特征优选下的全极化雷达影像土地覆盖分类

针对极化合成孔径雷达(PolSAR)影像在土地覆盖分类中存在特征利用不充分导致分类精度低的问题，该文提出一种联合ReliefF和相关性的特征选择(CFS)算法的分类方法。首先利用ReliefF算法对极化特征进行特征重要性排序，淘汰无关特征，然后利用CFS算法进行特征优选，最后结合分类回归树(CART)决策树构建分类模型，完成土地覆盖分类。以高分三号(GF-3)两个场景的影像数据进行实验，结果表明，该方法能够有效剔除冗余特征，显著提高分类准确率，适用于PolSAR影像土地覆盖分类。     

变差函数和神经网络结合的遥感影像分类方法研究

提出利用地统计学变差函数对遥感影像纹理信息进行提取，将变差函数得到的纹理信息与光谱信息相结合，运用神经网络进行分类的遥感影像分类方法。将该分类方法应用于试验区，并与最大似然法的分类结果进行对比分析，结果表明，该方法具有较高的分类精度。     

深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类

提出了一种基于深度学习技术的遥感分类方法，它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像，基于GoogleNet模型中的Inception V3网络结构，借助迁移学习方法，构建出遥感分类模型，实现了对武汉市主城区4类典型地物（不透水层、植被、水体和其他用地）的自动分类提取，并将分类结果与传统最大似然分类（ML）结果进行了对比分析。研究表明：基于深度学习方法的遥感影像总体分类精度高达88.33%，Kappa系数为0.834 2，明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0，而且有效抑制了地物在分类过程中出现的像元混分现象。     

动态调整权重的光谱匹配测度法分类的研究

提出了动态调整权重的光谱匹配测度的分类方法，它可以根据不同影像、不同分类目的等自适应调整光谱距离和光谱形状测度在分类中的权重，从而达到正确分类的目的。通过对高光谱影像分类的试验，验证了该方法的正确性。     

以不同分类法探讨SPOT与IKONOS两种卫星影像之分类准确度

遥感探测可应用于大尺度环境之研究、规划及经营管理，故为探讨自然资源动态变迁之良好工具，惟现行影像来源与分类方法众多，研究者如何视其需要选择最佳组合，实有探讨之必要。本研究以SPOT及IKONOS两种不同空间解析力之卫星影像为材料，配合不同分类方法探讨台湾地区垦丁公园不同植群社会之空间分布信息，其结果均证实可行。而由研究过程发现，不同影像使用不同分类方法，其分类准确度有所差异，其中IKONOS影像因具有较高之空间解析力，有时反而容易造成影像分类的误授、漏授；而绿色植生部分尚无法由卫星影像之波谱值完全区隔，因此分类之精度仍有待精进。就影像分类而言，良好的训练样区配合正确的分类方法，可迅速获得一定准确度以上之分类结果，惟有时限于分类别的影像波谱值过于接近及各种地形效应、辐射效应之影响，会造成影像分类结果有误授、漏授及破碎化之情形产生，若能有效克服此一问题，则影像分类之成果将可提高其实用性。     

BP神经网络的道路场景杆状地物自动分类

针对车载激光扫描数据中杆状地物分类精度不高、自动化程度低的问题，本文提出一种基于BP神经网络的分类方法。首先根据杆状地物点云特征选取10个特征值，获取杆状地物聚类单元的特征向量，构建特征矩阵；然后使用样本集训练BP神经网络模型并保存该分类模型；最后使用BP神经网络分类模型对试验区内的杆状地物进行分类。试验结果表明，该方法对杆状地物的分类精度可达95.34%，验证了文中所述方法对杆状地物分类的有效性。     

一种应用兴趣点数据进行地表覆盖分类的方法

针对传统基于遥感影像的地表覆盖分类方法普遍存在的生产周期长、成本高、自动化程度低等问题，提出了一种完全利用兴趣点（point of interest，POI）数据进行地表覆盖自动化分类的方法。首先应用潜在狄利克雷分布主题计算模型，从POI数据的文本信息中挖掘出与地表覆盖类型相关的主题类型和分布概率；然后基于POI文本的主题分布，运用支持向量机分类算法构建地表覆盖分类模型；最后以遥感影像地表覆盖分类结果为依据，采用随机抽样的方式对所提方法进行验证。结果表明，该方法能够较好地区分人造地表和非人造地表，且整体分类精度超过80%，可作为传统遥感影像分类的辅助手段，满足地表覆盖快速分类的制图需求。     

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。     

基于均值-标准差的K均值初始聚类中心选取算法

遥感图像分类是遥感图像处理中长期存在的一个难题，针对不同的传感器图像，不同的应用需求，选择合适的分类算法非常重要。在分类中不仅要考虑分类的精度，而且要考虑分类效率。本文研究了K均值算法的初始聚类中心的选择对算法本身聚类精度及效率的影响，提出了一种高效高精度的初始聚类中心选取方案，实验结果表明。利用该算法进行地表分类，效率比ENVI的K-Means（K均值）模块高。     

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。     

基于专家知识的决策树分类

基于ENVI运用专家知识的决策树分类、监督分类、非监督分类手段来实现对于Landsat TM影像和快鸟影像数据的图像分类处理,简单介绍了决策树的建立过程,以及如何进行预处理、分类后处理、精度评价。通过3种分类方式的比较,基于专家知识的决策树分类法具有分类判别规则十分灵活、分类决策树看起来很直观、分类条件清晰、分类效果好、运算效率高等特点。实验中,其分类方式的缺陷表现为分类过多、过于复杂,可能会产生错误的速度加快;决策树判别规则复杂,树形分枝多导致用户难以识别、理解、应用。     

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。     

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.     

