of the method.

La clasificación de imágenes de detección remota de suelos es la más difícil en el trabajo del Censo Nacional de Suelos en China. Los métodos vigentes de clasificación de imágenes de teledetección del suelo basados en el aprendizaje profundo y la estimación de máxima probabilidad no satisfacen las necesidades actuales. Por lo tanto, este documento combina el aprendizaje profundo con la estimación de máxima verosimilitud y propone un método de clasificación para estas imágenes de teledetección. En primer lugar, se lleva a cabo el preprocesamiento de la imagen de teledetección del suelo, lo que incluye tres procesos: imagen gris, eliminación de ruido y corrección de imagen; en segundo lugar, el objetivo de la imagen del suelo se detecta mediante un algoritmo de aprendizaje profundo; tercero, el algoritmo de máxima verosimilitud se usa para clasificar la imagen de detección remota del suelo; y, finalmente, el rendimiento de la clasificación se prueba con un ejemplo. Los resultados muestran que este método puede segmentar efectivamente la imagen de detección remota del suelo, y la precisión de la segmentación es alta, lo que demuestra la efectividad y superioridad del método.

: .

        · | |     · |     · ( pdf )