影像增强对 ISODATA 遥感影像分类结果的影响

ISODATA算法是遥感影像非监督分类的典型算法之一。在进行非监督分类前,需要对遥感影像进行必要的处理,影像增强就是其中最为重要的步骤之一。本文通过对ISODATA算法和影像增强算法的阐述,分析了影像增强算法与非监督分类结合的方式和局限性。并通过实验分析了常用影像增强算法对非监督分类结果的影响,科学合理的选择适当的影像增强算法来提高非监督分类的可靠性。     

一种模糊聚类的遥感影像分析方法研究

针对传统模糊聚类的遥感影像分析方法的不足,重点研究基于模糊ISODATA聚类的遥感影像分析。通过Matlab软件编程实现基于迭代自组织数据分析技术、模糊C均值聚类、模糊ISODATA算法对合成图像、纹理图像及真实遥感影像的分类,并对其分类结果进行讨论。通过实验数据对比,评价FISODATA算法的优越性。实验结果表明:ISODATA算法及FISODATA算法都能够实现变类,而FCM算法只能在固定聚类数下进行分类,但是,ISODATA算法分类机制不稳定,不能每次都确定正确聚类数。在迭代过程中,将FISODATA算法引入模糊集理论,便能够快速准确的实现聚类数的确定。     

基于Landsat-8的遥感影像分类研究

遥感影像分类在专题信息提取、地表动态监测以及专题地图制作等应用中具有重要作用,传统的分类方法可以分为监督分类和非监督分类,因算法成熟、操作简单,这两类方法仍然是当前使用较广泛的分类方法,但从理论、过程以及使用范围条件上二者都不相同,各有其优缺点。鉴于这种现状,本文采用Landsat-8 OLI焦作地区遥感数据分别基于监督与非监督中的各种算法进行土地覆盖分类,并对分类结果进行比较分析和精度评价,以期为实际工作中根据不同需求选取适当分类器提供依据。研究结果表明:监督分类中最大似然法分类精度相对较高,漏分错分最少,总体分类精度达到87.152%;非监督分类中ISODATA算法从聚类效果、漏分错分以及计算时间上综合分析要优于K-均值分类;另外,不同分类算法对不同地物类型的解译效果不同。     

三凯高速路域ZY-3影像分类方法对比研究

以贵州省三凯高速路段资源三号遥感影像为例,对比分析支持向量机监督分类、ISODATA非监督分类以及SVM面向对象分类方法的成果与精度,研究这三种分类方法在资源三号影像分类上的适用性。研究结果表明,监督分类与面向对象分类效果良好,其总体分类精度、Kappa系数等指标,都要明显优于非监督分类。对于不同地物分布以及光谱信息的资源三号影像,监督分类与面向对象分类各有优势,可以视情况选择。     

一种快速区分易混农作物的遥感解译方法

在对冬小麦、油菜两种农作物进行遥感非监督分类时,二者很难区分,且分类精度不高。若先剔除原始遥感影像中的非冬小麦、油菜种植区,再使用ISODATA算法进行二次非监督分类,则可较容易地区分易混的冬小麦和油菜。结果表明,冬小麦二次分类精度比初始分类精度提高了20.6%,油菜二次分类精度比初始分类精度提高了19.4%,从而显著提高了农作物的遥感解译分类精度,大大减少了人工目视解译工作量。同时,该方法也为其他易混农作物的遥感解译工作提供了一种解决问题的思路。     

一种遥感影像自动识别耕地类型的机器学习算法

耕地作为重要的土地资源,关系着国家的粮食安全问题,因此迫切需求快速准确获取耕地信息的方法。传统的遥感影像监督分类方法以训练样本和待分类像元/图斑的光谱特征或纹理特征的一致性作为分类依据,这对训练样本的依赖性较强。对此提出了一种基于影像窗口子区的耕地类型自动识别算法,通过提取一定大小影像窗口子区的多光谱和多层次特征,利用机器学习算法,实现影像窗口子区耕地和非耕地类型的自动判别。依据该算法,可以通过建立某个区域内遥感影像耕地类型的特征库,实现对影像窗口子区类别的非监督自动判别,提高目前分类算法的自动化程度。以东北地区高空间分辨率遥感影像为例进行实验,精度达到了90. 8%。该算法为耕地信息自动化快速获取提供了技术支持,也可用于遥感影像中某一种纯净地物类型的快速提取。     

