一种引入隐藏节点的贝叶斯网络方法

针对简单贝叶斯分类器(NBC)中"天真"而又苛刻的的条件独立假设,本文结合Fisher准则提出了一种在贝叶斯网络中引入隐藏节点的方法,用来松弛或放宽这个过于严格而且不现实的假设条件。隐藏节点的引入可以更好地描述问题,进而更好地解决贝叶斯网络在分类中的应用。实验分析表明,本文提出的方法可以比NBC获得更高的分类精度和更好的稳定性。在训练样本不多的情况下,平均分类精度比PCA-NBC高3%之多。     

基于Tree Augmented Naive Bayes Classifier的影像纹理分类

提出了一种松弛方法，允许类别节点下的相邻子节点之间存在相关关系（有向边），这种方法称为树增强型简单贝叶斯分类器（tree augmented naive Bayes classifier，TAN）。实验结果表明，TAN比简单贝叶斯分类器（naive Bayes classifier，NBC）可以获得更高的分类精度。     

多级Bayesian Network的影像纹理分类方法

在影像分类的实际应用中,所提取的特征(或波段)间往往存在较大的相关性.为了把Naive Bayes Classifters (NBC)模型更好地应用于分类中,本文在研究NBC模型的基础上,从特征空间划分的角度,将它进一步推广为多级Bayesian Network.实验结果分析表明:由于多级Bayesian Network模型综合考虑了特征之间的条件依赖关系,它在分类精度方面一般高于原始的NBC和最大似然法.然而,对于不同的n值,其分类结果也有所不同.     

利用互信息改进遥感影像朴素贝叶斯网络分类器

针对朴素贝叶斯网络简单条件独立性假设的不足,将它的一种改进形式——选择型朴素贝叶斯网络和两种扩展形式(树增强型朴素贝叶斯网络、贝叶斯增强型朴素贝叶斯网络)用于多光谱遥感影像的分类中。在分析波段间互信息的基础上,分别构造了上述3种分类器,并和朴素贝叶斯网络分类器的性能进行了比较。     

基于K2结构学习算法的多光谱影像贝叶斯网络分类器

用基于启发式搜索的结构学习算法，学习得到多光谱影像的贝叶斯网络结构，分析了TM的波段（特征）间条件独立性假设的合理性，给出了贝叶斯推理中后验概率计算的公式，并通过和最大似然法对比试验分析了简单贝叶斯网络应用于多光谱影像分类的优势。     

约束型贝叶斯网络在遥感图像解译中的应用方法研究

采用一种带有约束条件的贝叶斯网络来构造分类器,即特征节点被约束为类节点的子节点,子节点间允许有不同的连接关系,并将约束型贝叶斯网络的几种典型模型--NB、TAN、BAN用于遥感图像的解译中.通过评价结构的似然函数得到网络结构,综合特征节点和类别节点的拓扑和概率统计信息学习得到分类器.将这些模型用于多光谱和高光谱影像的分类,并就其性能进行探讨.     

基于贝叶斯网络分类的遥感影像变化检测

遥感成像过程中,地面、大气等诸多要素的不确定性和波段之间的相关性等原因影响了分类精度,导致变化检测的不准确性。为了提高分类精度往往需要引入先验知识。贝叶斯网络是一种新的数据表达和推理模型,对数据没有严格的正态分布前提要求,通过动态地调整先验概率密度,能有效提高分类精度。以北京通州地区1996-05-29和2001-05-19两个时相的陆地卫星Landsat TM遥感影像为例,介绍了基于贝叶斯网络的分类算法,并在此基础上实现了两个时相遥感影像的变化检测。实验结果表明:基于贝叶斯网络分类算法的后分类比较变化检测方法是遥感影像变化检测的一种新的有效方法。     

结合运动平滑约束与灰度特征的卫星视频点目标跟踪

针对卫星视频条件下的点目标跟踪问题,提出了一种运动平滑约束的贝叶斯分类目标跟踪方法(BMoST)。本方法引入朴素贝叶斯分类器的思想,不依赖目标的任何先验概率,在运动平滑性约束下,利用灰度相似性特征来表达描述目标的似然度,并根据独立假设的贝叶斯定理,建立简化的分类器条件概率修正模型,通过该模型估计目标的后验概率,从而实现目标跟踪。同时,采用卡尔曼滤波辅助、优化跟踪处理,提高算法的稳健性。试验数据采用SkySat和吉林一号拍摄的视频各两段,对6个点目标进行跟踪试验。结果表明,本文提出的方法针对卫星视频的点目标跟踪效果良好,精度达到90%左右,且跟踪轨迹平滑,满足卫星视频后续高级处理和应用需要。     

利用几何网络提取河网径流节点的方法研究

本文分析了河网径流节点的基本特征及分类,论述了基于ArcGIS水文分析模块提取河网径流的方法,并在此基础上提出了基于几何网络提取河网径流节点的方法.该方法提取得到的径流节点,除能表达其位置信息外,属性表中还记录了径流节点类型、汇流等级情况信息.实例表明该方法原理简单,易于操作实现,提取效果与实际地貌情况基本相符,可以广...     

