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。     

生成模型学习的遥感影像半监督分类

以生成模型最大似然估计为例,引入结合已标记样本和未标记样本的半监督分类方法来解决遥感影像分类中的小样本问题,应用已有的少量已标记样本初始化一个分类器,结合大量未标记样本,通过递归计算的方式对分类器进行优化,直到包含所有样本的似然函数收敛到局部极大值。通过分析遥感影像待分类类别与影像中地物类型固有特征之间的关系,设计两个在不同生成模型假设下的分类实验。结果表明,未标记样本的参与可在很大程度上提高小样本条件下的影像分类精度,但两种样本的数量应保持一个适当的比例。最后通过与在解决小样本分类问题方面有独特优势的SVM方法的分类比较,发现在小样本情况下,本文方法具有更好的应用潜力。     

联合稳健跨域映射和渐进语义基准修正的零样本遥感影像场景分类

零样本影像分类技术旨在通过学习数据集的部分类别（可见类）,获得识别在训练阶段未出现类别（不可见类）的能力。该技术在遥感大数据时代具有重要现实意义。目前,遥感领域的零样本场景分类方法对于映射后的语义空间优化关注很少,导致已有方法的整体分类性能较差。基于这一考虑,本文提出了一种基于稳健跨域映射和渐进语义基准修正的零样本遥感影像场景分类方法。在训练的有监督学习模块,基于可见类的类别语义向量和场景影像样本,实现深度特征提取器学习和视觉空间到语义空间的稳健映射。在训练的无监督学习阶段,基于全体类别的类别语义向量和不可见类遥感影像样本,分别通过协同表示学习和k近邻算法来渐进修正不可见类类别的语义向量,从而缓解可见类语义空间与不可见类语义空间的漂移问题和自编码跨域映射模型映射后不可见类语义空间与协同表示后不可见类语义空间的偏移问题。在测试阶段,基于学习所得的深度特征提取器、自编码跨域映射模型和修正后的不见类语义向量,实现对不可见类遥感影像场景的分类。本文整合多个已有公开的遥感影像场景数据集,组建了一个新的遥感影像场景数据集,在此数据集上进行试验。试验结果表明本文提出的算法在多种不同的可见类与不可见类的划分情况下都明显优于已有公开零样本分类方法。     

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.     

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.      

联合空间信息的高光谱遥感协同表示动态集成分类算法

近年来,集成学习成为高光谱遥感影像分类的研究热点,尤其是动态集成算法根据测试样本的特征自适应地选择最佳分类器,其分类性能显著提升。然而现有的动态集成方法仅考虑测试样本与验证样本的光谱信息,忽略了高度规则化的高光谱遥感影像包含的丰富空间信息。为进一步提升高光谱遥感影像动态集成算法分类的准确性和可靠性,提出了联合空间信息的可变K邻域动态集成算法VKS(Variable K-neighborhood and Spatial Information)和联合自适应邻域空间信息的可变K邻域动态集成算法VKSA(Variable K-neighborhood with Shape-Adaptive)。两种算法第一阶段综合考虑分类器精度与相似度自适应地改变测试样本的K邻域,第二阶段分别设计固定窗口和自适应窗口的嵌入方式增加地物的局部空间近邻关系,充分利用高光谱遥感影像地物复杂的空间形态结构信息。实验部分采用3组通用的高光谱遥感影像数据对所提出算法的性能进行综合评价。结果表明相比于传统的动态集成算法,本文提出的联合空间信息的动态集成模型能显著提升分类精度,其中基于自适应窗口方式的VKSA算法明显优于基于...     

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...     

一种切空间协同表示的高光谱遥感影像分类方法

协同表示分类（collaborative representation classification,CRC）算法近年来成为高光谱遥感分类的研究热点。地物类别间区分性不高会严重影响现有CRC算法的性能。流形结构可有效地解决非线性问题,并解决高光谱遥感影像因数据冗余导致的类别间区分性低的问题。提出了一种基于切空间的高光谱遥感影像协同表示分类算法（tangent space collaborative representation classification,TCRC）和一种基于欧氏距离的自适应加权的切空间协同表示分类算法（weighted tangent space collaborative representation classification,WTCRC）。TCRC算法利用测试样本的切平面来估计区域流形,在测试样本的切空间中使用协同表示算法,寻找测试样本在各类训练样本中的最优线性表示估计,并用其最小误差来对测试样本进行分类。在此基础上,利用测试样本邻域像元、训练样本与测试样本的欧氏距离作为权矩阵来自适应调整各样本对测试样本的影响。实验采用ROSIS（reflective optics system image spectro-meter）和AVIRIS（airbone visible infrared imaging spectrometer）高光谱遥感影像对所提出算法的性能进行了评价,结果表明TCRC和WTCRC在分类效果上比CRC有明显的提升,WTCRC相较于TCRC具有更好的分类效果,具有更强鲁棒性。     

Landsat TM数据不同辐射校正方法对土地覆盖遥感分类的影响

本文主要是探索Landsat TM数据不同辐射校正方法对土地覆盖遥感分类的影响。介绍了使用的3种不同辐射校正方法(ATCOR3、FLAASH以及查找表)和两种分类算法。在分类实验部分,根据样本的地理坐标在3景校正影像中分别采集训练样本并训练各自的分类器,并交叉用于其他辐射校正影像的土地覆盖遥感分类。实验结果表明:(1)用于分类器训练的样本采集自待分类影像时的分类精度明显高于采集自其他影像的分类精度;(2)3种辐射校正影像的分类结果存在差异,其中使用ATCOR3和FLAASH方法校正后影像的分类结果有更相近的精度;(3)辐射校正对分类类别的影响不同,其中对森林类型影响最大,对裸地等其他类别影响相对较小。     

改进最大似然遥感影像分类方法——以SAR影像为例

针对常规最大似然分类算法中类别先验概率获取困难及遥感影像分类问题,提出了一种有效的改进最大似然遥感影像分类方法.该方法能使用类别样本的统计信息,实现类别先验概率的自动和最优提取,从而很好地解决了基于统计监督分类方法中无法直接获取类别先验概率的问题.以6景Radarsat-1 精细模式SAR影像数据为例进行的分类实验证明,该算法分类效果较好,针对单波段、单极化的SAR影像,其精度可望达到80%.     

