基于独立分量分析的遥感图像分类技术

遥感图像的自动分类方法一般基于图像的统计信息。多光谱遥感图像之间有着一定的相关性 ,对遥感图像的自动分类有不利影响。一般用主成分分析去除波段之间的相关性。独立分量分析能利用相对主成分分析更高的统计分量 ,不但可以获得去相关的效果 ,而且可以得到相互独立的结果波段图像。本文首先讨论了独立分量分析的基本原理。在此基础上 ,介绍FastICA算法 ,并对其进行改进 ,得到M FastICA算法 ,并将其应用到遥感图像的分类上。实验结果表明 ,M FastICA算法较FastICA算法收敛性大为改善 ,提高了独立分量分析在遥感图像的分类上的有效性     

基于集对分析的遥感图像K-均值聚类算法

基于欧式距离的K-均值聚类算法是一种硬分类(把每个待辨识的对象严格地划分到某个类中)方法,面对具有不确定性和混合像元特征的遥感图像数据,传统K-均值聚类算法很难得到满意的分类结果.为解决这一难题,将集对分析(set pair analysis,SPA)理论推广到遥感图像聚类算法,通过引入一个能统一描述同一性、差异性和对立性的同异反(identical discrepancy contrary,IDC)联系度,提出了基于IDC联系度的改进的K-均值聚类算法.该方法克服了传统K-均值算法硬分类的缺陷,可以有效地提高遥感图像聚类精度.对Landsat5 TM卫星数据的聚类分析实验表明,在含有混合像元的遥感图像地物覆盖分类中,改进的K-均值聚类方法的分类效果要优于传统K-均值聚类方法.     

遥感数据最小距离分类的几种算法

正近年来,遥感数据的应用在广度和深度上不断融合发展和拓展。遥感数据的分类已成为遥感地理信息系统的一门关键技术。快速、高精度的遥感图像分类算法是目前实用、先进的技术,也是研究的热点之一。传统的分类器包括:最大似然分类、最小距离分类、平行算法分类。新分类器包括:模糊分类、空间结构纹理分类、神经网络分类、决策树分类、专家系统分类。本文拟对最小距离分类的算法进行分析和概括。1传统最小距离分类     

高光谱图像波段选择的改进二进制布谷鸟算法

波段选择是高光谱遥感图像分类的重要前提，本文提出了一种用于高光谱遥感图像波段选择的改进二进制布谷鸟算法，通过使用混合二进制编码算法更新子代鸟巢和使用遗传算法交叉方式更新被发现鸟巢两个方面对二进制布谷鸟算法进行改进，找出在图像中起主要作用且相关性低的波段，实现对高光谱遥感图像降维。将本文算法运用于PaviaU数据集和AVIRIS数据集，并与二进制布谷鸟算法、二进制粒子群算法、最小冗余最大相关算法、Relief算法等进行对比分析。结果表明，改进二进制布谷鸟算法波段特征选择效率更高，且选取的波段更具代表性，能够较好地提高后续分类精度。     

属类概率距离构图的半监督高光谱图像分类

提出一种利用属类概率距离构图的半监督学习算法,并应用于高光谱图像分类。首先,该算法利用基于分类的稀疏表达方法来预估未标记样本的属类概率向量,然后,利用这个概率向量对描述数据相似性的距离函数进行改造,改造后的距离函数能有效扩大异类样本点之间的距离,在新的距离函数的度量下,每个样本点的邻域中可包含更多同类的样本点。最后,将该距离函数应用于半监督学习线性邻域传播算法和标签传播算法中。在Hyperion 和AVIRIS高光谱遥感图像上的实验结果表明：相比于传统的基于图的半监督学习算法,该算法能有效提高高光谱遥感图像分类精度。     