基于ERDAS的遥感影像分类方法研究

为了提高遥感影像分类精度,对传统的非监督分类、监督分类和专家分类进行机理分析,提出将影像中的纹理信息作为专家知识改进分类精度的技术方案。以胶州市QuickBird遥感影像作为试验数据,基于ERDAS IMAG-INE 8.6软件平台,对非监督分类、监督分类和专家分类进行实验数据比较分析,实验数据表明改进的专家分类方法分类精度最高,由于纹理信息参与专家分类,可较好地解决“同谱异物”和“同物异谱”对分类的干扰,优化分类后的影像,提高信息提取的准确度。     

可扩展的迭代自组织分析并行处理算法

随着遥感影像数据量的增加,传统非监督分类迭代自组织分析(ISODATA)算法的运算将十分耗时,应用并行计算技术能够有效解决该性能瓶颈。针对现有基于并行计算模型MapReduce的遥感迭代自组织分析并行算法存在的局限性,提出一种可扩展的基于MapReduce的迭代自组织分析并行处理算法。该算法通过其包含的全局子采样算法、聚类中心点集合过滤算法以及聚类映射算法,有效克服了现有并行算法中存在的不足。实验结果表明,在同等规模遥感计算中,该算法效率高于现有并行处理算法,具有良好的加速比,且在处理更大的影像块时具有更高的精度。     

基于BP人工神经网络的遥感影像分类

重点讨论了遥感图像分类处理过程中应用效果显著的BP神经网络方法,并在Matlab软件平台下对基于BP神经网络的分类算法进行了研究,最后将它的分类结果与ERDAS软件平台下的监督分类结果进行分类精度评定比较分析。结果表明,基于BP神经网络的遥感图像分类总精度比ERDAS软件平台下的监督分类的总精度高,是一种有效的遥感影像分类方法。     

高光谱遥感影像半监督分类研究进展

随着高光谱遥感技术的迅猛发展和应用需求的不断增加,高光谱遥感影像分类成为领域的研究热点。尽管监督学习已在高光谱遥感影像分类中取得了不错的效果,但在许多情况下,获取大规模标记样本来训练监督分类算法是困难和昂贵的。因此,利用半监督分类技术对高光谱遥感影像精准分类是一项重要的研究内容。本文首先简要介绍了高光谱遥感影像发展现状和部分应用场景。其次,本文对近年来高光谱遥感影像半监督分类研究的进展进行了综述,着重讨论了低密度分割法、生成式模型、基于分歧（差异）的方法和基于图的方法四种典型半监督分类方法的关键技术和优劣。最后,进一步讨论了半监督分类技术的潜力,为今后研究工作的优化提供思路。     

JPEG 2000压缩对遥感影像监督分类精度的影响

遥感图像压缩会影响分类精度,是值得研究的问题。以高分辨率遥感影像(Quick Bird)的监督分类精度评定为尺度,采用ER Mapper软件的JPEG 2000图像压缩模块对图像进行压缩,再在eCognition软件中对这9种压缩比图像进行面向对象的监督分类,生成分类精度报告。通过分析分类精度的变化,研究了JPEG 2000压缩对遥感影像分类的影响程度及其在遥感影像压缩方面的应用潜力。     

遥感影像提取土地覆盖信息的决策树优化方法

针对高分辨率遥感影像分类的传统ID3算法采用的信息增益熵为局部非回溯的启发式的缺点,提出了决策树引入模拟退火算法,得到一个面向影像特征优先级的优化的决策树分类算法。采用优化的决策树算法进行高分辨率遥感影像的分类,能较好地解决样本依赖性问题,并且得到一个全局优化的分类结果。通过实验,对农村地区的SPOT影像进行分类,并且通过对较优尺度下优化的决策树算法与神经网络算法和最大似然法对实验区域的影像分类精度的比较,证明了与ID3决策树分类方法相比较,优化的决策树方法能有效地提高农村地区在各尺度下SPOT影像的分类精度。     

多光谱遥感影像植被覆盖分类研究进展

利用多光谱遥感影像进行植被覆盖分类是目前遥感技术应用的热点研究领域之一。在广泛调研文献的基础上,综述了近年来多光谱遥感影像植被分类研究现状和进展,较全面深入地分析了各种植被分类特征、分类算法的优缺点、适应性和应用情况,指出了当前面临的难点和挑战,并对未来发展趋势进行了展望。未来多光谱遥感影像的植被分类不仅要从分类算法上进行创新,提高分类器的自动化程度、分类效率和学习速度,扩大适用范围,增强鲁棒性,而且同样不能忽视对植被分类新特征的挖掘,提高特征的可分性,融合多源数据、利用多时相影像、挖掘更多新特征参与植被分类是未来的发展趋势。     

