改进利用蚁群规则挖掘算法进行遥感影像分类

基于ant-miner算法,提出改进蚁群规则挖掘算法.首先,从信息素浓度增加项、信息素挥发系数两方面,改进信息素浓度更新策略;其次,在算法求解中,引入变异算子,有效加快进化过程,缩短计算时间,获得较好的分类规则.以长沙市城区2006年TM影像为试验数据,在分类试验中对算法进行了验证.结果表明,相对于ant-miner和决策树方法而言,改进蚁群规则挖掘算法能挖掘出规则数目更少、形式更简单的分类规则,同时缩短计算时间,从而能够提高分类精度和效率.     

GIS辅助下的基于知识的遥感影像分类方法研究：以土地覆盖／土地利用？…

提高计算机遥感影像的分类精度，是遥感应用中研究的主要问题之一。作者以规则的形式表示遥感影像解译知识，使用ＴＭ影像数据和ＤＥＭ、坡度、土地利用图等地理辅助数据，从遥感影像处理／地理数据／专家知识一体化的角度出发，使用基于知识的方法进行了研究，改善了分类精度。实例研究证明了方法的正确性。     

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.     

基于植被分区的多特征遥感智能分类

为了有效地提取大范围地形复杂区域的土地利用/土地覆盖遥感信息,以位居青藏高原与黄土高原过渡地带的青海东部地区为研究区,研究基于蚁群智能优化算法(ant colony intelligent optimization algorithm,ACIOA)的土地利用/土地覆盖遥感智能分类。首先选用TM图像、DEM、坡度和坡向数据作为分类的特征波段;然后利用归一化植被指数NDVI对实验区数据进行植被分区;最后利用ACIOA算法进行分类规则挖掘,并依据分类规则进行土地利用/覆盖信息的提取。研究表明,基于植被分区的多特征蚁群智能分类的总体精度为88.85%,Kappa=0.86,优于传统的遥感图像分类方法,为大范围地形复杂区域的土地利用/土地覆盖遥感信息提取提供了有效的方法。     

基于布谷鸟算法的遥感影像智能分类

提出了一种新的基于布谷鸟算法的智能式遥感分类方法。采用布谷鸟智能优化算法,自动搜索遥感影像各波段的最优阈值分割点,并定义各波段最优阈值分割点和影像分类目标类别的连线为布谷鸟的最佳解,构造以If-Then形式表达的遥感分类规则。将所提的基于布谷鸟算法的影像分类方法应用于ALOS影像分类中,并与蜂群智能遥感分类方法和See5.0决策树方法进行了对比分析。结果表明,布谷鸟智能遥感分类的总体精度和Kappa系数均比蜂群智能遥感分类和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。     

基于知识的遥感影像模糊分类方法

介绍了目前遥感影像分类的常用方法, 提出了一种基于知识的信息提取的遥感影像模糊分类方法.采用GIS数据辅助进行遥感影像模糊法分类,从GIS数据库中提取一定数量的样本信息或挖掘知识形成规则,进行样本的训练学习或辅助进行分类判定.提高了分类的效率和精度,是对模糊分类方法一次有效改进.     

基于知识的遥感影像模糊分类方法

介绍了目前遥感影像分类的常用方法,提出了一种基于知识的信息提取的遥感影像模糊分类方法。采用GIS数据辅助进行遥感影像模糊法分类,从GIS数据库中提取一定数量的样本信息或挖掘知识形成规则,进行样本的训练学习或辅助进行分类判定。提高了分类的效率和精度,是对模糊分类方法一次有效改进。     

一种基于蜂群智能算法的遥感影像分类方法

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。     

基于分类回归树分析的遥感影像土地利用／覆被分类研究

以专家知识和经验为基础,综合影像光谱信息和其他辅助信息进行分类的基于知识的遥感影像解译方法,是提高遥感影像分类精度,实现自动解译的有效途径之一。然而,知识的获取一直是其得以广泛应用的“瓶颈”问题。以江苏省江宁试验区土地利用/覆被分类为例,利用分类回归树分析(CART)从训练样本数据集中发现分类规则,集成遥感影像的光谱特征、纹理特征和空间分布特征进行分类实验,并与传统的监督分类和逻辑通道分类方法进行比较。结果表明,基于CART的分类方法的精度基本在80%以上,与另两种方法相比,有了较大的提高,而且该算法复杂性低,效率高。由此说明,利用CART算法构建决策树获取的分类规则是合理的。它可以快速、有效地获取大量分类规则,是促进基于知识的遥感影像分类方法在土地利用/覆被分类中广泛应用的一项有效手段。     

基于多分类器组合的遥感影像分类方法研究

针对遥感影像分类特点,提出了一种基于多分类器组合的遥感影像分类方法.该方法选取分类性能以及多样性最好的马氏距离、支持向量机(SVM)和最大似然等3种分类器作为子分类器,自定义规则对简单投票法、最大概率类别法以及模糊积分法进行组合,并以山西怀仁县为研究区,对基于航摄数字正射影像进行分类.结果表明,与单个子分类器中精度最高...     