多视影像相对方位关系误判检测的置信传播算法

场景模糊或者不同场景中的重复纹理会导致影像匹配时产生大量的误匹配点,从而得到误判的相对方位关系。本文引入概率推论方法,提出了一种改进的误判相对方位关系检测算法,利用回路闭合约束构建了基于影像间相对方位关系的贝叶斯网络,推导了贝叶斯网络中的先验概率模型,并利用置信传播算法解算了贝叶斯网络中最大后验概率的求解问题。试验结果表明,利用本文提出的全局一致性约束方法可以有效检测影像间误判的相对方位关系,改善场景重建的结果,并且具有很高的计算效率。     

基于多分类器组合面向对象遥感影像信息提取方法

提出最近距离法和基于知识规则的模糊分类法相结合的混合分类法,针对IKONOS遥感影像,分别用最近距离法、基于知识规则的模糊分类法以及混合分类法对影像进行信息提取。结果表明：混合分类法的信息提取精度最高,总体精度提高到95.60%,Kappa系数提高到0.944,其为面向对象的高分辨率影像信息提供理想方法。     

基于改进的像素级和对象级的遥感影像合成分类

像素级和对象级的分类研究分别作为两个独立的方向开展,二者的结合与优势互补还没有引起关注。本文对像素级和对象级分类方法的结合做出新的探索,提出了基于改进的像素级和对象级的遥感影像合成分类方法。首先,以一种改进的RBF神经网络分类器进行像素级分类、以一种基于改进模糊支持向量机和决策树的层次分类模型进行对象级分类,获得多层次分类结果。然后,提出了一个具体的像素级分类与对象级分类的合成算法,对多层次分类结果进行合成。实验表明,合成分类方法能有效地提高分类结果的精度,提供比单一像素级方法或对象级方法更准确的分类结果。     

高分辨率遥感植被分类研究

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。     

高分二号数据的城市生态用地分类方法探讨

针对传统分类法分类精度低、速度慢等问题,同时也为了探索国产卫星高分二号遥感数据在城市生态用地分类中的方法及效果,及时获取其生态用地信息,该文以四川省内江市隆昌县城区为研究范围,提出了一种辅以影像光谱特征和纹理特征信息的随机森林分类方法。该方法提取城市生态用地信息,并将其分类结果与传统的支持向量机分类、最大似然分类进行对比,结果表明,新方法具有更高的分类精度和更快的分类速度,更适合高分辨率、多特征参数、大面积的高分二号遥感影像城市生态用地分类。     

面向对象的高空间分辨率影像分类研究

采用面向对象遥感影像分类方法,进行了高空间分辨率遥感影像信息提取试验,分析了其与基于像元方法的信息提取结果的差异,试验研究表明,在目视效果上,传统方法的分类结果图中椒盐现象非常明显,而面向对象方法可以有效地避免椒盐现象;在分类精度上,面向对象方法分类结果的总体精度、Kappa系数、生产者精度、用户精度、Hellden精度和Short精度均明显高于传统方法,各类地物提取效果显著提高。面向对象方法在高空间分辨率遥感影像信息提取中具有明显的优势。     

基于不同分辨率遥感影像的分类方法对比研究

基于4种不同分辨率的遥感影像数据,分别为30 m分辨率的Landsat-8数据,融合Landsat-8多光谱波段和全色波段的15 m分辨率数据,5.8 m分辨率的资源3号卫星数据以及融合后2.1 m分辨率的资源3号卫星数据。采用ISO-DATA、最大似然分类法和面向对象分类法对影像进行分类,对分类方法的效果以及分辨率变化对面向对象分类方法的精度影响进行分析。结果显示在低分辨率影像中,面向对象方法受到限制,分类效果相比传统方法没有太大改善;而在高分辨率影像中,面向对象方法分类效果很好,并且随着分辨率提高分类精度也相应的提高。     

几种基于高分辨率遥感影像分类技术的分析与探讨

初步分析了应用高分辨率遥感影像进行分类处理的3种特殊方法,即基于光谱信息及相关监测模型综合分类技术、利用高程信息辅助分类技术和面向对象的特征相关属性分类技术的基本原理。分析比较了它们在进行遥感影像分类的特点和优势,探讨总结了它们在农作物监测、城市建筑物分类、土地利用调查等实际生产中的应用方法和效果。     

遥感图像分类与后处理综合技术研究—基于约束满足神经网络方法

遥感图像计算机分类的精度问题是阻碍计算机遥感信息处理系统实用化的一个关键问题。将分类后处理中的分类结果平滑过程模型化为约束优化问题,采用神经网络方法把分类结果平滑过程与遥感图像分类过程结合起来,提出了基于约束满足神经网络的遥感信息分类与后处理综合技术。实验表明该方法可明显提高森林类型划分、土地利用调查等遥感应用专题的分类精度。