共查询到19条相似文献,搜索用时 531 毫秒
1.
基于Landsat的多分类器集成遥感影像分类 总被引:1,自引:0,他引:1
针对传统的单分类器分类精度低,难以满足遥感影像分类精度要求高的问题,该文提出了一种多分类器集成分类方法。该方法有效地将支持向量机算法、C4.5决策树算法和人工神经网络算法进行了组合,实现了多种分类器集成的优势互补,在提高单个类别分类精度的基础上实现了整体精度的提高。该文基于Landsat遥感影像,利用多分类器集成分类技术,获取广州市自1987年以来的土地利用/地表覆盖数据,以平均3年为一个时段,共制作11期数据。实验结果表明,产品分类的平均精度达到88.12%,Kappa系数平均值达到0.868,高于3种基分类器的分类精度,对各种地物的分类精度也明显提高。 相似文献
2.
地理信息系统支持下的山区遥感影像决策树分类 总被引:6,自引:2,他引:6
山区遥感影像分类是遥感研究的一大难题。本文利用一种决策树生成算法(C 4.5算法)自动提取知识,基于知识建立决策树用于山区影像分类,并结合研究区土地利用类型与DEM空间统计关系的先验知识,在GIS空间分析的基础上进行影像分类的后处理。与传统的最大似然法分类结果相比,该方法极大地改善了山区地表覆被分类的精度,得到试验区较为可靠的遥感分类图像。 相似文献
3.
4.
传统的遥感影像是依据地物的波谱信息来进行分类的。这往往会产生"同物异谱,异物同谱"的问题,使得分类精度和效果不理想。因此本文采用基于专家知识的决策树C4.5法,利用地物的波谱信息、归一化植被指数、主成分分析等特征构建决策树,与监督分类中的支持向量机法、最小距离法去比较。实验结果表明,几种分类方法中,决策树法分类法的分类规则易于理解,准确率较好,所需分类时间短,总体分类效果最为理想,验证了决策树法在遥感影像分类领域的优势。 相似文献
5.
一种基于蜂群智能算法的遥感影像分类方法 总被引:1,自引:0,他引:1
结合仿生智能计算方法,提出了一种基于人工蜂群算法的智能式遥感分类方法。采用模仿蜜蜂采蜜行为的群智能优化算法,自动搜索遥感影像各波段的最优分割点,定义各波段最优分割点和地物类别节点的连线为蜂群搜索路径,构造以If-Then形式表达的遥感分类规则。该智能式遥感分类方法不需使用数学公式,能更清晰地表达地物分类中的复杂关系。将该方法应用于长江口北岸ALOS影像分类中,取得了较好的分类结果,并与See5.0决策树方法进行了对比分析。研究表明,蜂群智能遥感分类的总体精度和Kappa系数均比See5.0决策树方法更高,该智能遥感分类方法具有更好的分类效果。 相似文献
6.
7.
8.
遥感技术革命性地拓展了人类观测地球的手段和能力,遥感数据理解已成为当前认知地球变化、了解人类活动的重要工具。遥感影像分类是遥感图像理解的基石,在地物观测和变化检测等领域正发挥着关键作用。现有机器学习方法多基于图像直接提取图像特征预测类别标签,然而图像特征与类别标签之间存在较大的语义鸿沟,面向少样本、细粒度的遥感影像进行分类仍是当前非常具有挑战性的任务。 相似文献
9.
基于深度神经网络模型的遥感影像地物检测取得了巨大成功,很大程度上得益于大规模数据集的支撑。但是,从现有遥感影像数据集本身来看,不同类别地物的数量分布不一致,同类地物对象以不同尺寸大小呈现,是导致地物样本的尺度不均衡问题的直接因素。对此,本文采用数据集内影像加权融合与地物多尺度特征选择的策略来缓解该问题。首先,将数据集内两张影像的像素值进行加权并得到融合后的影像,从而使不同类别地物样本更加均衡且具有较高的背景多样性;其次,通过选择合适尺度的特征图预测相应尺度的目标类别,且允许同一尺度目标在相邻特征图上进行预测,这样使模型能根据目标尺度进行训练;最后,基于目标中心区域的特征图预测目标边界框,预测的边界框更符合目标本身的尺度。通过在两个遥感数据集上分别进行实验,表明训练的模型在对复杂背景下的类别不均衡目标的识别更加准确,能够适应遥感影像下不同尺度目标的识别。 相似文献
10.
