与旋转、尺度无关的影像纹理的MRF参数估计

本文提出纹理图像尺度、旋转参数估计的数学模型，通过航空影像纹理图像分类试验，表明所提出的数学模型是正确的。对方向性强的纹理，在进行旋转变换后，可以提高纹理分类的正确率。     

与旋转,尺度无关的景像纹理的MRF参数估计

本文提出纹理图像尺度１旋转参数估计的数学模型，通过航空影像纹理图像分类试验，表明所提出的数学模型是正确的。对方向性强的纹理，在进行旋转变换后，可以提高纹理分类的正确率。     

基于支持向量机的航空影像纹理分类研究

提出一种用SVM解决航空影像纹理分类的方法。在利用一些常用的纹理特征的基础上，将SVM用于航空影像纹理分类，有效地解决了特征选择难和高维数问题。试验表明，这种方法可以取得较好的结果。     

分形几何在影像纹理分类中的应用

本文基于分形几何中的分维值对影像纹理进行分类。系统地介绍了以影像分维值为依据，采用多分辨率分维值，以及本文提出的利用已有空隙概念的拟合回当法，对影像纹理进行分类的全过程。试验表明该方法对标准纹理和航空影像纹理的分类都能取得较好的效果。     

辅以纹理特征的高分辨率遥感影像分类

为了提高对高分辨率影像的分类精度,通过灰度差矢量法快速提取纹理特征,利用BP神经网络并辅以纹理特征,对一幅江西某地0.2m分辨率的航空影像进行分类。结果显示,对比度纹理特征能较好地反映该影像的纹理信息;对光谱特征不典型、纹理特征明显的人工树林,分类精度可达到90%以上;增加纹理特征后,影像分类的总精度也由55%提高到94%。表明这种结合纹理特征和BP神经网络的分类方法,能提高对高分辨率影像分类的精度。     

基于蚁群优化的特征选择新方法

利用蚁群优化算法解决特征选择问题，以获得能代表问题空间的较优特征子集，并能降低分类系统的搜索空间。以航空纹理影像的特征选择和分类问题为例，利用主分量变换和蚁群优化算法分别对原始纹理影像特征集合进行特征提取、选择和分类。结果表明，本文方法不仅能够降低图像特征空间维数，减少图像分类的工作量，而且还可以提高分类识别的正确率。     

马尔柯夫随机场的参数估计与影像纹理分类

本文提出马尔柯夫随机场参数估计的算法，通过人工纹理和从航空像片上提取的自然纹理的试验表明参数估计的算法是正确的。除此之外，本文还讨论了不受图像边界形状影响的ＭＦＲ参数估计和利用ＭＲＦ参数进行纹理分类的问题。这些研究表明ＭＲＦ参数在航空像片纹理分类中具有很好的应用前景。     

产生“Tuned”模板的的混沌粒子群算法

针对传统的产生纹理“Tuned”模板方法的缺陷,在介绍混沌粒子群优化算法的基础上,提出了产生最佳“Tuned”模板的混沌粒子群方法;阐述了产生“Tuned”模板新方法的基本原理和实现步骤.通过对实际航空影像分类的实验表明,新方法对纹理影像的分类正确率令人满意.将混沌粒子群算法与基本粒子群算法的结果作了对比,结果表明,新方法具有较好的应用前景.     

贝叶斯网络在航空影像纹理分类中的应用研究

贝叶斯网络在航空影像纹理分类中的应用研究     

基于遗传算法的影像纹理分类

阐述了遗传算法的基本原理,提出与马尔柯夫随机场相结合的遗传算法在影像纹理分类中的应用。通过对４种纹理取样的实验,表明这种影像纹理分类方法可以提高分类的正确率。     

三种纹理分类方法在航片纹理分类中的试验与分析

采用三种比较典型又各具特色的纹理分类方法，对航片影像纹理分类进行了试验。通过对结果的分析得到一些结论，这些结论对于选用和搭配影像纹理分类方法有一定的指导作用。     

模糊聚类分析用于基于分形的影像纹理分类

利用模糊数学中的模糊聚类分析方法，通过计算和比较不同影像纹理空隙数据的相似系数ｒｉｊ来达到分类的目的。试验表明，此方法是有效可行的。     

基于分形理论的航空图像分类方法

提出一种基于分形理论和BP神经网络的航空遥感图像有监督分类方法。该方法尝试将航空图像的光谱信息和纹理特征相结合。它首先将彩色航空图像由RGB格式转化为HSI格式，然后，根据亮度计算分数维、多重分形广义维数谱q-D(q)和“空隙”等基于分形的纹理特征，同时加入归一化的色度和饱和度作为光谱特征，采用BP神经网络作为分类器。通过对彩色航空图像的分类实验，结果证实该方法行之有效。     

基于分形理论的航空图像分类方法

提出一种基于分形理论和BP神经网络的航空遥感图像有监督分类方法。该方法尝试将航空图像的光谱信息和纹理特征相结合。它首先将彩色航空图像由RGB格式转化为HSI格式，然后，根据亮度计算分数维、多重分形广义维数谱q-D(q)和“空隙”等基于分形的纹理特征，同时加入归一化的色度和饱和度作为光谱特征，采用BP神经网络作为分类器。通过对彩色航空图像的分类实验，结果证实该方法行之有效。     

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。     

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...     

混沌映射在优化计算中的应用

利用描述混沌运动的Logisdc方程的随机性取代常规的均匀分布的随机数发生器的随机性，并应用在产生“Tuned”模板的优化过程中，得到了最佳模板。经实际航空影像的试验表明，Logistic映射的引用可使模板用于影像纹理识别的性能有所提高。     

纹理模型法用于影像纹理分类

在分析分形维和马尔可夫随机场两种主要纹理模型法的基础上,提出了先用马尔可夫随机场方法进行纹理分类,再用分形维方法对那些具有相同马尔可夫随机场模型及参数值相近的纹理影像进行分类的方法。该方法不仅能提供出影像纹理的纹理基元,还能给出影像粗糙性、自相似程度,减少了纳伪误差。     

单波段单极化高分辨率SAR图像纹理分类研究

以2003年7月淮河洪水监测获取的高分辨率SAR图像为试验数据，首先对数据进行了分析，指出了高分辨率SAR图像的特点，之后通过小波变换对图像进行两层小波分解得到子图像，并在选择合适的能量计算窗口条件下，计算子图像的纹理能量，最后使用了BP神经网络方法进行纹理分类。研究结果表明，采用小波纹理分类方法对高分辨率SAR图像分类是可行的，可以获得高的分类精度，同时也指出了纹理分类的不足和进一步研究的方向。