基于GOODALL相近指数的遥感图像和其它空间数据综合分类方法

介绍ＤａｖｉｄＷ．Ｇｏｏｄａｌｌ基于概率的相近指数理论,研究它被应用在遥感图像和其它空间数据综合分类中的可能性,并首次在ＧＲＡＳＳ环境下实现了基于ＤａｖｉｄＷ．Ｇｏｏｄａｌｌ的相近指数的遥感图像和其它空间数据综合分类算法,并对该算法进行了测试,将分类结果 与其它几种较流行的分类方法结果进行了比较。     

基于空间数据发掘的遥感图像分类方法研究

采用数据发掘技术从 ＧＩＳ数据库和遥感图像中发现知识,用于改善遥感图像分类。提出了两种实施空间数据归纳学习的途径：在空间对象粒度上学习和直接在像元粒度上学习。分析了两种粒度学习的特点和适用范围,同时提出了一种归纳学习与传统图像分类法的结合方式。用北京地区 ＳＰＯＴ多光谱图像和 ＧＩＳ数据库进行土地利用分类的试验证明,归纳学习能较好地解决同谱异物、同物异谱等问题,显著提高分类精度,并且能够根据发现的知识进一步细分类,扩展了遥感图像分类的能力。     

草场资源分类专家系统的研究

在分析了基于光谱特征的统计模式识别方法用于遥感图像的计算机分类的不足之后，探讨了进一步提高遥感图像分类结果精度及可靠性的途径，指出了在遥感图像的计算机自动分类过程中，综合利用遥感图像多光谱特征及光谱特征以外的辅助信息对遥感图像进行分类是解决上述问题的有效方法，并通过笔者研制的草场资源分类专家系统ＧＥＳ（ＧｒａｓｓｌａｎｄＲｅｓｏｕｒｃｅｓＣｌａｓｓｉｆｉｃａｔｉｏｎＥｘｐｅｒｔＳｙｓｔｅｍ）说明了专家系统技术用于遥感图像分类能够有效地解决分类过程中综合利用各种辅助信息的问题。     

基于空间数据发掘的遥感图象分类方法研究

采用数据发掘技术从ＧＩＳ数据库和遥感图像中发现知识,用于改善遥感图像分类。提出了两种实施空间数据归纳学习的途径;在空间对象粒度上学习直接在像元粒度上学习。分析了两种粒度学习的特点和适用范围,同时提出了一种归纳学习与传统图像分类法的结合方式。用北京地区ＳＰＯＴ多光谱图像和ＧＩＳ数据库进行土地利用分类的试验证明,归纳学习能较好地解决同划物、同物异谱等问题,显提高分类精度,并且能够根据发现的知识进一步     

草场资源分类专家系统的研究

在分析了基于光谱特征的统计模式识别方法用于遥感图像的计算机分类的不足之后，探讨了进一步提高遥感图像分类结果精度及可靠性的途径，指出了在遥感图像的计算机自动分类过程中，综合利用遥感图像多光谱特片及光谱特征以外的辅助信息对遥感图像进行分类是解决上述问题的有效方法，并通过笔者研制的草场资源分类专家系统ＧＥＳ说明了专家系统技术用于遥感图像分类能够有效地解决分类过程中综合利用各种辅助信息的问题。     

SAR图像斑点噪声的小波软门限滤除算法

本文介绍利用小波分析和软门限对合成孔径雷达（ＳＡＲ）图像斑点噪声（Ｓｐｅｃｋｌｅ）进行抑制与滤除的算法。首先选择合适的小波基对合成孔径雷达（ＳＡＲ）图像进行小波分解,应用Ｄａｖｉｄ Ｌ．Ｄｏｎｏｈｏ软门限理论,并且将其推广到２维信号。针对ＳＡＲ图像斑点噪声的特殊性,即在小波变换域内图像和斑点噪声的奇异性不同,选取合适的门限在小波域内滤波。最后进行小波反变换得到去噪后的ＳＡＲ图像。实验证明,该算法能     

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。     

一种基于预测树的多光谱遥感图像无损压缩方法

最小绝对权值（ＭＡＷ）预测树方法是一种有效的多光谱遥感图像无损压缩方法,但其中构造预测树的算法复杂,实现困难。本文对预测树方法进行改进,提出一种侧邻域最小绝对权值（ＳＮＭＡＷ）预测树方法,通过改变预测树的四邻域定义,使构造预测树的算法简化,并且,实验结果表明,对不同类型的多光谱遥感图像,ＳＮＭＡＷ的压缩效果与ＭＡＷ的压缩效果相近或有所改善。     

泛概念层次构建方法及其在遥感图像分类中的应用

针对传统泛概念树在进行正态云综合时出现雾化现象以及使用极大判定法进行遥感图像分类时缺乏类别信息的问题,提出了一种泛概念层次构建的改进算法,并基于改进的泛概念层次构建算法进行遥感图像分类。对TM遥感影像进行分类实验,并与常用的最大似然、最小距离、马式距离等方法进行遥感图像分类的对比试验,验证了本方法的有效性。     

遥感图像在土地利用更新中的应用研究：以里下河地区防汛信息系统（ …

以里下河地区防汛信息系统为例,阐述了利用ＴＭ遥感图像进行ＧＩＳ土地利用更新的试验研究。采用了最大似然分类和模糊分类两种监督分类方法进行分类试验。提出了两种提高训练区采样效率的基于ＧＩＳ本底数据的采样方法,即半人工采样方法和全自动分类区直方图提取法。对上述方法分别做了土地利用分类试验,对分类结果进行了分析比较,并作出了相应的结论。     

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.     

