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。     

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。     

植被覆盖区高精度遥感地貌场景分类数据集

地貌数据集是实现地貌自动分类和加深对地貌形态学认识的重要支撑数据之一。当前缺乏高精度地貌成因类数据集,制约了地貌遥感自动解译的发展。本文在中国东北地区以沟—弧—盆体系为主的天山—兴蒙造山系中,针对强烈的构造运动和新生代以来的火山作用、流水作用形成的地貌成因类型,制作了构造地貌、火山熔岩地貌和流水地貌3类场景数据集（GOS10m）。数据集覆盖面积约5000 km²,包括哨兵2号可见光遥感影像、SRTM1 DEM及基于DEM提取的7个地貌形态参数（山体晕渲图、坡度、DEM局部平均中值、标准偏差、坡向—向北方向偏移量、坡向—向东方向偏移量和相对偏离平均值）。单张样本图为64像素×64像素,空间分辨率为10 m。采用多模态深度学习神经网络对数据进行训练并分类,平均测试精度可达到82.63%,表明构建的数据集具有较高的质量。可为地貌成因遥感自动分类研究以及推动遥感地貌智能解译的向前发展,提供数据集支撑。     

遥感图像分类方法及发展趋势

遥感图像分类是遥感信息提取中的关键技术。遥感应用的许多方面都需要这一技术的支持。在遥感技术一些新的研究领域和前沿, 如基于图像内容的数据检索、基于图像内容和对象的数据压缩等, 遥感图像分类是其必不可少的。对遥感图像分类方法和近年来在这一研究领域的发展趋势进行综合论述。     

角度分类器与距离分类器比较研究——以盐渍土分类为例

选择理想的分类器是进行遥感图像自动分类的关键。距离分类器是以已知地物类别的亮度值作为分类基准，通过比较未知类别像元与已知类别像元亮度值间的距离进行分类。角度分类器是以光谱谱线角为分类基准，通过比较n维波段空间中未知类别像元与已知类别像元光谱角度进行分类。本通过上述两种分类器对同一遥感图像进行分类，对两种分类器的分类效果进行了比较。     

结合数据增广和迁移学习的高分辨率遥感影像场景分类

深度学习在计算机视觉领域取得了显著的成果,如图像分类、人脸识别、图像检索等。对于遥感领域而言,获取用于训练CNN的有标签数据集通常是一个重大挑战。本文研究了如何将CNN用于高分辨率遥感影像的场景分类,为了克服缺乏大量有标签遥感影像数据集的问题,结合CNN采用了两种技术：数据增广和迁移学习。在UC Merced Land Use数据集上,验证了VGG16、VGG19、ResNet50、InceptionV3、DenseNet121等5种网络的性能,分别达到了98.10%、96.19%、99.05%、97.62%、99.52%的分类准确率。     

遥感图像分区自动分类方法研究

对判读区域自然景观复杂,数据时相与质量差异较大的遥感图像用常规的分类方法难以达到令人满意的效果,为此,作者采用了一种通过定义图像判读区,分类管理器和改进监督分类算法等方法来实现遥感图像的分区自动分类,以不同时相的TM拼接图像进行分类试验,结果表明:该方法比传统的监督分类方法有明显改进:(1)与整幅图像用同一个标准进行分类的方案相比,其精度显著提高,(2)可在分类前灵活,任意生成所感兴趣的判读区域,(3)在每个分区内可以采取不同的分类方案进行分类,(4)每个分区的分类结果可以保存在同一个文件中,而不需要另外生成新的操作层.因此分类不受次数的限制,可保证分类结果的完整性,每个分区的分类结果也可以保存为单个分区的分类结果.     

山区遥感图像自动分类研究——以西南地区为例(英文)

In mountainous areas, it is the undulant terrain, various types of geomorphic and land use that make the remote sensing images great metamorphism. Moreover, due to the elevation, there are many areas covered with shadow, clouds and snow that make the images more inaccurate. As a result, it would be very difficult to carry out auto-classification of RS images in these areas. The study took Southwest China as the case study area and the TM images, SPOT images as the basic information sources assisted by the a...     