基于Log-Gabor小波和Krawtchouk矩的遥感图像分类

为了进一步提高遥感图像分类的精度,提出了一种基于Log-Gabor小波和Krawtchouk矩的遥感图像分类算法。首先利用Log-Gabor小波对遥感图像进行多方向、多分辨率滤波,提取遥感图像的纹理特征;同时计算遥感图像的Krawtchouk矩不变量,作为遥感图像的边缘形状特征,并与基于Log-Gabor小波提取的纹理特征构成完整的特征向量;最后依据所提取的特征向量利用支持向量机(support vector machine,SVM)分类器对待分类图像进行分类,得到最终的遥感图像分类结果。实验结果表明,与近年来提出的基于Gabor小波、基于Log-Gabor小波、基于Krawtchouk矩等3种遥感图像分类算法相比,本文算法在主观视觉效果和分类精度等客观定量评价指标上都有了明显的改善,是一种行之有效的遥感图像分类算法。     

决策树分类法及其在遥感图像处理中的应用

首先阐述了决策树分类器的结构与理论基础,并就决策树算法的发展趋势进行了归纳总结。然后结合遥感图像分类的特点,探讨了决策树分类法的实现方法和关键问题。在此基础上,以徐州市TM影像为数据进行了分类试验。试验说明了决策树分类法在遥感图像处理中的具体实现过程,并且试验结果表明该方法在依据感兴趣区类别进行图像分类时效果较好。     

基于核空间的多光谱遥感图像分类方法

提出了多光谱遥感图像分类方法中解决非线性问题的一种思路。通过引入核空间理论,将在输入空间中不能线性分类的问题映射到一个可以进行线性分类的高维空间,并利用核函数避免了在高维空间中运算的复杂度,较好地解决了非线性分类问题。利用这种思路,本文对一种比较简单的分类算法———自适应最小距离分类方法加以改进,并将其应用于多光谱遥感图像的分类中,提出了一种核函数的选择策略。     

改进的K-means算法在遥感图像分类中的应用

遥感图像分类时,如果类别不明,K-means算法随机选取不同初值会导致分类结果有较大的差异.针对此问题,提出了一种改进的K-means算法.首先对遥感数据进行对数变换;然后采用主成分变换,依据主成分贡献率(≥85%)选择参与分类的主成分数;根据第一主成分的概率密度函数确定初始分类数和初始分类中心,并确定初始分类标签作为...     

递归滤波与KNN的高光谱遥感图像分类方法

为了有效去除高光谱图像中的噪声,强化空间结构,充分利用地物目标的空间上下文信息,提升高光谱图像的分类精度,提出一种基于递归滤波(recursive filtering,RF)和KNN(k-nearest neighbor)算法的高光谱图像分类方法。首先,利用主成分分析法对高光谱图像进行降维;其次,通过RF算法对降维后的主成分图像进行滤波,以增强遥感图像的轮廓特征;然后,采用KNN算法计算测试样本与不同类别训练样本的欧式距离,根据比较k个最小欧式距离的平均值得到测试样本所属类别;最后,在2个典型的数据库上进行实验验证,并分析所提算法中不同参数对分类精度的影响。实验结果表明,RF算法可以有效地去除噪声点,强化图像轮廓,与其他高光谱图像分类方法相比,该方法在分类准确性方面表现突出。     

GABA算法的遥感图像分类

为了弥补蝙蝠算法后期收敛速度慢、寻优精度不高、易陷入局部最优值的缺点,本文提出了一种新的遥感图像分类算法--GABA算法,该算法将遗传算法中的选择、交叉、变异操作应用到蝙蝠算法中,使蝙蝠算法具有变异机制,避免种群个体陷入局部最优,提高了算法全局寻优能力,增加了蝙蝠算法的多样性。同时,为了突出本文算法的优点,试验将蝙蝠算法、K-means算法、粒子群算法与本文算法结果进行比较,分析评价遥感图像的分类结果。试验表明本文算法在遥感图像分类应用中既提高了分类精度又减少了分类时间,是一种可行、有效的遥感图像分类方法。     

高光谱遥感图像的监督分类

图像分类是高光谱遥感图像分析与应用的重要手段。总结了目前用于高光谱图像监督分类的主要方法,包括最小距离法、最大似然法、神经元网络法和支持向量机法,分析了上述方法的特点,并探讨了高光谱遥感图像分类方法的发展趋势。     

