多种分类器结合的遥感影像分类研究

通过对遥感影像的分类方法及原理的分析,以多光谱遥感影像为依据,采集农田、菜地、居民地等三类地物样本.利用Matlab软件,分别使用最短距离分类器、贝叶斯分类器及BP神经网络分类器三种分类器将遥感影像进行分类实验.通过投票法,融合不同分类器最终的输出结果,将多种分类器的遥感影像分类进行整合,提高了影像的分类精度.     

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RBF神经网络的遥感影像分类器设计

设计了一种运用径向基函数神经网络进行遥感影像分类的监督分类器,以实际的遥感光谱影像分类为例,将分类效果同传统的最小欧氏距离法分类进行比较,探讨了RBF分类的优越性,结果表明RBF神经网络是一种更为有效的图像分类器。     

结合多分类器的遥感数据专题分类方法研究

采用标准的多分类器结合方法进行遥感图像的分类研究。首先介绍了标准的多分类器结合的算法,然后以Landsat-TM多光谱遥感数据的土地覆被分类为例,分别给出了抽象级上相同训练特征的多分类器结合、抽象级上不同训练特征的多分类器结合和测量级上的多分类器结合进行土地覆被分类的方法,并进行了实例研究。参与分类器结合的单个分类器包括最大似然分类器,最小距离分类器,马氏距离分类器,K-NN分类器,多层感知器神经网络分类器。分类器的分类精度用总体精度、用户精度、生产者精度、kappa系数和条件kappa系数评价。结果表明,每一种多分类器结合的分类方法都能够比较显著地提高总体分类精度。文章最后对不同多分类器结合方式的优缺点进行了分析。     

多分类器联合监督分类方法研究

针对遥感图像监督分类方法适用范围不同且分类机制各有优劣的特点,本文提出将最大似然法与最小距离法结合的监督分类法。对eTM 影像进行分类,结果表明,与单一分类器的分类结果相比,分类器结合的监督分类技术能有效提高遥感图像专题信息提取的精度。     

结合邻域SAC-NED测度的高光谱图像分类方法

提出了一种光谱相似性测度用于高光谱图像分类方法。通过将光谱向量进行归一化处理,将计算得到的欧氏距离与光谱角余弦的值域归化到相同区间,得到光谱角余弦与欧氏距离联合测度值(SAC-NED)。在对图像像元进行分类时,以距离加权的方式将邻域像元参与中心像元SAC-NED值的计算,将像元分到SAC-NED值最大的类别。通过与其他5种常用相似性测度方法的实验结果对比表明:该算法能够提升高光谱图像分类的准确性和稳定性。     

利用多分类器自适应级联模型的高分二号影像分类

针对传统单一分类器分类效果不够理想,存在各自的不足,以及已有的多分类器级联模型不能根据待识别样本特征进行动态调整优化等问题,提出了一种基于多分类器自适应级联模型的遥感影像分类方法。该模型选取各类别最优分类器进行级联组合,以待识别样本在整体性能最优分类器的表现对类别最优分类器作出自适应调整,对高分辨率影像分割后的像斑对象输出类别信息。以杭州区域高分二号遥感影像进行分类试验,结果表明,本文方法相比于单一分类器及已有的级联模型具有更高的分类精度。     

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.     

多分类器组合的遥感影像分类方法

针对传统遥感影像分类方法效果不够理想,单一分类器各自存在不足等问题,该文提出了一种基于多分类器组合的遥感影像分类方法。采用级联和并联相结合的方式对多种子分类器进行组合;利用改进的基于先验知识的投票表决规则,实现遥感影像准确分类。以岳阳市TM遥感影像为例,采用多分类器组合方法进行分类处理,并将处理结果与单一分类器处理结果进行比较。通过误差矩阵对比可知,多分类器的Kappa系数精度高于单一分类器;对分类效果图进行对比分析,在细部效果方面多分类器分类效果优于单一分类器。研究结果表明:组合分类器的遥感影像分类效果明显优于单一分类器,且具有更好的扩展性。     

