多光谱遥感图像土地利用分类区域多中心方法

针对遥感图像土地利用一种类别由多种地物组成,存在难以求取类别光谱特征多元分布模型的问题,分析了多光谱遥感图像土地利用的光谱特征和区域多中心特征,提出了一种光谱信息和区域信息基于规则的区域多中心分类方法,以类别的类内中心集合表征类别模式,以区域为分类单元,以区域单元含类别类内中心数和区域单元中属于某种类别的像元占单元总像元的百分比为分类准则;采用类内中心表征类别模式和基于规则的分类方法,较好地解决了土地利用类别由多种地物组成、类别模式不满足多元正态分布的问题,由于类别区域单元多中心特性差异大,分类规则的建立及训练样本的选择易于实现。实验表明:该方法能提高分类精度4%—6%。     

非监督分类中初始聚类中心法的比较研究

遥感影像的非监督分类中,初始聚类中心的选取对分类过程和分类结果具有重要影响,好的初始聚类中心法既能提高分类的效率又能提高分类的精度。选取类间距离和类内标准差作为评价标准对现有的几种初始聚类法进行比较。结果表明,最大最小距离选心法具有较高的分类精度,但是效率较低;而基于均值标准差定心法精度较低,但效率较高。     

基于无人机遥感的荒漠植被识别方法研究

传统的基于卫星影像的遥感分类方法和基于低空无人机影像的地表覆盖分类方法,在识别荒漠植被,尤其是在识别荒漠灌丛地表覆盖时,不能满足该类别的分类识别需求。本文针对这一问题,采用一种自定义规则分类的方法,即充分利用无人机影像中分类对象的光谱、纹理、形状等特征,结合无人机影像的特点,计算待分类样本的特征阈值,按照不同阈值进行加权分类,最终得出荒漠植被地表覆盖的分类方法和评价方法,这种方法对同类别荒漠植被地表覆盖分类项目具有一定的借鉴作用。     

综合多特征的极化SAR图像建筑物U-Net分类方法

针对合成孔径雷达(SAR)图像不同类型建筑物的区分问题,该文提出了一种基于U-Net的极化SAR图像建筑物分类方法。该方法将极化SAR数据的Pauli分解参数、规范化圆极化相关系数和G⁰统计纹理参数作为U-Net的输入,建立建筑物分类U-Net模型,同时考虑建筑物的高度和单体面积的情况下,将建筑物分为高层、中层、低层小面积、低层厂房类大面积建筑物4类。对武汉市城区GF-3极化SAR数据的各类建筑物分类精度均在80%以上,最高达94.2%。该方法与仅使用单类别特征的U-Net网络方法以及卷积神经网络方法相比,分类结果更完整、建筑边界更准确,也更适合于复杂中心城区的不同类型建筑物的分类。     

带有确定度的模糊图像分类

提出带有确定度的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图像类别的关联度基础上,求得一幅图像相对各个类别的确定度,将一幅图像的确定度作为相应图像关联度的权,以带权的关联度为最大准则,确定待识别图像类别的属性。识别图像类别的第二个准则是,以带有确定度的关联度为特征,采用与聚类中心距离最小准则,确定待识别图像的类别。通过由三种不同类别图像组成的多种组合的试验,试验中满足两个准则之一的实验结果表明,该方法的结果具有一定的优势。     

基于多分类器组合的遥感影像分类方法研究

针对遥感影像分类特点,提出了一种基于多分类器组合的遥感影像分类方法.该方法选取分类性能以及多样性最好的马氏距离、支持向量机(SVM)和最大似然等3种分类器作为子分类器,自定义规则对简单投票法、最大概率类别法以及模糊积分法进行组合,并以山西怀仁县为研究区,对基于航摄数字正射影像进行分类.结果表明,与单个子分类器中精度最高...     

一种使用剪切波变换的干涉图滤波算法

干涉图小波阈值法滤波未考虑干涉相位统计特性, 导致在低相干区域得到的滤波效果不能令人满意。针对这一问题, 提出了一种剪切波变换与干涉相位标准差相结合的相位滤波算法。该算法将干涉相位统计特性与剪切波阈值滤波结合起来, 利用相位标准差改正滤波阈值以提高滤波效果。此外, 为了评价干涉图的滤波效果并为实测数据选择合适的滤波方法提供参考, 将模拟干涉图解缠结果的局部均方差分布作为滤波质量评价指标。将此算法与Goldstein滤波、小波滤波、最优方向融合滤波和剪切波软阈值滤波进行比较, 结果表明所提算法能更有效地削弱干涉图噪声, 同时保留干涉图的细节信息, 避免了低相干地区弱滤波问题。     