基于ERDAS的遥感影像分类方法研究

为了提高遥感影像分类精度,对传统的非监督分类、监督分类和专家分类进行机理分析,提出将影像中的纹理信息作为专家知识改进分类精度的技术方案。以胶州市QuickBird遥感影像作为试验数据,基于ERDAS IMAG-INE 8.6软件平台,对非监督分类、监督分类和专家分类进行实验数据比较分析,实验数据表明改进的专家分类方法分类精度最高,由于纹理信息参与专家分类,可较好地解决“同谱异物”和“同物异谱”对分类的干扰,优化分类后的影像,提高信息提取的准确度。     

面向对象的高分辨率遥感影像土地覆盖信息提取

利用高分辨率影象提取土地覆盖信息的关键技术在于如何利用丰富的纹理信息来弥补光谱信息的不足。面向对象的图像分类技术改变了传统的面向像素的分类技术:(1)用来解译图像的信息并不在单个像元中,而是在图像对象和其相互关系中;采用多分辨率对象分割方法生成图像对象,提高了分类信息的信噪比;基于对象的分类技术不同于纯粹的光谱信息分类,图像对象还包含了许多的可用于分类的一些其他特征:形状、纹理、相互关系、上下关系等信息。面向对象的土地覆盖分类结果与传统分类方法相比,其特征提取算子更加地适合于几何信息和结构信息丰富的高分辨率图像的自动识别分类。     

基于决策树分类的地表覆盖遥感信息提取

地处西南的渝北地区地表覆盖类型复杂、土地利用多元化,仅依赖于光谱特征的传统遥感信息提取方法难以获得较高的分类精度。利用决策树分类技术对渝北地区的TM遥感影像进行分类,除光谱信息外还结合地质、NDVI、PCI等多源数据进行实验。结果表明,总精度和Kappa系数分别为88.42%和0.854 7,较传统的监督分类和仅依赖于光谱特征的决策树分类方法有较大提高,这也表明基于多源数据的决策树分类技术对地表覆盖复杂地区的遥感影像分类比较适用,是遥感信息提取的一种有效手段。     

多源时空数据的地表分类信息挖掘

随着国土空间的发展,自然资源管理、国土空间规划等对于地表分类信息的需求日益增大,如何采用数据挖掘手段高效准确地获取地表分类信息成为目前重要的研究方向。本文在对多源数据进行分析研究的基础上,以地理国情监测、基础测绘、天地图等多源时空数据为数据源,参考第三次全国国土调查分类方案,综合采用多维度地表分类、语义规则映射、空间综合映射、多场景特征判断、分类权重判断、空间聚合分析等多种方法对地表分类信息进行挖掘。提出了一种汇聚多源数据优势的地表分类信息挖掘方法,对于丰富地表分类数据产品类型和信息的维度具有重要的意义。     

基于形式概念分析的遥感影像分类

针对目前遥感影像分类方法中存在分类知识难以获取的不足,尝试引入形式概念分析的数据挖掘理论,并基于族集最小覆盖理论实现概念内涵的缩减,从而保证分类规则的简洁与无冗余性。研究选取湖北省房县作为试验区,实现了该理论在研究区中土地利用类型分类规则的挖掘应用。基于挖掘出的分类规则构建了启发式分类器,实验结果表明形式概念分析理论挖掘出的分类规则可信度较高,基于挖掘出的分类规则构建的分类器相对于监督分类方法、决策树C4.5算法在分类精度上有一定优势,从而证明了它对遥感影像分类提供一种的新方法。     

面对高光谱影像分类的半监督阶梯网络

提出一种半监督阶梯网络用于对高光谱影像进行分类,以解决小样本条件下基于堆栈式自编码器的高光谱影像分类方法分类精度不高的问题。首先,该网络以堆栈式自编码器为基础,在编码器和解码器之间增加横向连接参数构建阶梯网络,以使网络适合半监督分类;然后将无监督损失函数与有监督损失函数之和作为最终优化的目标函数,采用半监督的方式对整个网络进行训练。为进一步提高分类精度,提取局部二值模式纹理特征进行分类实验。实验结果表明:提出的半监督阶梯网络能够较好地解决高光谱影像分类小样本问题;且LBP纹理特征能够有效提高分类精度。     

A study of supervised classification accuracy in fuzzy topological methods

The multiple classifier system (MCS) is an effective automatic classification method, useful in connection with remote sensing analysis techniques. Combining MSC with induced fuzzy topology enables a decomposition of image classes. This fuzzy topological MCS then provides a new and improved approach to classification. The basic classification methods discussed in this paper include maximum likelihood classification (MLC), minimum distance classification (MIND) and Mahalanobis distance classification (MAH).