基于神经网络集成的遥感图像分类与建模研究

对神经网络模型及其集成技术进行深入研究,并将神经网络的信息处理机制应用于影像信息的分类与建模。针对高分辨率遥感图像分类问题,介绍了神经网络应用于图像分类的算法。本文采用BP、RBF和Hopfield神经网络分别进行网络的构建与分类,基于Bagging和Boosting生成个体网络,应用投票方式决定分类结果,并与单个神经网络分类结果对比,计算分类器的分类精度。实验分析表明,该方法具有较强的泛化能力与较高的分类精度等优点,分析了不同集成方式的优缺点。     

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。     

卷积神经网络在高分遥感影像分类中的应用

针对目前应用于高分辨率遥感影像分类的常用算法,其精度已无法满足大数据环境下的分类要求的问题,该文提出了卷积神经网络分类算法。卷积神经网络模型降低了因图像平移、比例缩放、倾斜或者共他形式的变形而引起的误差。在大数据环境下,采用卷积神经网络算法对高分辨率遥感影像进行分类,避免了特征提取和分类过程中数据重建的复杂度,提高了分类精度。通过实验比对分析,证明了卷积神经网络在高分辨率遥感影像分类中的可行性及精度优势,对遥感图像处理领域等相关工作提供了参考价值。     

高分辨率遥感影像分类的多示例集成学习

精选示例特征嵌入多示例学习(MILES)算法在对噪声较强的训练样本进行学习时表现出良好的性能,但其判断规则可能带来遥感影像分类结果的不确定性。针对这一问题,提出用Bagging和AdaBoost集成MILES的多示例集成学习算法,使用粗包细分、多样性密度和最大似然分类相结合抑制分类不确定性的方法,实现了高分辨率遥感影像分类中多示例学习与集成学习的组合。采用Quick Bird、IKONOS等高分辨率遥感影像进行试验,结果表明多示例集成学习能有效控制遥感影像分类结果的不确定性,具有良好的应用前景。     

基于RBF神经网络的遥感影像分类算法研究

提出了运用径向基函数神经网络和K均值法进行遥感影像分类的算法，以实际的遥感影像分类为例，通过与传统的最小距离法进行比较，对RBF神经网络分类器的优点进行了归纳，并就算法实施中的一些问题进行了探讨。分析结果表明，RBF神经网络是一种有效的图像分类器。     

顾及空间信息与全卷积神经网络的高分辨率遥感影像分类方法

针对高空间分辨率遥感影像分类中存在的特征选择困难和空间信息缺乏等问题,提出一种顾及空间信息与全卷积神经网络(fully convolutional network,FCN)的高分辨率遥感影像分类方法。该方法综合利用遥感影像的光谱信息与高程信息,首先,使用改进的全卷积神经网络逐层学习得到从底层到高层的特征映射;然后,利用Softmax分类器获得分类概率图;最后,将分类概率图和待分类影像同时输入条件随机场以强化空间信息约束,得到最终的分类结果。实验表明,该方法能有效提升高分辨率遥感影像的分类精度,减少分类噪声,在主观视觉效果和客观定量指标上均优于全卷积神经网络方法以及K近邻和支持向量机等传统分类方法,同时证明了数字表面模型用于高分辨率遥感影像分类的优势。     

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.     

基于RBF神经网络的高分辨率遥感影像分类的研究

提出RBF神经网络的改进算法,用于高分辨率遥感影像的分类.以实际高分辨率遥感影像为例进行实验,并与传统最小距离分类法进行比较.结果显示,RBF神经网络具有精度高、误分率小的特点,具有较好的应用前景.     

多尺度SLIC-GMRF与FCNSVM联合的高分影像建筑物提取

遥感影像建筑物提取具有重要的应用价值。然而,高分辨率遥感影像中细节信息繁多、特征复杂,增加了建筑物提取难度。针对这一问题,本文提出一种基于多尺度SLIC-GMRF和FCNSVM的建筑物提取方法,一定程度上提高了高分辨率遥感影像建筑物提取能力。首先,利用多尺度SLIC-GMRF分割算法确定初始建筑物区域,然后,充分利用FCN神经网络在语义分割中的优势抽取建筑物特征,最后,结合提取出的建筑物特征训练SVM分类器细化建筑物提取结果,通过3种控制实验,两种对比方法得出以下结论:SLIC分割算法影响初始分割结果;SVM分类器影响建筑物细部提取;FCN特征影响SVM分类器性能。对于特征清晰、遮挡干扰较少的研究区,本文方法能够较好提取影像中的建筑物,查准率、查全率、质量指标均优于对比方法,对建筑物复杂分布的研究区同样能够取得较好的提取效果。     

基于BP神经网络的高分辨率遥感影像分类

为了能有效地从高分辨率遥感影像中提取地物信息,本文通过影像的光谱和纹理特征,利用BP神经网络算法进行影像分类研究。首先提取分类所需的光谱和纹理特征源,然后根据影像和地物特征,建立BP神经网络,用于样本训练和分类处理,实现地物分类。为验证该方法的可靠性,以2006年11月获取的成都平原某区域的Quickbird影像为实验数据,进行高分辨率遥感影像的地物分类实验。实验结果表明,结合影像光谱和纹理特征的BP神经网络分类算法,不仅可以有效保证BP神经网络分类训练的稳定性和收敛速度,还能达到较高的分类精度。     