11.
基于专家知识的决策树分类 总被引:1,自引:0,他引:1
基于ENVI运用专家知识的决策树分类、监督分类、非监督分类手段来实现对于Landsat TM影像和快鸟影像数据的图像分类处理,简单介绍了决策树的建立过程,以及如何进行预处理、分类后处理、精度评价。通过3种分类方式的比较,基于专家知识的决策树分类法具有分类判别规则十分灵活、分类决策树看起来很直观、分类条件清晰、分类效果好、运算效率高等特点。实验中,其分类方式的缺陷表现为分类过多、过于复杂,可能会产生错误的速度加快;决策树判别规则复杂,树形分枝多导致用户难以识别、理解、应用。 相似文献
12.
提出了一种新的基于特征选择自适应决策树的层次分类算法,用于合成孔径雷达(synthetic apertureradar,SAR)图像的分类。采用Joint Boosting算法选择出最适用于各类的特征组合,并自适应地搜索构造出一个由两类分类器构成的层次分类器,利用特征选择结果和自适应决策树进行了SAR图像的学习和推理,实现了自动分类,在国内首批极化干涉SAR数据上的实验证明了本算法的有效性。 相似文献
13.
基于ASTER数据的决策树自动构建及分类研究 总被引:6,自引:3,他引:6
在对ASTER原始9个波段数据进行各种变换处理的基础上,采用数量化指标平均可分性方法确定参与分类的最佳特征组合; 结合研究区8种主要地物类型训练数据集,分别采用最大似然法、BP神经网络法和基于See 5.0数据挖掘的决策树分类法进行分类,提取主要地物的空间分布专题信息。经过379个野外样点的验证,结果表明: 决策树算法分类性能最优,神经网络算法次之,最大似然法效果最差; 与ENVI 4.1、ERDAS 8.7提供的传统决策树建立及分类方法比较,基于数据挖掘工具See 5.0和Cart的决策树生成和分类方法具有客观、高效率、分类性能可靠和精度高等优点。 相似文献
14.
15.
16.
多分类器集成能够有效地提高遥感分类精度、降低结果中的不确定性,基于样本操作的Boosting和Bagging算法是多分类器系统常用的两种算法。针对高分辨率卫星遥感分类的需求,以Qu ickb ird数据为例,分别以BP神经网络、RBF神经网络和决策树为基分类器,对Boosting和Bagging算法的应用效果进行了实验和分析评价,结果表明Boosting算法和Bagging算法能够用于高分辨率遥感影像分类,具有较好的分类性能。 相似文献
17.
18.
高分辨率遥感植被分类研究 总被引:16,自引:0,他引:16
以南京市区的植被覆盖为研究对象,基于IKONOS遥感影像,采用决策树分类算法,根据各种植被光谱特征建立知识库,提出基于光谱信息的植被分类方法,继而结合高分辨率影像特有的纹理特征引进局部一致性指数对该方法进行改进,提出结合纹理信息的高分辨率遥感植被分类方法,分类总体精度从仅利用光谱信息的83.16%显著提高到91.89%,Kappa系数达到0.8886。采用Quickbird遥感影像对该方法进行验证,分类总体精度为91.94%,Kappa系数为0.8783,表明该植被分类方法能有效地对植被进行分类与识别,精度较高,且对于不同数据源的植被分类具有一定的普适性,为实现植被的自动化提取提供了理论依据和有效的方法途径。 相似文献
19.
综合多特征的极化SAR图像随机森林分类算法 总被引:2,自引:1,他引:1
为抑制相干斑噪声对极化SAR图像分类结果的干扰,本文提出一种综合多特征的极化SAR图像随机森林分类方法。该方法首先利用简单线性迭代聚类(SLIC)算法生成超像素作为分类单元;然后,基于高维极化特征图像,利用训练好的随机森林模型,统计决策树的分类投票数,计算各超像素的类别概率;最后,利用超像素间的空间邻域特征,采用概率松弛算法(PLR)迭代修正超像素的类别后验概率,并依据最大后验概率(MAP)准则得到分类结果;实现综合利用超像素和空间邻域特征,降低相干斑噪声干扰的极化SAR图像分类方法。实验对比结果表明:本文方法能得有效抑制极化SAR图像中相干斑噪声的干扰,得到高精度且光滑连续的分类结果。 相似文献