高光谱遥感影像多级联森林深度网络分类算法

高光谱遥感技术在环境监测、应急保障、精细地物提取等方面有着广泛的应用,随着高分五号高光谱数据的正式发布,高光谱遥感技术将发挥更重要的作用。遥感影像分类作为高光谱遥感影像信息处理的重要部分,已成为当前研究重点。本文针对传统多级联森林深度学习中模型复杂、无法利用基分类器差异信息、对类间差异较小的样本无法正确区分等不足,提出了一种改进的多级联森林深度学习模型,在模型框架中,分别采用了随机森林和旋转森林作为基分类器,并引入逻辑回归分类器作为判别器用于训练层扩展。相较于传统的深度神经网络,改进的多级联森林深度网络超参数较少且能够自适应确定训练层,更方便进行模型优化。实验采用了高分五号数据集及两个公开的高光谱数据集(Indian Pines数据集及Pavia University数据集)进行精度评定,同时选择了传统分类器支持向量机、深度置信网等模型作为对比分析。实验结果表明,改进的多级联森林深度学习模型能有效地进行高光谱遥感影像分类,且较传统的分类方法精度有所提升。     

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。     

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。     

基于AdaBoost算法的遥感影像水体信息提取

AdaBoost算法利用每个特征构造一个简单分类器,然后将简单分类器进行训练组合成一个强分类器。算法能够充分利用每个分类器的优势并避免其劣势,得到一个最佳判别,达到提高分类精度的目的。本文利用TM影像,将影像各波段灰度、水体指数和谱间关系特征相结合,构成提取水体的强分类器,实现水体提取。实验结果表明,算法能够非常有效地、高精度地提取水体信息。     

融合空谱特征和集成超限学习机的高光谱图像分类

为提高高光谱图像的分类精度,提出了一种融合空谱特征和集成超限学习机的高光谱图像分类方法。首先结合每个像素邻域的光谱信息提取空谱特征向量;考虑到高光谱相邻波段信息具有一定的相关性,先对提取的特征向量进行平均分组,然后从每个区间随机选择若干个波段进行组合,采用具有快速学习能力的超限学习机训练分类器。为提高分类模型的泛化能力,基于集成学习思想,对提取的空谱特征进行多次抽样,训练得到多个弱分类器,最后采用投票表决法得到用于高光谱图像分类的强分类器。采用3个典型高光谱数据进行了分类试验,试验结果表明,提出的算法总体分类精度较优,尤其当训练样本数较少时能取得较高的分类精度。提出的算法具有可调参数少、训练速度快、分类精度高等优点,具有广阔的应用前景。     

Effects of Training Samples and Classifiers on Classification of Landsat-8 Imagery

In this study, we used Landsat-8 imagery to test object- and pixel-based image classification approaches in an urban fringe area. For object-based classification, we applied four machine learning classifiers: decision tree (DT), naive Bayes (NB), random trees (RT), and support vector machine (SVM). For pixel-based classification, we utilized the maximum likelihood classifier (MLC). Specifically, we explored the influence of repeated sampling on classification results with different training sample sizes. We found that (1) except the overall accuracy of NB, those of the other four classifiers increased as the training sample size increased; (2) repeated sampling had a significant effect on classification accuracy, especially for the DT and NB classifiers; and (3) SVM achieved the best classification accuracy. In addition, the performance of the object-based classifiers was superior to that of the pixel-based classifier. The results of this study can provide guidance on the training sample size and classifier selection.     

Combining the FCM Classifier with Various Kernels to Handle Non-linearity of Class Boundaries

This article presents the use of kernel functions in fuzzy classifiers for an efficient land use/land cover mapping. It focuses on handling mixed pixels obtained from a remote sensing image by considering non-linearity between class boundaries. It uses kernel functions combined with the conventional fuzzy c-means (FCM) classifier. Kernel-based fuzzy c-mean classifiers were applied to classify AWiFS and LISS-III images from Resourcesat-1 and Resourcesat-2 satellites. Optimal kernels were obtained from eight single kernel functions. Fractional images generated from high resolution LISS-IV image were used as reference data. Classification accuracy of the FCM classifier increased with 12.93%. Improvement in overall accuracy shows that non-linearity in the dataset was handled adequately. The inverse multiquadratic kernel and the Gaussian kernel with the Euclidean norm were identified as optimal kernels. The study showed that overall classification accuracy of the FCM classifier improved if kernel functions were included.     

粗集属性划分的集成遥感分类

提出了一种基于粗集属性划分的遥感分类新方法, 构造了基于粗集的集成遥感分类器。该分类器利用粗集理论将输入的属性集合划分为多个约减, 利用这些约减构造多个训练子集。每个训练子集训练神经网分类器, 在决策时将多个单个分类器的结果进行投票选举。这种方法即减少了单个分类器的输入属性个数, 又避免了由于属性选取造成单一分类器在某些分类上的错误偏见。该分类器与神经网分类器方法, 以及属性选取与神经网结合方法进行了比较。结果表明RSEC无论在分类精度上, 还是在不同样本个数条件下的精度稳定程度上均有较好表现。