一种基于知识的遥感图像模糊分类方法

本文提出了一种基于知识的遥感图像模糊分类方法，在传统的模糊分类方法中加入了从GIS数据库中发现的知识，用它来辅助进行遥感图像分类，实验结果表明，分类的精度与传统的模糊分类方法相比有了较大程度的提高，是一种较好的遥感图像分类方法。     

遥感图像分类方法研究综述

 综述了遥感图像监督分类和非监督分类中的各种方法，介绍了各种方法的优缺点、适用领域和应用情况，并作了简单评述，最后，展望了遥感图像分类方法研究发展方向和研究热点。     

基于混合像元的遥感图像分类技术

本文提出了混合像元的概念，研究了基于混合像元的遥感图像分类问题，根据最小二乘法的原理导出了混合像元的分类算法。实验表明：在多光谱图像分类中考虑混合像元的客观存在，可以大大提高遥感图像的分类精度。     

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。     

基于模糊小脑模型神经网络的遥感图像分类算法

针对遥感图像分类的特点，提出一种基于模糊小脑模型神经网络的遥感图像分类算法，首先阐述小脑模型神经网络的工作原理，然后将模糊理论引入小脑模型神经网络，提出一种能反映人脑认知的模糊性和连续性的模糊小脑模型神经网络，并将其应用于遥感图像分类，实验结果表明，这种基于模糊小脑模型神经网络的分类器经过训练后，可应用于遥感图像的分类，其分类精度明显高于传统的最大似然分类法。     

高光谱遥感图像的监督分类

图像分类是高光谱遥感图像分析与应用的重要手段。总结了目前用于高光谱图像监督分类的主要方法,包括最小距离法、最大似然法、神经元网络法和支持向量机法,分析了上述方法的特点,并探讨了高光谱遥感图像分类方法的发展趋势。     

一种简单加入空间关系的实用图像分类方法

遥感图像分类是遥感图像处理的一项基本内容，也是遥感应用中关键的一步。为了提高分类的精度，一方面是对光谱信息的合理利用；另一方面，可以加入新的信息源，即进行多源数据处理，并加入地学知识，尤其是对空间信息的利用是至关重要的。但是由于地学知识的复杂性及空间信息利用的难度以及数据源的限制，尚无公认的实用方法。该文提出了一种简单加入空间关系的分类方法，在没有其它数据源的情况下，利用空间关系特性，在分类中构造两个空间关系波段，实现空间约束，部分消除仅依赖光谱数据分类而引起的同物异谱和同谱异物造成的分类错误。简单实用，同时也验证了空间关系在分类中的重要性。     

遥感图像分类与后处理综合技术研究—基于约束满足神经网络方法

遥感图像计算机分类的精度问题是阻碍计算机遥感信息处理系统实用化的一个关键问题。将分类后处理中的分类结果平滑过程模型化为约束优化问题,采用神经网络方法把分类结果平滑过程与遥感图像分类过程结合起来,提出了基于约束满足神经网络的遥感信息分类与后处理综合技术。实验表明该方法可明显提高森林类型划分、土地利用调查等遥感应用专题的分类精度。     

基于PCA的高光谱遥感图像分类

高光谱遥感图像的出现进一步提升遥感图像分类的准确性,但高光谱遥感图像的数据量大,处理高光谱遥感图像复杂度高、效率低。为解决这一问题,将主成分分析算法作为遥感图像分类的预处理技术。分析主成分分析算法的原理,利用主成分分析算法提取高光谱图像的主要波段图像。通过实验验证得出结论:高光谱遥感图像的主波段图像包含分类所需的大部分信息,利用少数的主波段图像即可达到70%以上的分类正确率。实验结果表明,在保证分类正确率的前提下,PCA算法可有效地减少图像分类处理的数据量,提高图像的处理效率。     

遥感图像分类方法及发展趋势

遥感图像分类是遥感信息提取中的关键技术。遥感应用的许多方面都需要这一技术的支持。在遥感技术一些新的研究领域和前沿, 如基于图像内容的数据检索、基于图像内容和对象的数据压缩等, 遥感图像分类是其必不可少的。对遥感图像分类方法和近年来在这一研究领域的发展趋势进行综合论述。     

基于地统计学的图像纹理在岩性分类中的应用

纹理是遥感图像的重要特征,它揭示了图像中辐射亮度值空间变化的重要信息。本文运用地统计学中的对数变差函数计算图像纹理,并与图像的光谱信息结合,进行图像岩性分类,分析了不同大小窗口纹理信息对分类精度的影响。结果表明,运用地统计学原理进行图像分类,可大大提高图像的分类精度;采用较大窗口提取的纹理信息参与分类能使总体分类精度提高,但某些岩性类的分类精度有所下降,建议在实际应用中,根据具体情况选择窗口的大小。     

