基于BP神经网络高光谱图像分类研究

遥感影像常常存在"异物同谱"现象,影响了遥感影像的分类精度。为了提高分类精度,本文提出了基于BP神经网络的分类算法。采用环境一号卫星HJ-1A星上搭载的超光谱成像仪(HSI)获取的高光谱数据,利用BP神经网络对黄岛区进行遥感图像分类,根据得到的分类结果对原图像进行"异物同谱"现象纠正后重新选取训练样本,然后利用BP神经网络再分类,从而有效解决了"异物同谱"现象。实验结果表明,经处理后的高光谱影像的分类精度得到显著提高,分类总体精度为92.386 5%,比异物同谱纠正前提高了7.83%,Kappa系数也从0.768 2提升到了0.885 8。     

应用型高光谱影像卷积神经网络分类方法

针对生产任务中常用的卫星高光谱数据空间分辨率不高、地物复杂的特点,提出一种实用性和灵活性较强、效率较高、不依赖空间信息的分类方法.对高光谱遥感影像数据进行分析,依据其光谱信息丰富,但在复杂地物中空间特征不足的实际情况,采用离散采样的方法,充分利用质量较好的样本点进行特征提取.对传统卷积神经网络进行改进,通过卷积层与池化...     

基于BP神经网络的遥感影像分类研究

BP神经网络具有收敛速度快和自学习、自适应功能强的特点,能最大限度地利用样本集的先验知识,自动提取合理的模型。本文采用Landsat TM遥感图像作为数据源,以山西省定襄县为研究区,通过主成分分析方法来压缩输入数据,并结合NDVI和纹理特征来建立BP神经网络的土地利用分类模型,将分类结果与基于光谱单元信息的神经网络分类和基于纹理特征的神经网络分类结果进行定性和定量比较分析。结果表明:该方法总精度达到了80.50%,分别比基于光谱单元信息的神经网络分类和基于纹理特征的神经网络分类提高了18.89%和6.23%,能够有效地解决地物光谱混淆、分类精度不高等问题。     

基于小波分量特征值匹配的高光谱影像分类

提出了一种基于小波分量特征值的高光谱影像分类算法。针对每个像素构建一个能反映该分量特征的函数,得到其特征值。再利用这些特征值与参考光谱的特征值进行匹配,从而对整幅影像实现分类。实验证明,该方法比传统的光谱角制图法和交叉相关系数法的分类精度有较大提高。     

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。     

高光谱影像概率分类向量机分类方法研究

从分析基于支持向量机和相关向量机的高光谱影像分类方法的优势和不足出发,将基于概率分类向量机的方法用于高光谱影像分类试验。在贝叶斯理论框架下,概率分类向量机为基函数权值引入截断Gauss先验概率分布,使得不同类别的基函数权值具有不同符号的先验分布,并利用EM算法进行参数推断,得到足够稀疏的概率模型,弥补了相关向量机选取错误类别的样本作为相关向量的不足,从而有效地提高了模型的分类精度和稳定性。OMIS和PHI影像分类试验表明,概率分类向量机能够很好地应用在高光谱影像分类。     

面向高光谱遥感影像的分类方法研究

20世纪80年代初期出现的高光谱遥感技术,将反映目标辐射属性的光谱信息与反映目标空间几何关系的图像信息有机地结合在一起。高光谱影像丰富的光谱信息使其较全色遥感、多光谱遥感能够更好地进行地面目标的分类识别,然而其复杂的高维数据结构也对传统的遥感影像分类方法提出挑战。提出很多针对高光谱遥感影像的分类方法,对其进行研究。     

基于MKSVM和MRF的高光谱影像分类方法

为充分利用高光谱遥感影像中丰富的光谱和空间信息,提出了一种基于多核支持向量机(multiple kernel support vector machine,MKSVM)和马尔科夫随机场(markov random field,MRF)的影像分类方法。该方法首先利用MKSVM分类器对影像进行分类处理,再利用MRF对初始分类结果进行空间结构规则化,得到最终分类结果。通过对AVIRIS高光谱影像的分类实验表明,该方法有效地消除了分类结果中同质区域内的"噪声",分类精度提高了3%左右。     

面向应用的高光谱影像分类方法

提出了一种面向应用的高光谱影像分类方法,旨在从根本上、全方位地削弱各种不利因素对该类影像分类精度的影响。主要包括利用IEM算法获取更为精确的类别分布信息,采用Tabu搜索算法进行原始特征空间的降维,运用基于混合规则的组合分类器来判断待识样本的类别标签。实验表明,按照该方法进行高光谱影像的分类处理,可以得到很高精度的分类结果。     

面向应用的高光谱影像分类方法

提出了一种面向应用的高光谱影像分类方法,旨在从根本上、全方位地削弱各种不利因素对该类影像分类精度的影响.主要包括利用IEM算法获取更为精确的类别分布信息,采用Tabu搜索算法进行原始特征空间的降维,运用基于混合规则的组合分类器来判断待识样本的类别标签.实验表明,按照该方法进行高光谱影像的分类处理,可以得到很高精度的分类结果.     