灰度直方图与K-最近邻的影像分割算法

针对灰度直方图在影像分类时需要考虑阈值和K-最近邻分类算法分类效率低等问题,提出了一种基于灰度直方图与KNN相结合的影像分割算法:首先对待分割的影像进行灰度直方图统计;其次利用灰度直方图对影像进行硬阈值的划分,得到已知类别样本和未标记样本;然后选择一定数量已知类别的样本对KNN分类器进行训练;最后利用KNN分类器对未标记样本进行类别划分,得到最终分割图像。实验结果表明,该算法结合了灰度直方图高效性和KNN高精度的优势,避免了直方图分割最佳阈值的选取;与传统的KNN算法相比,本文算法大大提高了分类效率,且精度相当,满足实际生产应用的需求。     

一种利用Cloude-Pottier分解和极化白化滤波的全极化SAR图像分类算法

提出了一种新的基于Cloude-Pottier分解和极化白化滤波(PWF)的全极化SAR数据分类算法。该算法利用PWF的结果来代替反熵A对复WishartH/α分类结果进行进一步细化,按PWF的值将复WishartH/α分类结果由8类分为16类,然后再次进行Wishart迭代分类。实验结果表明,该算法能有效地提高分类精度,分类结果明显优于常规的复WishartH/α分类结果和复WishartH/α/A分类结果。     

结合Singh四分量分解的高分三号全极化SAR影像分类

不同于一般分类算法基于像素统计的分类,忽略了地物的散射特性,文中提出了一种保持地物散射特性的分类方法。这种方法将Singh提出的Singh四分量分解与基于复Wishart分布的最大似然分类器相结合,对高分三号全极化影像进行分类。利用Singh四分量分解获得表面散射、体散射、二次散射和螺旋体散射,然后将前3种基础散射分别划分为多个聚类,根据复Wishart距离进行类间合并,直到获得指定类别数,输入复Wishart分类器进行迭代分类,最后进行类别合并获得最终分类结果。试验表明本文算法具有较好的分类效果且验证了利用高分三号全极化卫星数据进行影像分类的可行性。     

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。     

基于S3VM模型的高光谱遥感影像分类

针对传统的高光谱遥感影像分类受限于训练样本的个数,难以取得较好分类结果的不足,提出了一种基于聚类核的半监督支持向量机（S³VM）模型的高光谱遥感影像分类方法。该算法在半监督支持向量机的体系上加入未标记样本来辅助构建核矩阵,从而获得更优异的分类器,在小样本的基础上提高分类精度。试验结果表明,本文方法的分类精度好于传统方法,并且稳定性良好。     

MRELBP特征、Franklin矩和SVM相结合的遥感图像建筑物识别方法

为了进一步提高遥感图像建筑物区域的识别精度,提出了一种基于中值稳健扩展局部二值模式(median robust extended local binary pattern,MRELBP)、Franklin矩和布谷鸟优化支持向量机(support vector machine,SVM)的分类方法。首先,通过MRELBP特征算子计算图像块的纹理特征向量,并根据Franklin矩得到形状特征向量,组合图像块的纹理特征向量和形状特征向量得到综合特征向量;然后,利用训练样本对SVM进行训练,同时由布谷鸟搜索算法对SVM的核函数参数和惩罚因子进行优化;最后,通过训练好的SVM得到建筑物区域识别结果。通过30组试验的结果表明,与基于三原色(red green blue,RGB)和SVM的分类方法、基于LBP和SVM的分类方法、基于Zernike矩和SVM的分类方法相比,本文提出的方法所识别的遥感图像建筑物区域准确度更高。     

Hyperspectral Image Classification Using Relevance Vector Machines

This letter presents a hyperspectral image classification method based on relevance vector machines (RVMs). Support vector machine (SVM)-based approaches have been recently proposed for hyperspectral image classification and have raised important interest. In this letter, it is genuinely proposed to use an RVM-based approach for the classification of hyperspectral images. It is shown that approximately the same classification accuracy is obtained using RVM-based classification, with a significantly smaller relevance vector rate and, therefore, much faster testing time, compared with SVM-based classification. This feature makes the RVM-based hyperspectral classification approach more suitable for applications that require low complexity and, possibly, real-time classification.     