数字挖掘方法在遥感分类中的应用研究

随着空间信息领域技术的提高,利用卫星遥感数据获取地表信息的数据量也飞速的增长,快速有效地在海量遥感数据源中获取感兴趣的地表信息成为一项重要的研究方向。数据挖掘方法具有从海量数据集中提取隐含其中信息的功能,使得数据挖掘方法在遥感图像分类和专题信息提取中具有较好的应用,但不同的数据挖掘算法具有各自的独特性,使得在遥感分类中使用数据挖掘方法并不容易,本文通过介绍几种常用的数据挖掘算法,分析和探讨了这些方法在遥感分类应用中的优势和局限性,为在遥感分类中更好的、有针对性的选择数据挖掘算法提供借鉴。     

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     

基于遥感技术的干旱区土壤分类研究

以新疆艾比湖地区为研究区域,以ASTER和SPOT卫星数据为基础,探讨了干旱环境下基于土壤与景观关系的土壤遥感自动分类方法.首先,研究以实地调查资料和第二次全国土壤普查数据库为基础,结合遥感图像信息分析了试验区土壤类型与景观的关系.然后,基于遥感图像和地形数据提取了分类特征,并采用Jeffries-Matusita 距离分析建立了适用遥感分类的土壤分类系统和分类特征集.最后,采用最大似然法进行了自动分类.研究证明,基于遥感信息和地形数据提取的分类特征,可有效地区分试验区9类土壤和地表覆被,主要包括:盐碱化土壤、荒漠化土壤等,总体分类精度达到了90%左右.     

一种基于SVM多特征综合的图像分类方法

分别利用多通道Gabor滤波器和HSV颜色模型对图像进行特征提取,得到两种特征空间。用顺序向前浮点法搜索,以J-M距离(Jeffreys-Matusitas distance)为评价指标进行特征选择,最后利用综合后的特征数据在SVM基础上实现图像的监督分类。上述方法提高了彩色纹理图像和遥感图像的分类正确率。实验表明,多特征融合的分类效果比单一特征要好。     

基于多样性特征协同技术的飓风前后森林破坏遥感监测

对被飓风破坏的森林进行变化监测与灾害评估是遥感技术的一个重要应用,遥感影像的特征信息提取对森林遥感监测的效果至关重要。多样性特征结合可以有效提高对森林变化的监测精度。然而,当前的空间信息如纹理特征的获取算法依旧保留着传统的固定式计算模式,一直面临着特征数量和邻域参考范围之间难以均衡的问题。为了解决以上问题,本文提出了基于多样性特征协同技术的飓风前后森林破坏遥感监测方法,首先计算出森林遥感影像变化前后的归一化植被指数差值和增强植被指数差值,并提出了基于复合窗口技术的来提取纹理特征,然后建立了多样性特性结合模型;其次提出了一种基于特征分离的旋转森林改进算法,最终,实现了内泽尔森林在暴风前后的高精度变化监测;另外,还测试了新模型在不同训练样本数量下的分类性能。实验结果表明,相对传统的基于光谱特征和单纯的纹理特征的变化监测方法,本文所提出的方法的整体精度、对变化区域和未变化区域的检测精度至多分别提高了3.68%、6.53%和3.46%。本文的研究方法可以有效提高森林变化监测的性能,为森林灾害评估与森林资源保护提供参考依据。     

多源遥感信息自动解译技术研究与应用

随着遥感技术的日益发展,遥感影像的空间、时相与光谱等分辨率不断提高,传统的信息获取方法已不能满足国土、规划等业务需求,为了提高遥感信息提取自动化程度及数据成果精度,本文研究了一套集合多种分类与变化检测方法的新技术,根据不同数据源影像特点实现择优处理,解决了目前传统方法耗时耗力、技术单一、针对性弱、精度与效率较低等问题。同时,通过程序开发形成对应的系统,应用于"三旧改造"地块监测、广东省基本农田监测等业务中,取得了良好的应用效果。     

结合L0平滑和超像素的高空间遥感影像非监督分类

针对基于像元的非监督分类方法对高空间遥感影像分类时易形成“椒盐”噪声和产生大量错分、漏分的问题,提出了一种结合L0平滑和超像素的非监督分类方法．首先采用L0算法对高空间遥感影像进行平滑操作,减少大量图像噪声及冗余信息;然后采用简单的线性迭代聚类（SLIC）超像素方法处理平滑后图像,进一步抑制椒盐现象的同时降低处理复杂度,得到初始聚类图;最后采用K-means非监督分类方法得到最终分类结果图．为验证本文提出的方法,选取3景高空间遥感影像作为实验数据．试验结果表明,采用提出的方法能准确对地物分类,且总体精度分别达到了72.46％、77.55％和78.44％,Kappa系数分别达到0.788、0.779和0.779．提出方法能有效解决分类中存在的“椒盐”现象,可提高分类精度,对高空间遥感影像分类具有一定的参考价值．      

融合形状和光谱的高空间分辨率遥感影像分类

提出了一种像元形状指数及基于形状和光谱特征融合的高（空间）分辨率遥感影像分类方法。形状和光谱是遥感影像纹理的具体表现形式,尤其在高分辨率影像中地物细节得到充分表达,相邻像元的关系及其共同表征的形状特性成为分类的重要因素。本文用像元及其邻域的关系来描述其空间结构,同时为了更全面地利用影像特征,提出了基于支持向量机的形状和光谱融合分类方法。实验证明,该方法计算简便且能有效表达高分辨率影像的地物特征,提高分类精度。