高分辨率遥感影像5种面向对象分类方法对比研究

针对主流的面向对象分类方法在遥感影像处理中的使用范围不明确的问题,以e-Cognition软件平台为基础,处理标准数据集,综合考虑视觉效果、总体精度和用户精度3方面,系统地比较分析了主流的面向对象分类方法在高分辨率影像中的分类效果和精度分析。试验结果表明：使用不同的分类方法均存在混分现象且混分对象不完全一样。在处理同一标准数据集时,隶属度函数分类方法的精度最高但分类速度最慢,Bayes的分类效果最差但操作简单,支持向量机（SVM）、决策树（DT）、随机森林（RF）的分类速度均较快且都有较高的精度,其中SVM分类方法在区分相似性高的对象方面具有明显优势。在选择高分影像分类方法时,要充分考虑分类影像的特征选择从而选择合适的分类方法。     

基于改进的像素级和对象级的遥感影像合成分类

像素级和对象级的分类研究分别作为两个独立的方向开展,二者的结合与优势互补还没有引起关注。本文对像素级和对象级分类方法的结合做出新的探索,提出了基于改进的像素级和对象级的遥感影像合成分类方法。首先,以一种改进的RBF神经网络分类器进行像素级分类、以一种基于改进模糊支持向量机和决策树的层次分类模型进行对象级分类,获得多层次分类结果。然后,提出了一个具体的像素级分类与对象级分类的合成算法,对多层次分类结果进行合成。实验表明,合成分类方法能有效地提高分类结果的精度,提供比单一像素级方法或对象级方法更准确的分类结果。     

模糊分类在邛崃地区土地利用分类中的应用

随着模糊理论的发展,将模糊分类方法运用于遥感图像土地利用分类是一个很好的选择,本文以邛崃地区2002年的Landsat ETM＋遥感图像为研究对象,基于ENVI软件将模糊分类和最大似然法监督分类的结果与检验数据进行比较,结果表明在一个受各种因素影响并具有模糊性的土地分类问题上（遥感图像的林地、耕地、园地地类识别）,模糊分类较传统的遥感图像分类方法有更好的效果。     

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。     

三凯高速路域ZY-3影像分类方法对比研究

以贵州省三凯高速路段资源三号遥感影像为例,对比分析支持向量机监督分类、ISODATA非监督分类以及SVM面向对象分类方法的成果与精度,研究这三种分类方法在资源三号影像分类上的适用性。研究结果表明,监督分类与面向对象分类效果良好,其总体分类精度、Kappa系数等指标,都要明显优于非监督分类。对于不同地物分布以及光谱信息的资源三号影像,监督分类与面向对象分类各有优势,可以视情况选择。     

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。     

遥感混和分类算法及其在森林分类中的应用

本文主要通过和传统分类方法相比较,来阐述了一个遥感混和分类算法(IterativeGuidedSpectralClassRejection)的主要实现原理和方法以及该方法在森林非森林的识别方面的优势。然后通过利用该分类算法,对同一地区多时相遥感影像进行复合的影像森林分类实验,以及通过与最大似然法的对比实验,来说明该算法载森林分类中的应用和优势:提高分类精度,改善分类效果。     

唐山市区土地利用的Landsat 8影像分层分类

针对土地利用遥感分类方法多样、分类精度高低不一等问题,该文以土地利用变化明显的唐山市路南区、路北区为研究区域,并以中分遥感影像Landsat 8OLI为信息源,在对地类样本进行可分离性分析的基础上,建立研究区土地利用分层分类体系。通过监督分类实验,选择分类效果最好、分类精度最高的最大似然分类器进行地类初分;通过绘制归一化植被指数(NDVI)、归一化建筑指数(NDBI)、两指数差值(NDVI-NDBI)的曲线及地类光谱特征曲线,建立决策树分类规则,进行地类再分。该方法可以较好地完成多种土地利用二级地类的划分,有助于提高中分影像土地利用分类效率。     

基于Bayes定理的数据挖掘方法研究

本文研究了利用Bayes定理发现分类规则的方法，用Bayes定理可以发现分类规则，然后用分类规则进行数据分类。结合实例针对概念性数据集和包含数值性属性和概念性属性的数据集两种情况进行研究。最后通过实例说明Bayes定理是数据挖掘中一种有效的数据分类方法。     