基于误差分析的组合分类器研究

提出了一种基于误差分析的组合分类器,通过结合两种监督分类方法,提出的算法分别估计了两种监督分类方法在计算过程中的误差,给出了规则输出的置信区间,再根据置信区间的大小对两种分类方法的输出结果进行加权平均,从而得到更精确的规则输出.利用该方法对遥感图像进行分类实验,在不同训练样本分布与不同训练样本数量的情况下,比较新的组合分类器与单一分类器的精度.结果表明新的组合分类器能够取得比单一的分类器更高的分类精度.结果还显示出,两个分类器的独立性越强,组合分类器的效果越好.另外一个实验比较了新的组合分类器与和式规则组合分类器的分类精度,结果仍显示出了新方法的优越性.     

基于核Fisher判别分析的高光谱遥感影像分类

高光谱遥感技术,将反映目标辐射特性的光谱信息与反映目标空间位置关系的图像信息有机地结合在一起.高光谱影像具有丰富的光谱信息,较全色、多光谱影像能够更好的进行地面目标的分类识别.在介绍核Fisher判别分析算法的基础上,选用径向基核函数,使用一对一或一对余构造多类构造法,并利用交叉验证网格搜索法优化核函数参数,构建了快速稳定的多类核Fisher判别分析分类器.通过OMIS和AVIRIS影像的分类实验,表明了核Fisher判别分析与支持向量机的分类精度相当,但是所需的训练时间较短.     

基于MSA特征的遥感图像多目标关联算法

遥感图像中多目标关联存在以下两个问题:一是低时间分辨率观测使得目标状态信息无法准确估计,基于Kalman滤波的多目标关联算法不再适用;二是基于图像特征的目标关联算法又无法处理大场景观测中多个目标关联引起的模糊性.针对上述问题,提出一种基于多尺度自卷积特征匹配和关联代价矩阵最优化的多目标关联算法.实验表明该算法对遥感图像中多目标关联问题具有一定的适用性.     

典型遥感数据分类方法的适用性分析——以遥感图像场景分类为例

目前普遍采用的分类器通常都是针对单一或小量任务而设计的,在小数据量的处理中能取得比较满意的结果。但对于海量遥感数据的处理,其在处理时效和分类精度方面还有待研究。本文以遥感图像场景分类任务为例,着重对遥感数据分类问题中几种典型分类方法的适用性进行比较研究,包括K近邻(KNN)、随机森林(RF),支持向量机(SVM)和稀疏表达分类器(SRC)等。分别从参数敏感性,训练样本数据量,待分类样本数据量和样本特征维数对分类器性能的影响等几个方面进行比较分析。实验结果表明:(1)KNN,RF和L0-SRC方法相比RBF-SVM,Linear-SVM和L1-SRC,受参数影响的程度更弱;(2)待分类样本固定的情况下,随着训练样本数目的增加,SRC类型分类方法的分类性能最佳,SVM类型方法次之,然后是RF和KNN,在总体分类时间上呈现出L0-SRCL1-SRCRFRBF-SVM/Linear-SVMKNN/L0-SRC-Batch的趋势;(3)训练样本固定的情况下,所有分类方法的分类精度几乎都不受待分类样本数目变化的影响,RBF-SVM方法性能最佳,其次是L1-SRC,然后是Linear-SVM,最后是RF和L0-SRC/L0-SRC-Batch,在总体分类时间上,L1-SRC和L0-SRC相比其他分类方法最为耗时;(4)样本特征维数的变化不仅影响分类器的运行效率,同时也影响其分类精度,其中SRC和KNN分类器器无需较高的特征维数即可获得较好的分类结果,SVM对高维特征具有较强的包容性和学习能力,RF分类器对特征维数增加则表现得并不敏感,特征维数的增加并不能对其分类精度的提升带来更多的贡献。总的来说,在大数据量的遥感数据分类任务中,现有分类方法具有良好的适用性,但是对于分类器的选择应当基于各自的特点和优势,结合实际应用的特点进行权衡和选择,选择参数敏感性较小,分类总体时间消耗低但分类精度相对较高的分类方法。     