遥感图像蚁群算法和加权图像到类距离检索法

遥感图像检索目的是从遥感图像库中寻找出与查询图像相关的图像,但在检索过程中一般只考虑查询图像与待检索图像的相似度,通常忽略了遥感图像库中图像之间的语义相似度.针对该问题,本文提出一种基于蚁群算法和改进的加权图像到类距离的遥感图像检索算法.首先利用信息素浓度描述遥感图像库中图像之间的语义相似度,然后采用蚁群算法更新信息素浓度,最后在检索过程中,充分利用图像之间的语义相似度,提升遥感图像检索性能.此外,还改进了一种加权图像到类距离,用于提高度量查询图像与待检索图像间的相似度准确性,从而进一步提升检索性能.在两个公开的遥感图像数据集(UCMD和PatternNet)上的试验结果表明,本文方法能够取得比现有方法更好的检索结果.     

利用改进的FCM方法分割高分辨率遥感影像

传统的模糊C均值聚类算法进行图像分割时只考虑了图像的灰度特征,而忽略了图像中丰富的空间邻域信息,从而导致该算法对噪声很敏感,并得到错误的分割结果。提出两种利用空间信息改进的模糊C均值聚类算法分割高分辨率遥感影像,并通过大量试验验证其有效性,该算法可减少错误分类像素的数目,降低噪声的影响,提高分割结果的精度。     

一种云模型和期望最大聚类的遥感影像分割算法

为解决遥感影像分割中存在的不确定性问题和传统层次聚类算法中存在的时间复杂度高、缺乏可再分性等缺陷,基于云模型和期望最大聚类提出了一种新的遥感影像分割算法。该算法首先使用峰值法云变换从影像中抽取底层概念,然后通过EM算法对底层概念进行聚类,最后通过极大判别法完成遥感影像分割。实验证明,EM算法进行概念聚类能够快速地将概念分类为指定个数,并估计出高阶云概念的数学特征,相比于传统的基于云模型的遥感影像分割算法具有更好的分割效果。     

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.     

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。     

高分一号多光谱遥感数据的面向对象分类

文章针对高分一号(GF-1)高分辨率遥感数据,提出了一种基于多特征的面向对象遥感图像分类算法:首先,对GF-1卫星数据进行分水岭分割,并利用仿射不变矩形状特征算子获得遥感图像的几何特征;其次,利用主成分分析和灰度共生矩阵获得遥感图像的纹理特征;然后,基于多特征数据进行均值漂移滤波,并利用自动标记分水岭分割方法实现遥感图像分割;最后,结合基于像元的最大似然监督分类结果做投票分类处理,从而实现面向像元与面向对象相结合的遥感数据分类.以高分一号遥感数据进行分类实验,结果表明:本文方法可有效地提高遥感图像分类精度.     

基于Contourlet域Hausdorff距离和粒子群的多源遥感图像匹配

为了进一步提高多源遥感图像的匹配精度和运算效率,本文提出了一种利用Contourlet变换、Hausdorff距离和改进粒子群的遥感图像匹配算法。在分别对目标图像和参考图像进行Contourlet分解的基础上,采用小波模极大值法提取低频图像的边缘信息,以LTS-HD作为图像匹配的相似性度量准则,并利用一种带极值扰动的简化粒子群优化算法对低频边缘图像进行匹配操作,得到粗匹配点;然后根据粗匹配点的位置反演计算到原始图像,进行精匹配,最终实现全分辨率情况下遥感图像的匹配。实验结果表明,该算法与目前常用的遥感图像匹配算法相比,不仅具有更高的匹配精度和运算效率,还有较强的鲁棒性。     

基于RBF神经网络的遥感影像分类算法研究

提出了运用径向基函数神经网络和K均值法进行遥感影像分类的算法，以实际的遥感影像分类为例，通过与传统的最小距离法进行比较，对RBF神经网络分类器的优点进行了归纳，并就算法实施中的一些问题进行了探讨。分析结果表明，RBF神经网络是一种有效的图像分类器。