基于分类规则挖掘的遥感影像分类研究

分析了目前遥感影像的统计分类、神经网络分类及基于符号知识的逻辑推理分类方法的优缺点.以GIS为平台,构建了多源空间数据库,将数据挖掘的思想和方法引入遥感影像分类中,提出了面向分类规则挖掘的遥感影像分类框架.针对遥感光谱数据及其他空间数据的特点,定义了连续属性样本分类概念和分割点评价指标,提出了一种新的连续属性样本分类规则挖掘算法.选择一个试验区,采用该算法分别对遥感光谱数据、遥感光谱和DEM数据相结合的数据进行分类规则挖掘、遥感影像分类和分类精度比较.结果表明：（1）该算法具有较高的分类精度;（2）加入DEM等与分类相关的其他空间数据可以提高遥感影像的分类精度.通过挖掘分类规则进行遥感影像分类,扩展了基于知识的逻辑推理分类方法中知识获取渠道,提高了分类规则获取的智能化程度.新的连续属性样本分类规则挖掘算法,扩展了归纳学习算法对连续属性样本分类的适应性.     

国外四大遥感软件影像分类过程及效果比较

以Landset卫星影像为例，分别使用ERDAS、ENVI、ERMapper、PCI软件进行监督分类和非监督分类。通过对分类操作过程和分类结果的比较，对国外四大遥感软件做出来综合评价。     

一种基于高斯混合模型的遥感影像有指导非监督分类方法

提出了一种遥感影像非监督分类的新方法GMM-UC。该方法以有限混合密度理论为基础,认为遥感数据由有限个子高斯分布以一定比例"混合"而成,通过改进EM算法自动确定子高斯分布及其参数,再从中"还原"出各个地物类(各子高斯分别对应一类地物)。实验结果表明,该方法获得了较好的分类效果,一定程度上避免了传统非监督分类方法的缺陷,扩大了非监督方法的应用范围。     

基于遥感影像数据的土地利用动态监测

以松原地区TM影像为实验数据,利用遥感分类软件通过最大似然法作为平行六面体判别规则对遥感影像数据进行监督分类,并通过遥感影像地图代数和拓扑运算,完成了土地动态监测过程.     

结合L0平滑和超像素的高空间遥感影像非监督分类

针对基于像元的非监督分类方法对高空间遥感影像分类时易形成“椒盐”噪声和产生大量错分、漏分的问题,提出了一种结合L0平滑和超像素的非监督分类方法．首先采用L0算法对高空间遥感影像进行平滑操作,减少大量图像噪声及冗余信息;然后采用简单的线性迭代聚类（SLIC）超像素方法处理平滑后图像,进一步抑制椒盐现象的同时降低处理复杂度,得到初始聚类图;最后采用K-means非监督分类方法得到最终分类结果图．为验证本文提出的方法,选取3景高空间遥感影像作为实验数据．试验结果表明,采用提出的方法能准确对地物分类,且总体精度分别达到了72.46％、77.55％和78.44％,Kappa系数分别达到0.788、0.779和0.779．提出方法能有效解决分类中存在的“椒盐”现象,可提高分类精度,对高空间遥感影像分类具有一定的参考价值．      

决策树算法在西藏遥感影像分类中的应用研究

将决策树算法引入到遥感影像分类中,以提高分类的精度。首先对影像进行预处理,然后利用C5.0算法在分析地物光谱特征、纹理特征、归一化植被指数的基础上,自动提取分类规则,构建决策树,实现地物的自动分类。为验证该算法的有效性,选取西藏某地区TM影像作为实验数据,与监督分类的精度进行对比,实验结果表明,决策树分类方法能取得较好的分类效果。     

卷积神经网络在高分遥感影像分类中的应用

针对目前应用于高分辨率遥感影像分类的常用算法,其精度已无法满足大数据环境下的分类要求的问题,该文提出了卷积神经网络分类算法。卷积神经网络模型降低了因图像平移、比例缩放、倾斜或者共他形式的变形而引起的误差。在大数据环境下,采用卷积神经网络算法对高分辨率遥感影像进行分类,避免了特征提取和分类过程中数据重建的复杂度,提高了分类精度。通过实验比对分析,证明了卷积神经网络在高分辨率遥感影像分类中的可行性及精度优势,对遥感图像处理领域等相关工作提供了参考价值。