一种利用空间和光谱信息的高光谱遥感多分类器动态集成算法

针对高光谱遥感影像分类面临的小样本、分类器不稳定等问题,在总结现有多分类器动态集成算法的基础上,提出了一种利用空间和光谱信息的多分类器动态集成算法。首先,采用支持向量机等5个基分类器构建多分类器集合;其次,计算各个分类器的分类结果,将大多数分类器分类一致的像元列入样本数据;最后,根据待分类像元的邻域像元的标签分类情况,动态地选择合适的方式进行分类器集成。该算法只在空间邻域信息满足一定条件的情况下,才采用空间和光谱信息结合的方法进行处理,即利用空间信息提高算法的灵活性。采用2幅不同传感器的高光谱遥感影像数据对算法进行实验,并与现有5种多分类器动态集成算法进行对比分析。结果表明,本文提出的多分类器动态集成算法可以保持较高的分类精度,并能有效提升高光谱遥感影像分类的稳定性,对于推动高光谱遥感精细分类研究具有一定的理论和实用价值。     

土地覆盖遥感制图方法研究现状与展望

区域尺度土地利用/覆盖分类研究是当今国际上开展土地利用/覆盖变化研究的重要领域之一。及时、准确地获取地球表面特性对于掌握人类和自然现象之间的关系和相互作用至关重要。本文根据土地覆盖遥感分类方法特点，从硬分类方法、软分类方法以及最新的软硬分类方法出发，总结了国内外的各研究成果，分析了各种方法的分类策略与特点及其方法适用性。研究结果表明：软硬分类方法能够灵活适用于遥感图像上纯净、混合像元并存的特点，可以有效解决光谱的异质性，在土地覆盖遥感监测中具有广阔的应用潜力。文中提出了基于变端元的软硬分类土地覆盖制图方法框架，并指出了今后的研究重点。     

基于权重与混合模型的遥感图像分类方法研究

提出了一种基于权重与混合像元模型的遥感图像分类方法。该方法在现有光谱混合模型的基础上,根据实际应用需要确定地类权重,通过地类丰度与权重因子加权平均确定像元的隶属类型,从而实现遥感图像分类。以SPOT-5土地覆盖遥感分类为例,对权重与混合像元模型结合的图像分类方法进行了验证,结果表明,该方法提高了遥感图像分类精度,在一定条件下更具实际意义。     

二型模糊集合在遥感影像土地利用分类中的应用

在遥感影像土地利用分类中,传统的布尔分类法只考虑地物光谱信息,用"是"与"非"的二值确定逻辑状态分类影像,当存在较多混合像元时,其不能满足一些实际应用的要求。模糊分类法综合了地物光谱特征、空间特征和对象的拓扑关系,对每个像元的归属用[0～1]的模糊度来表示,有效地解决了该问题。通过对研究区TM影像进行传统布尔法分类和模糊分类法分类的结果比较可知:对混合像元较多且波段较少的遥感影像土地利用分类,二型模糊集合分类能够适应用户不同精度需求,并能交互式输出结果。     

A Multispectral Remote Sensing Data Spectral Unmixing Algorithm Based on Variational Bayesian ICA

Mixed pixel is a key issue in medium to coarse resolution remote sensing image, and it seriously restricts the remote sensing classification. This paper presents an Independent component analysis (ICA) algorithm based on the variational Bayesian (VB) methods, named VBICA, for spectral unmixing in multispectral remote sensing image. The model assumes that the mixed pixels to be separated are given as linear mixtures. The matrixes of linear mixtures are assumed to be unknown. In the Bayesian framework, the endmember and abundance have finally been achieved with Bayesian inference and approximate variational algorithm. The proposed method is evaluated and tested on a numerical simulative image from the noise resistance, area size, pixel purity, estimated number of endmembers and real multispectral remote sensing image of 100?×?100 pixels. Experimental results on simulated image demonstrated that compared to the Fast ICA algorithm, the proposed algorithm can give more accurate results, and the validity of the proposed algorithm is verified by the real multispectral remote sensing image of the similarity on spectral curves, average similarity and ground objects distribution maps.     

一种高光谱遥感图像快速谱聚类算法

为获得分类效果更优良的遥感图像分类方式并解决高光谱遥感图像分类运算速度缓慢的问题，集成Lanczos算法与谱聚类算法，探讨了高光谱遥感图像谱聚类算法应用于遥感图像分类的可行性，提出了一种面向高光谱遥感图像的快速谱聚类算法；通过对比美国圣地亚哥机场高光谱遥感图像K-均值算法与谱聚类算法的分类结果，发现面向高光谱遥感图像的谱聚类算法易于识别线性地物，且分类的速度能得到较大提升。     