基于散射分量系数的极化SAR数据分类

分析了传统的基于散射功率大小的极化SAR数据分类算法,提出了一种基于散射分量系数的改进算法,实现了全极化SAR数据的有效性分类。     

山区植被类型信息提取方法研究

根据遥感图像的光谱信息和空间信息特征及不同植被的分布规律,研究利用计算机处理技术提取山区植被类型的方法。分类过程采用四个步骤完成：①均一目标的象限四分树提取分类；②多光谱数据的最小距离分类；③综合利用波谱曲线的形态和地形数据进行分类；④高程数据修正分类。在分类处理过程中,分别利用了图像的空间信息、光谱信息以及地形数据。利用该分类方法在实验小区内进行植被类型提取试验,其精度为90%.与最大似然分类方法所得结果相比较,其分类精度提高了10%.     

基于ASTER数据的决策树自动构建及分类研究

 在对ASTER原始9个波段数据进行各种变换处理的基础上，采用数量化指标平均可分性方法确定参与分类的最佳特征组合； 结合研究区8种主要地物类型训练数据集，分别采用最大似然法、BP神经网络法和基于See 5.0数据挖掘的决策树分类法进行分类，提取主要地物的空间分布专题信息。经过379个野外样点的验证，结果表明： 决策树算法分类性能最优，神经网络算法次之，最大似然法效果最差； 与ENVI 4.1、ERDAS 8.7提供的传统决策树建立及分类方法比较，基于数据挖掘工具See 5.0和Cart的决策树生成和分类方法具有客观、高效率、分类性能可靠和精度高等优点。     

地理信息系统支持下的山区遥感影像决策树分类

山区遥感影像分类是遥感研究的一大难题。本文利用一种决策树生成算法（C 4.5算法）自动提取知识，基于知识建立决策树用于山区影像分类，并结合研究区土地利用类型与DEM空间统计关系的先验知识，在GIS空间分析的基础上进行影像分类的后处理。与传统的最大似然法分类结果相比，该方法极大地改善了山区地表覆被分类的精度，得到试验区较为可靠的遥感分类图像。     

玛曲湿地遥感影像提取及精度分析

以甘肃玛曲县为研究区,以区域湿地遥感信息提取为目标,采用TM多光谱数据和DEM数据,利用归一化植被指数和主成分分析得到的第一主成分作为分类特征,通过对数据的空间特征、波谱特征与统计结果的对比分析,构建湿地信息提取决策树模型,并与非监督分类法、最大似然法相比较,表明基于多特征决策树分类法能够用于湿地专题信息的提取,在研究区有较好的适用性。     

多尺度空间下的云南山地流域遥感土地利用分类对比研究

以云南山地流域为研究区域，利用实证理论方法及3S（RS、GIS、GPS）技术手段，进行了多尺度空间下多模型的遥感土地利用分类对比研究。结果表明： 率先建立地学主导因子下的遥感地学分异规律，对提高云南遥感土地利用/土地覆盖（LUCC）分类精度效果显著； 遥感分类模型效应与尺度空间有较大的关联性； 对大区域及地形因子和地貌差异大的研究区，构建专家系统模型和推理分类模型是提高遥感分类精度的有效途径。     

VHSR图像基于分割对象分类器性能评价

对比研究了平行六面体、最近邻分类法、最大似然法、神经网络等经典分类算法以及近年来新发展的支持向量机分类算法在基于分割对象的高分辨率遥感图像分类中的性能,详细分析了不同内积核函数对于支持向量机分类的影响。对两个试验区进行试验的结果表明,支持向量机分类算法分类精度得到明显改善,同时分类结果受参数、样本选择等影响较小,稳定性好。     

计算机自动识别分类技术在森林遥感中的应用

本文叙述应用计算机自动识别分类技术在航天遥感图像中对森林资源进行分类的一些探索研究。本文介绍了采用自编程序“地理坐标系和图像坐标系的精密仿射变换”、“识别型增强技术”、“多光谱信息的特征提取”、“多光谱模糊算法聚类分析”等一系列算法后所取得的分类图像结果,与实地及目视解译相比较,森林分类相对精度达90％。     

运用多尺度图像纹理进行城市扩展变化检测

 应用遥感数据检测城市扩展变化时，单纯基于光谱信息的变化检测法很难取得理想效果。本文将多尺度的纹理与光谱信息结合应用于变化检测，并评价其在检测城市扩展变化中的性能。变化检测采用分类后比较法。研究表明，如果纹理尺度与数据组合合适，与单纯基于光谱信息的检测结果相比，纹理特征与光谱特征结合的变化检测精度显著提高，而多尺度纹理辅助变化检测得到的检测精度最高。研究还发现，纹理辅助变化检测在某些地物类别的边缘会产生假变化信息。