采用IDL小波工具优化高光谱影像光谱特征匹配分类

光谱特征匹配分类是常用的高光谱影像分类、识别地物的方法,针对高光谱影像提取植被盖度存在的问题,文章根据高光谱遥感影像处理的方法,采用EO-1卫星在广州市过境的Hyperion高光谱影像,以＂广州南肺＂万亩果园作为试验区,经过大气纠正——最小噪声分离变换（MNF）——最纯净像元指数计算（PPI）——提取植被的端元,以此作为研究区识别植被的参考样本,进行光谱特征匹配提取植被盖度。其中提出利用连续小波变换对参考端元的波谱曲线降噪的方法,旨在优化光谱特征匹配,以提高识别植被的精度。实验结果表明,这种辅助匹配的方法能有效提高识别植被的精度。     

基于神经网络的遥感影像分类方法研究

本文在研究BP神经网络和模糊理论的基础上,提出了传统BP算法的一种改进方法和基于模糊系统的神经网络遥感影像分类方法。通过试验表明:基于模糊技术的神经网络分类方法要优于BP神经网络方法,取得了令人满意的效果。     

基于多尺度BP神经网络的SAR影像分类技术研究

SAR影像的独特成像机理导致影像存在相干斑噪声,利用传统的光学影像分类方法难以获得较好的分类结果。鉴于此,提出了一种基于多尺度BP神经网络的SAR影像分类方法,用以对SAR影像进行快速分类。     

基于DBN的机载高光谱影像分类

高光谱图像分类是目前遥感技术应用的关键环节,对分析地物类别与土地利用起到了十分重要的作用。目前应用于高光谱图像分类普通算法,其精度已不能满足当今大数据时代下的分类要求,本文提出了深度置信网络(DBN)分类算法。深度置信网络具有无监督学习与有监督学习二者共同的优点,对于维数高的数据有较优的分类效果,并利用机载AISA Eagle II高光谱传感器的影像进行了验证。结果表明,DBN算法与支持向量机(SVM)及传统神经网络(BP)对比取得了较好的分类效果。     

基于光谱相关性的SVM高光谱遥感影像分类

根据高光谱遥感影像数据特点,首先利用光谱相关性进行特征选择,然后引进SVM进行高光谱遥感影像分析解译,最后利用AVIRIS影像进行试验,结果显示分类精度和时间比常规方法都有很大改善。     

结合SOM神经网络和混合像元分解的高光谱影像分类方法研究

本文对SOM神经网络算法进行改进,在标类的过程中采用3个策略加以控制,对初始产生的自组织映射图进行调整。通过改进,那些映射到可靠神经元的像素得到了很好的分类,而那些映射到不可靠神经元的像素都被作为不可分像元而提取出来。继而,从混合像元分解的角度来对这些不可分像元进行处理,按类型分解的思想确定混合像元的类别,实现对不可分像元的分类。将SOM神经网络和混合像元分解相结合的分类方法应用于高光谱图像的分类中,通过实验表明了该方法能较好地改善分类效果,提高分类精度。     

基于主成分判别分析的高光谱遥感影像分类方法

提出了一种基于主成分判别分析的高光谱遥感影像分类方法。针对高光谱遥感影像数据量大、冗余信息多的特点,使用改进的线性判别分析方法对高光谱遥感数据进行线性维数减少。该方法将主成分分析加入到线性判别分析的算法框架中,能够克服常规的线性判别分析方法在训练样本数量较少时遭遇到的小样本问题。通过实验,证明基于主成分判别分析的遥感影像分类方法能够利用少量的训练样本实现更优的分类精度。     

基于相关向量机的高光谱影像分类研究

虽然支持向量机在高光谱影像分类得到成功应用,但是它自身固有许多不足之处。相关向量机是在贝叶斯框架下提出的更加稀疏的学习机器,它没有规则化系数,其核函数不需要满足Mercer条件,不仅具备良好的泛化能力,而且还能够得到具有统计意义的预测结果。本文从分析支持向量机用于高光谱影像分类存在的不足出发,提出了一种基于相关向量机的高光谱影像分类方法,介绍了稀疏贝叶斯分类模型,将相关向量机学习转化为最大化边缘似然函数估计问题,并采用了快速序列稀疏贝叶斯学习算法。通过PHI和OMIS影像分类实验分析表明了基于相关向量机的高光谱影像分类方法的优越性。     

基于遥感影像的土地利用分类研究

土地利用信息对于土地利用的动态监测、非点源污染物的迁移、生态环境保护规划和决策都有重要意义。以河南境内的丹江口水库汇水区2007年9月份的TM影像为数据源,结合遥感图像处理软件,利用监督分类方法对该区域的土地利用进行分类,最后利用ArcGIS软件对提取的土地利用信息制作出土地利用专题图。     

高光谱影像的DAE分类

针对高光谱影像非线性分类问题,根据高光谱影像光谱分辨率高且光谱具有非线性的特点,结合深度学习理论,提出了一种采用降噪自动编码器(DAE)的高光谱影像分类方法。该方法结合降噪自动编码器与SOFTMAX分类器,构造深层网络分类模型;然后,利用加噪后的光谱数据,采用Dropout方法对分类模型进行预训练和微调;最后,利用训练得到的网络模型学习高光谱影像光谱的隐含特征,实现高光谱影像的分类。采用该方法对AVIRIS和PHI的高光谱影像分别进行分类对比实验,结果表明该方法能有效提高高光谱影像分类精度。