通过训练样本采样处理改善小宗作物遥感识别精度

训练样本质量是决定农作物遥感识别精度的关键因素,虽然高空间分辨率卫星的发展有效地解决了农作物遥感识别过程中的混合像元问题,但是当区域内不同作物种植面积差异较大时,训练集中不同类别样本数量往往相差较大,这样的不均衡数据集影响分类器的训练,导致少数类别的识别精度不理想。为研究作物遥感识别过程中的不均衡样本问题,本文基于GF-2号卫星数据,首先挖掘了地物的光谱信息、纹理信息,用特征递归消除RFE (Recursive Feature Elimination)方法进行特征优选,然后从数据处理的角度采用了5种采样算法对不均衡训练集进行处理,最后使用采样后的均衡数据集训练分类器,对比数据采样前后决策树与Adaboost(Adaptive Boosting)两种分类器的识别结果,发现:(1)经过采样处理后两种分类算法明显提升了小宗作物的分类精度;(2)经过ADASYS (Adaptive synthetic sampling)采样处理后,分类器性能提升最多,决策树的Kappa系数提高了14.32%,Adaboost的Kappa系数提高了10.23%,达到最高值0.9336;(3)过采样的处理效果优于欠采样,过采样对分类器的性能提升更多。综上所述,选择合适的采样方法和分类方法是提高不均衡数据集遥感分类精度的有效途径。     

基于随机森林的国产小卫星遥感影像分类研究

近年来随着小卫星数量与传感器类型的快速增加,急需研究和发展快速可靠的小卫星遥感影像分类方法。针对分类方法各具局限性、具体应用中最优分类器选取困难等问题,本文基于多分类器集成学习的思路,引入随机森林(Random Forests)方法用于小卫星遥感影像分类。采用灾害监测预报小卫星(HJ-1)、北京1号小卫星(BJ-1)两种国产小卫星多光谱遥感影像进行试验,并与传统分类方法进行比较,结果表明,随机森林比最大似然分类器(MLC)、支持向量机分类器(SVM)等具有更好的稳定性、更高的分类精度和更快的运算速度,具有很好的适用性。     

多分类器融合的遥感影像分类方法实验研究

在遥感影像分类应用中,使用不同种类的分类器对原始图像进行操作所得出的分类结果的分类精度和效率都是不同的,设计完成多分类器融合分类实验,实验可以将不同种单一分类器的优点用适当的方法进行组合,从而获得比单一分类器分类精度和效率更好的分类方法.在此基础上采用投票原理设计抽象级融合的多分类器并完成实验.设计结果表明:多分类器融合的遥感影像分类方法在精度上要比单一分类器的分类精度高.      

空间信息网格中远程空间连接查询的优化

随着空间信息网格的建设,网格平台上管理的空间信息资源越来越丰富,这促进了空间信息网格中空间数据分布式查询的应用需求,而在分布式空间查询中,空间连接查询操作往往成为性能的瓶颈.根据空间信息的特点,通过利用网格计算资源来优化空间连接查询的执行.首先基于网格服务构建网格平台分布式空间数据查询软件结构,通过设计远程空间连接执行服务利用网格平台中的计算资源;根据空间信息的特点.采用基于Kd-Tree空间分区并行连接的方法提高远程空间数据连接操作执行效率,并给出了远程空间连接执行的查询代价模型;然后根据连接代价模型设计了远程空间连接查询执行计划优化生成算法;最后总结了本文工作并探讨了下一步研究方向.     

Discrimination and classification of mangrove forests using EO-1 Hyperion data: a case study of Indian Sundarbans

In remote sensing the identification accuracy of mangroves is greatly influenced by terrestrial vegetation. This paper deals with the use of specific vegetation indices for extracting mangrove forests using Earth Observing-1 Hyperion image over a portion of Indian Sundarbans, followed by classification of mangroves into floristic composition classes. Five vegetation indices (three new and two published), namely Mangrove Probability Vegetation Index, Normalized Difference Wetland Vegetation Index, Shortwave Infrared Absorption Index, Normalized Difference Infrared Index and Atmospherically Corrected Vegetation Index were used in decision tree algorithm to develop the mangrove mask. Then, three full-pixel classifiers, namely Minimum Distance, Spectral Angle Mapper and Support Vector Machine (SVM) were evaluated on the data within the mask. SVM performed better than the other two classifiers with an overall precision of 99.08%. The methodology presented here may be applied in different mangrove areas for producing community zonation maps at finer levels.