利用多分类器自适应级联模型的高分二号影像分类

针对传统单一分类器分类效果不够理想,存在各自的不足,以及已有的多分类器级联模型不能根据待识别样本特征进行动态调整优化等问题,提出了一种基于多分类器自适应级联模型的遥感影像分类方法。该模型选取各类别最优分类器进行级联组合,以待识别样本在整体性能最优分类器的表现对类别最优分类器作出自适应调整,对高分辨率影像分割后的像斑对象输出类别信息。以杭州区域高分二号遥感影像进行分类试验,结果表明,本文方法相比于单一分类器及已有的级联模型具有更高的分类精度。     

Multiple Classifier Systems for Hyperspectral Remote Sensing Data Classification

One of the most widely used outputs of remote sensing technology is Hyperspectral image. This large amount of information can increase classification accuracy. But at the same time, conventional classification techniques are facing the problem of statistical estimation in high-dimensional space. Recently in remote sensing, support vector machines (SVMs) have shown very suitable performance in classifying high dimensionality problem. Another strategy that has recently been used in remote sensing is multiple classifier system (MCS). It can also improve classification accuracy by combining different classifier methods or by a diversity of the same classifier. This paper aims to classify a Hyperspectral data using the most common methods of multiple classifier systems i.e. adaboost and bagging and a MCS based on SVM. The data used in the paper is an AVIRIS data with 224 spectral bands. The final results show the high capability of SVMs and MCSs in classifying high dimensionality data.     

A Novel Remote Sensing Image Classification Scheme Based on Data Fusion, Multiple Features and Ensemble Learning

In this paper, we propose a novel scheme to improve the accuracy of remote sensing image classification by integrating data fusion, multiple feature combination and ensemble learning. Intensity-Hue-Saturation (IHS), Gram-Schmidt (GS), Brovey and wavelet fusion methods are first performed to obtain the optimal fusion images of high resolution and multispectral images. Support Vector Machine (SVM) classifier is then adopted to classify the fused image with different feature sets, and ensemble learning algorithm based on dynamic classifier selection (DCS) is finally used to integrate multiple classification maps. The proposed classification scheme is implemented with three remote sensing data sets, obtaining the highest overall accuracy and kappa coefficient in all cases (92.63% and 0.8917 for BJ-1 data set, 81.89% and 0.7513 for Landsat TM and SPOT4 data set, 92.21% and 0.8838 for ALOS data set respectively). The experimental results show that the integration of data fusion, feature combination and ensemble learning improves the classification performance obviously and has great potential in practical uses.     

基于eCognition的遥感图像面向对象分类方法研究

随着高分辨率遥感图像越来越普及,传统的面向像元的图像分类方法不能满足对高分辨率遥感图像区域分类的需求,高分辨率遥感图像对图像处理的软件与硬件都有了更高的要求,因此,出现了相较于面向像元有着更高精度更为合理的面向对象分类方法,也更加适用于高分辨率遥感影像。本文通过采用面向对象分类的基本方法,运用eCognition软件,以山东省胶州市地区遥感影像为例,进行多尺度分割和面向对象分类。并用ENVI做监督分类,基于目视解译精度评定,对不同方法作出分析评价。结果表明:面向对象分类方法精度更高,更具有可靠性。     

高光谱遥感影像分类研究进展

随着模式识别、机器学习、遥感技术等相关学科领域的发展,高光谱遥感影像分类研究取得快速进展。本文系统总结和评述了当前高光谱遥感影像分类的相关研究进展,在总结分类策略的基础上,重点从以核方法为代表的新型分类器设计、特征挖掘、空间-光谱分类、基于主动学习和半监督学习的分类、基于稀疏表达的分类、多分类器集成六个方面对高光谱影像像素级分类最新研究进行了综述。针对今后的研究方向,指出高光谱遥感影像分类一方面要适应大数据、智能化高光谱对地观测的发展前沿,继续引入机器学习领域的新理论、新方法,综合利用多源遥感数据、多维特征空间互补的优势,提高分类精度、分类器泛化能力和自动化程度;另一方面要关注高光谱遥感应用的需求,突出高光谱遥感记录精细光谱特征的优势,针对应用需求发展有效的分类方法。     

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。     

基于深度学习的高分辨率遥感影像建筑物提取方法

针对传统的建筑物提取方法精度较低和边界不完整等问题,本文提出基于深度学习的高分辨率遥感影像建筑物提取方法。首先,采用主成分变换非监督预训练网络结构,获得待提取遥感影像特征。其次,为减少在池化过程中影像特征信息的丢失,提出自适应池化模型,通过非下采样轮廓波变换来获取影像纹理特征,并将纹理特征输入网络中参与建筑物提取。最后,将影像特征输入softmax分类器进行分类,获得建筑物提取结果。选取典型区域进行建筑物提取试验,并与典型建筑物提取方法进行对比分析,结果表明,本文提取方法精度高,并且提取建筑物的边界清晰、完整。     

基于高分辨率遥感影像分类的地图更新方法

提出了一种在对遥感影像分类的基础上进行地图更新的方法，讨论了利用高分辨率遥感影像，通过不同空间分辨率和光谱分辨率的影像进行融合，利用合适的高通滤波对影像进行边缘检测．构建一个三层的MLP分类器对影像进行分类，提取城市建筑物与道路信息．并在此分类基础上通过对现有地图的叠加来实现地图的更新。实验结果表明，基于影像融合，利用较少数量的训练样本也能生成具有较高精度的分类图，利用分类结果图进行地图更新能取得令人满意的效果。