基于ISODATA算法的海底底质分类

介绍了海底声像图的形成机制和方法,分析了ISODATA算法的基本原理,以实际数据的试验实现了海底底质分类。     

Spatially constrained regionalization with multilayer perceptron

In this article, multilayer perceptron (MLP) network models with spatial constraints are proposed for regionalization of geostatistical point data based on multivariate homogeneity measures. The study focuses on non‐stationarity and autocorrelation in spatial data. Supervised MLP machine learning algorithms with spatial constraints have been implemented and tested on a point dataset. MLP spatially weighted classification models and an MLP contiguity‐constrained classification model are developed to conduct spatially constrained regionalization. The proposed methods have been tested with an attribute‐rich point dataset of geological surveys in Ukraine. The experiments show that consideration of the spatial effects, such as the use of spatial attributes and their respective whitening, improve the output of regionalization. It is also shown that spatial sorting used to preserve spatial contiguity leads to improved regionalization performance.     

A Modular Support Vector Machine for Active Learning of Urban Remote Sensing Images Classification in Algeria

In this work, we present a new strategy of active learning, based on a modular version of support vector machine (MSVM) applied to urban remote sensing images in Algeria. In general, the training set is highly imbalanced, which gives more complex models; this difficulty is solved by dividing the problem at hand into a set of sub-problems, where each sub-model could be simpler to solve. The support vector machine is introduced to solve the problem of classification based on image remote sensing data related to atmospheric conditions and illumination reflectance. The aim of the proposed method is to improve the accuracy in order to understand the correlated elements of urban structures (the site, the built, the parcels, the network, the space), to generate the final classification result. In particular, we propose a new method based on the modular support vector machine (MSVM) adopted to active learning method, using three different clustering methods (i) k-means, (ii) fuzzy c-means (FCM), and (iii) Gustafson–Kessel (GKclust). Experimental results obtained on two QuickBird multispectral images of Sétif and Batna cities in the eastern of Algeria confirm the capabilities of the proposed methods based on the ensemble of model trained with different task decomposition compared to a traditional model using active learning. This method improves each class presents a main register in urban structure tissues.     

高光谱影像光谱-空间多特征加权概率融合分类

提出了一种基于光谱-空间多特征加权概率融合的高光谱影像分类方法。首先,利用最小噪声分离(minimum noise fraction,MNF)方法对高光谱影像进行降维和特征提取,并以得到的MNF特征影像作为光谱特征,联合灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取的纹理特征、基于OFC算子建立的多尺度形态学特征以及采用连续最大角凸锥(sequential maximum angle convex cone,SMACC)提取的端元组分特征,组成3组光谱-空间特征;然后利用支持向量机(support vector machine,SVM)对每一组光谱-空间特征进行分类,得到每组特征的概率输出结果;最后,建立多特征加权概率融合模型,应用该模型将不同特征的概率输出结果进行加权融合,得到最终分类结果。为了验证该方法的有效性,利用ROSIS和 AVIRIS影像进行试验,总体分类精度分别达到97.65%和96.62%。结果表明本文的方法不但较好地克服了传统基于单一特征高光谱影像分类的局限性,而且其分类效果也优于常规矢量叠加(vector stacking,VS)和概率融合的多特征分类方法,有效地改善了高光谱影像的分类结果。     

利用深层卷积神经网络实现地形辅助的多波束海底底质分类

海底底质分类对于海洋资源开发与利用、海洋科学研究等多方面具有重要意义。目前,多波束探测是实现大范围海底底质分类的有效手段之一,通常基于多波束反向散射强度提取角度响应(AR)特征及反向散射图像特征进行底质分类。由于特征来源较单一,分类器结构简单,往往分类精度不高。为此,本文提出了一种基于深层卷积神经网络(CNN)的多波束海底底质分类方法。除反向散射强度特征外,还利用地形特征,将特征向量转换为波形图,再输入卷积神经网络进行训练和分类。试验对比不同特征组合以及BP网络、支持向量机(SVM)、K近邻(KNN)、随机森林(RF)4种常规分类器,本文模型算法总体分类精度达到94.86%,Kappa系数为0.93,精度具有明显优势,效率也比较高。表明该方法有效利用两种数据类型所蕴含的海底底质信息,充分发挥卷积神经网络权值共享、高效率等特点,实现高分辨率海底底质分类,可对海底底质分类研究提供参考。     

应用分水岭变换与支持向量机的极化SAR图像分类

结合分水岭变换与支持向量机的特性,提出一种新的极化SAR图像分类算法。其基本思想是先通过分水岭变换及区域合并处理,将极化SAR图像分割成一系列同质区;再以同质区为基本单元,进行特征提取及样本选择后采用支持向量机分类。实验结果表明,该算法可有效降低相干斑对分类的影响,与传统基于像素的SVM算法相比,其分类精度有显著的提高,且结果也更易于理解。