煤田火区特征的土地覆盖分类方法 ——以乌达煤田火区为例

土地覆盖变化是土地分析与评价和生态环境变化预测的重要科学基础, 通过精确的土地覆盖分类方法 获取高精度的土地覆盖图是研究煤田火区生态环境变化的必要手段。本文以最大似然法、光谱角度法、面向对象 分类法和基于复合分区的分层分类法进行乌达煤田火区土地覆盖分类的方法研究。研究结果表明, 基于复合分区的 分层分类方法分类精度较高, 总体分类精度为92.97%, kappa 系数为0.9155。该方法通过基于地表热辐射特征、热 异常状况、地貌类型, 以及对生态系统扰动状况等的划分, 减少了地物信息的混淆度, 即通过提     

基于纹理特征的遥感影像监督分类

影像分类技术是遥感影像分析与解译的重要基础。纹理特征是影像的重要特征,本文主要实现基于纹理特征的遥感影像监督分类。首先对地物样本进行提取,通过样本训练统计各类地物纹理特征向量,建立纹理特征库;然后以各类地物的特征向量作为基准,采用最短距离分类器对影像进行分类;最后采用混淆矩阵对分类结果进行精度评定,并与ERDAS专业软件分类结果进行对比分析。实验证明,本分方法取得了与ERDAS软件相当的分类效果,从而验证本文方法的可靠性。     

多类别遥感图像的复合分类方法

多类别识别对于遥感图像分类的实用化具有重大意义。本文提出一种由多层神经网络与无监督分类相结合的复合分类方法。第一步用多层网络对几个大类进行有监督分类，第二步将网络输出作为无监督分类的输入，对遥感图像进行细分，使得可识别的类别数从原来的１０类提高到３０类。对ＳＰＯＴ遥感图像识别的结果表明，该算法能适应多类别识别任务的要求。     

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。     

BS-GEP算法在水利遥感图像分类中的应用

在地物环境状况较为复杂时传统基于统计学遥感分类算法难以得到较高的分类精度。针对这一问题,这里将基于分组策略的改进基因表达式编程算法(BS-GEP)应用到遥感图像分类问题中,避免传统的基因表达式编程算法由于种群多样性破坏引起局部收敛,解决地物状况复杂时难以得到较高分类精度的问题。实验结果表明:基于分组策略的基因表达式编程算法的分类器提取的分类规则能转为数学表达式形式并能获得较高的分类精度,与基因表达式编程算法(GEP)相比分类结果混淆程度相对较低,与最大似然法相比分类结果相对清楚,模型分类精度达到93%。     

基于机载Lidar数据辅助的林地信息提取

利用机载Lidar数据进行了林地信息提取,并对提取结果进行了矢量化处理,结合高分辨率航空RGB影像进行进一步林地信息快速分类.通过对比,可以看出分类精度得到了显著的提升,解决了单一RGB高分影像分类困难的问题,为Lidar数据的进一步研究提供了新的思路与方法.     

应用图像关联度的图像模糊分类

提出了应用图像关联度的图像模糊分类新方法。该方法在求得每幅图像相对各个类别的关联度的基础上,求得每个类别图像关联度的均值和标准差σ;然后计算每幅图像的关联度与所在类别关联度均值之差Δi,差值Δi≤2σ,该图像应“留“在该类中;否则,该图像应归入与另两个类别的关联度较大的类别。每幅图像都经过这样的检验,实现图像的再划分,直到这一过程稳定为止。实验结果表明,该方法的图像分类质量有一定优势。     

基于分区和纹理特征的伊犁河谷遥感影像土地利用分类

利用新疆伊犁河谷的伊宁县SPOT5遥感影像,在ERDAS IMAGINE 9.2软件平台下,通过二次变异分析算法和三次非对称分析算法提取纹理信息。基于图像的光谱特征和纹理特征进行监督分类,然后根据地物的空间分布进行"分区分类处理"。结果表明,伊宁县的总体分类精度提高了19.34%,Kappa系数提高了0.247。利用霍城县遥感图像进行分类方法验证,同样取得了较好的效果,表明该方法可在伊犁河谷土地利用分类中进行推广应用。     

SVM加权学习下的机载LiDAR数据多元分类研究

基于支持向量机统计学习分类过程中不同特征对分类结果贡献存在差异的问题,提出了支持向量机加权学习下的训练、分类新方法,以实现对城区机载LiDAR数据多元分类(地面、树木、建筑),并对特征矢量加权归一化、特征权重计算以及该方式下多元分类策略的建立进行了讨论,实验证明了该方法的有效性.     

分层神经网络分类算法

提高遥感图像分类精度一直是爱到普遍关注的焦点问题。近年来,人工神经网络技术和分 处理技术由于它们的许多优点受到广泛欢迎。本文把两种技术结合起来,提出了分层神经网络的概念,并基于此设计了一种分层神经网络分类算法。通过与最大似然法的对比实验表明,这种分层神经网络分类算法可以明显地提高分类精度,并对不规则分布的复杂数据具有很强的处理能力。