遥感尺度内涵及遥感像元尺度效应分析的改进分形方法

本文首先分析了遥感影像尺度的三层次内涵。重点针对遥感像元尺度,分析了遥感像元尺度效应及其分形机理,由于现有分形方法没有考虑影像本身尺度(空间分辨率),造成尺度间分形维数的比较时像元尺度效应变化难以有效反映,本文针对此问题提出了基于表面积的加窗分形布朗运动和加窗双层地毯两种改进分形方法。为验证改进分形方法的可靠性,采用了不同像元尺度下系列监督分类进行验证。试验结果表明,每种地物的分维数都随着空间分辨率的降低或像元尺度的缩小,呈总体下降趋势,在某些特征尺度上会出现预示着某些地物结构的拐点,这些拐点对观测该区域地物具有一定指示意义。系列监督分类精度也一定程度上证明了以上两种改进分形方法在分析尺度效应中的可行性。因此本文的方法对于分析遥感像元尺度效应和探索地物尺度聚合规律具有一定的理论意义。     

高光谱遥感影像SVM分类中训练样本选择的研究

支持向量机(SVM)分类的关键是发现分类最优超平面及类别间隔,而混合像元比纯净像元更接近类别边界,更容易找出最优超平面。本文针对SVM分类器的特点,在高光谱数据分类中采用混合像元作为训练样本对SVM进行训练,试验表明采用类别边界上的混合像元作为训练样本是可行的,能够获得与纯净训练样本接近的分类精度,进一步验证了SVM分类对训练样本空间分布依赖度较低的特点。     

空间邻接支持下的遥感影像分类

传统光谱分类法的局限性促使了遥感“图谱耦合”认知理论的发展, 使其更加注重了空间信息的应用。 然而, 已有的分类方法虽也融入了空间形态、空间关系的应用, 在精度上有一定的提高, 但在空间规律定量描述、 地物实际分布边界跟踪等方面仍存在不足。本文发展了一种空间邻接支持下的遥感影像分类方法: 通过基准地物的 精确提取进而搜索与其邻接的目标地物, 对邻接范围内的地类混淆以及非邻接范围内的目标类误分一并进行修正, 并以近海地物分类为例进行试验, 获得了更为精确、合理的分类结果, 也为后续逐步精确地提取各地物提供了     

Tree Crown Detection,Delineation and Counting in UAV Remote Sensed Images: A Neural Network Based Spectral–Spatial Method

UAVs are fast emerging as a remote sensing platform to complement satellite based remote sensing. Agriculture and ecology is one of the important applications of UAV remote sensing, also known as low altitude remote sensing (LARS). This work demonstrates the use and potential of LARS in agriculture, particularly small holder open field agriculture. Two UAVs are used for remote sensing. The first UAV is a fixed wing aircraft with a high spatial resolution visible spectrum also known as RGB camera as a payload. The second UAV is a quadrotor UAV with an RGB camera interfaced to an on-board single board computer as the payload. LARS was carried out to acquire aerial high spatial resolution RGB images of different farms. Spectral–spatial classification of high spatial resolution RGB images for detection, delineation and counting of tree crowns in the image is presented. Supervised classification is carried out using extreme learning machine (ELM), a single hidden layer feed forward network neural network classifier. ELM was modelled for RGB values as input feature vectors and binary (tree and non-tree pixels) output class. Due to similarities in spectral intensities, some of the non-tree pixels were classified as tree pixels and in order to remove them, spatial classification was performed on the image. Spatial classification was carried out using thresholded geometrical property filtering techniques. Threshold values chosen for carrying out spatial classification were analysed to obtain optimal values. Finally in the delineation and counting, the connected tree crowns were segmented using Watershed algorithm performed on the image after marking individual tree crowns using Distance Transform method. Five representative UAV images captured at different altitudes with different crowns of banana plant, mango trees and coconut trees were used to demonstrate the performance of the proposed method. The performance was compared with the traditional KMeans spectral–spatial method of clustering. Results and comparison of performance parameters of KMeans spectral–spatial and ELM spectral–spatial classification methods are presented. Results indicate that ELM performed better than KMeans.     

元胞自动机的遥感影像混合像元分类

通过对元胞自动机理论的研究,提出元胞自动机的遥感影像混合像元分解模型。利用多波段遥感数据验证混合像元分解算法的可行性,并将结果与线性分解模型进行比较。结果表明,元胞自动机混合像元分解模型在分解的准确性方面,明显优于一般线性模型的精度。最后,将分类结果与传统的监督分类算法比较,得出元胞自动机的混合像元分解模型明显优于监督分类精度的结论。