提高遥感数据分类应用性的有效途径

本文介绍了日前对遥感数据进行自动分类的常用算法及其改进方向,指出在现有技术条件下,多元、多维信息复合技术是提高遥感数据自动分类应用的有效途径。     

高分辨率光学遥感场景分类的深度度量学习方法

针对高分辨率光学遥感影像场景具有同类型内部差异大、不同类型间相似度高导致部分场景识别困难的问题,本文提出了一种深度度量学习方法。首先在深度学习模型的特征输出层上为每类预设聚类中心,其次基于欧氏距离方法设计均值中心度量损失项,最后联合交叉熵损失项以及权重与偏置正则项构成模型的损失函数。该方法的目标是在特征空间上使同类型特征聚集并扩大类型间的距离以提高分类准确率。试验结果表明,本文方法有效地提升了分类准确率。在RSSCN7、UC Merced和NWPU-RESISC45数据集上,与现有方法相比,分类准确率分别提高了1.46%、1.09%和2.51%。     

基于CNN-GCN双流网络的高分辨率遥感影像场景分类

高分辨率遥感影像具有复杂的几何结构和空间布局,传统的卷积神经网络的方法仅能提取场景图像中的全局特征,忽略了上下文的关系,导致特征的表达能力受限,制约了分类精度提高。针对此问题,本文提出一个面向高分辨率遥感影像场景分类的CNN-GCN双流网络,该算法包含CNN流和GCN流两个模块。CNN流基于预训练DenseNet-121网络提取高分影像的全局特征;而GCN流采用由预训练VGGNet-16网络得到的卷积特征图构建邻接图,再通过GCN模型提取高分影像的上下文特征。最后,通过加权级联的方式有效地融合全局特征和上下文特征并利用线性分类器实现分类。本文选取AID、RSSCN7和NWPU-RESISC45共3个具有挑战性的数据集进行实验,得到的最高分类精度分别是97.14%、95.46%和94.12%,结果表明本文算法能够有效地表征场景并取得具有竞争力的分类结果。     

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。     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。     

基于深度卷积神经网络的高分辨率遥感影像场景分类

场景分类对于高分辨率遥感影像的理解和信息提取具有重要意义。传统方法利用低、中级或语义特征来对影像的场景进行判别,但是针对高分影像涵盖的细节多、类别复杂等特点,中低层特征无法对影像语义进行准确描述。本文提出了一种基于深度卷积神经网络DCNN场景分类模型。首先利用卷积层对影像的纹理、颜色等低阶特征进行提取,然后利用池化层对重要特征进行筛选,最后将提取到的特征进行组合,形成高阶语义特征,利用高阶语义特征对高分影像进行场景分类。为了解决模型的过拟合问题,使用了数据增广、正则化及Dropout提高模型的泛化能力。本文方法在UC Merced-21取得了91.33%的准确率,相比于传统方法,有效地提高了分类精度,同时证明了深度卷积神经网络在遥感影像分类领域优越性。     

多分类器组合的遥感影像分类方法

针对传统遥感影像分类方法效果不够理想,单一分类器各自存在不足等问题,该文提出了一种基于多分类器组合的遥感影像分类方法。采用级联和并联相结合的方式对多种子分类器进行组合;利用改进的基于先验知识的投票表决规则,实现遥感影像准确分类。以岳阳市TM遥感影像为例,采用多分类器组合方法进行分类处理,并将处理结果与单一分类器处理结果进行比较。通过误差矩阵对比可知,多分类器的Kappa系数精度高于单一分类器;对分类效果图进行对比分析,在细部效果方面多分类器分类效果优于单一分类器。研究结果表明:组合分类器的遥感影像分类效果明显优于单一分类器,且具有更好的扩展性。     

多源遥感影像融合在哈大齐土地利用分类中的应用

随着遥感技术的发展,同一区域的多源遥感影像数据越来越丰富。以哈大齐为例,利用ETM+和SPOT-5数据探讨不同遥感信息融合在土地利用过程中的处理方法,比较不同融合算法在土地分类中的差异,并进行定性和定量比较。为有关部门进行土地规划、管理提供科学依据有着十分重要的意义。